基于CEEMDAN奇异值熵和SVM的转子故障诊断

提出一种基于自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)奇异值熵和支持向量机(support vector machine,SVM)的转子故障诊断方法。利用CEEMDAN方法首先对非平稳的转子振动信号分解得到若干个表征信号自身特性的固有模态函数(intrinsic mode function,IMF),并通过虚假IMF分量判别法,剔除对于故障特征不敏感的IMF,以保证故障信息提取的准确性和有效性,在此基础上产生初始特征向量矩阵。并对此矩阵进行奇异值分解得到矩阵奇异值,使其作为故障特征向量,通过归一化处理得到奇异值熵,并以此作为SVM的输入,对转子的工作状态进行识别。研究结果表明:该方法可有效应用于转子故障诊断,实现对转子工作状态和故障类型的有效诊断。     

CEEMDAN与参数优化多尺度排列熵结合的滚动轴承早期故障诊断

针对滚动轴承的早期故障特征微弱的特点，提出了自适应噪声完备集合经验模态分解（CEEMDAN）与多尺度排列熵（MPE）结合提取故障特征，采用支持向量机（SVM）进行故障状态判别的滚动轴承早期故障诊断方法。利用CEEMDAN将信号分解为若干分量，计算各分量与原信号的相关系数，将大于相关系数阈值的分量重构，对MPE的参数运用PSO算法寻优，计算重构后的信号的MPE值并作为故障特征向量，使用SVM对故障状态进行识别。将该方法运用于XJTU-SY滚动轴承加速寿命试验数据集，并与MPE参数未优化以及未CEEMDAN分解且MPE参数未优化得到的MPE值作为特征向量SVM进行识别的结果进行对比，结果表明本文所提方法的故障识别率分别提高了10.71%和14.28%。     

基于VMD-MDE和ELM的柱塞泵微弱故障诊断

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性。     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.     

基于VMD的Volterra模型奇异值熵的转子故障诊断方法

针对转子故障信号的非平稳性以及敏感故障特征无法有效提取的问题,将变分模态分解(variational mode decomposition, VMD)的Volterra模型和奇异值熵相结合,提出一种故障诊断方法。对影响VMD分解准确性的参数选取方法进行了深入研究,给出了相关问题的解决策略。首先,对不同工况下转子实测信号进行VMD分解,利用能量熵增量选取对故障特征敏感的固有模态函数(intrinsic mode function, IMF)进行相空间重构,以建立Volterra自适应预测模型,将模型参数作为初始特征向量矩阵。然后,对初始特征向量进行奇异值分解以获取奇异值熵和奇异值特征向量矩阵,用于描述转子的故障特征。最后,采用模糊C均值(fuzzy c-means, FCM)算法对转子工作状态和故障类型进行识别。试验结果表明,所提方法可有效实现转子故障的特征提取及类型识别。通过同经集合经验模态分解(ensemble empirical mode decomposition, EEMD)相比,证明了该方法具有更有效的故障特征提取性能,是一种可行的方法。     

基于LPP与VPMCD的液压泵故障模式识别

针对液压泵振动信号复杂且难以提取有效特征量的问题,提出一种基于局部保留投影(LPP)算法的故障特征提取方法。采用集总经验模态分解(EEMD)法对液压泵振动信号进行分解,从得到的内禀模态分量(IMF)中选取敏感分量,对敏感分量进行分析并从中提取液压泵故障高维特征向量,利用局部保留投影法对高维特征向量进行融合降维,提取隐藏在高维特征空间中的故障本质信息,即敏感特征向量。基于变量预测模型的模式识别(VPMCD)算法实现模式识别的良好性能,提出采用VPMCD算法实现液压泵故障模式识别。基于提取的敏感特征集,建立各状态敏感特征的变量预测模型,进而实现液压泵的故障识别,实测液压泵振动信号分析结果验证了所提出液压泵故障模式识别方法的有效性。通过对比分析验证了所提出方法的良好性能。     

基于EMD和香农熵的刀具磨损故障诊断系统开发

针对机床刀具磨损故障诊断,开发了基于经验模态分解和香农熵进行信号处理的刀具故障诊断系统。在信号处理阶段,对机床加工过程中刀具的振动信号进行经验模态分解,得到若干固有模态函数(IMF),并基于香农熵从分解得到的IMF分量中提取有效分量,去除虚假分量,最后将有效的IMF分量的能量作为特征向量输入向量机(SVM)分类器来识别刀具的磨损状态。经实验验证,该系统能对刀具磨损状态进行准确快速地判断。     

基于VMD和改进多尺度熵的往复压缩机气阀故障诊断方法

针对往复压缩机气阀振动信号具有非平稳性、非线性和多分量耦合特性,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进多尺度熵的往复压缩机气阀故障诊断方法。利用VMD方法分解振动信号,并根据互相关系数法选取主要模态分量进行信号重构,可有效的消除噪声干扰;应用改进多尺度熵对重构信号进行量化分析,获得各振动信号的特征向量,并以极限学习机(Extreme Learning Machine,ELM)为故障分类器对往复压缩机气阀的4种状态实测信号进行分类识别。研究结果表明:该方法能够比较准确地提取出往复压缩机气阀故障信息,可实现往复压缩机气阀故障的正确识别。     

CEEMD-VMD与参数优化SVM结合的托辊轴承故障诊断

针对托辊轴承工作环境复杂、提取故障特征困难等问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition, CEEMD)和变分模态分解(Variational modal decomposition, VMD)相结合的降噪方法。首先,利用CEEMD将采集到的信号进行分解,依据相关系数和峭度筛选分量并进行重构,生成新的信号;然后,利用VMD将新的信号进行再分解,并基于包络熵和包络谱峭度组合的复合指标优选本征模态分量(Intrinsic mode functions, IMF);最后,提取相应的特征输入樽海鞘群优化支持向量机(Salp swarm optimization support vector machine, SSO-SVM)模型完成故障诊断。实验结果表明:对于正常轴承、轴承内圈故障、轴承外圈故障三种情况,诊断准确率达97.78%。与单一降噪方法相比,该方法可以有效提高故障信号的信噪比,降噪效果明显。     

应用多参量和高斯过程分类的故障诊断方法

由于齿轮箱振动信号的非平稳非线性等问题加大了故障诊断的难度,本文提出了一种基于互补集合经验模态分解(CEEMD)和多尺度排列熵(MPE)、样本熵(SE)相结合的故障特征提取方法。首先对齿轮箱振动信号进行互补集合经验模态分解,并根据相关系数原则对各模态分量进行筛选和重构,再利用多尺度排列熵对筛选出的模态分量进行特征提取,同时对重构后的信号提取其样本熵作为特征值;最后将提取出的多种故障特征融合输入到高斯过程分类器中进行实验验证,实验结果表明该方法提取齿轮箱振动信号的故障特征是有效的,高斯过程分类能快速准确地分辨出故障结果。     

奇异值分解与LMD结合的滚动轴承故障诊断研究

针对滚动轴承故障信号具有的非线性和非平稳性,其故障特征难以提取的问题,提出一种奇异值分解(SVD)和局部均值分解(LMD)相结合的滚动轴承故障特征提取和诊断方法。首先,将轴承故障信号进行LMD分解得到若干PF分量;然后选取和原始信号相关度较大的PF分量,利用奇异值序列来构造其故障特征向量;最后,将得到的故障特征向量作为学习样本输入到支持向量机(SVM)中,对故障类型进行分类和识别。实验结果表明,LMD和SVD结合的故障特征提取方法,能有效提取滚动轴承不同状态下的故障特征,对不同故障状态做出准确分类。     

基于CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

基于变分模态分解和ANFIS的齿轮故障诊断

针对齿轮振动信号的传递路径复杂,噪声污染严重,故障特征信息微弱等问题,提出了基于变分模态分解和自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)的故障诊断方法。将原始振动信号利用变分模态分解得到不同尺度的本征模态函数后,通过提取各模态函数的排列熵,构造出表征模态分量信息的特征向量,并将提取的特征向量输入自适应神经模糊推理系统进行训练,建立齿轮故障诊断模型。最后通过齿轮实验故障数据对模型进行验证,并与支持向量机(Support Vector Machine,SVM)识别方法进行对比,结果表明,提出方法具有很强的学习能力,能够有效地对齿轮故障进行诊断,提高故障识别的准确率,识别效果明显优于SVM。     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

VMD-模平方阈值与PNN相结合的齿轮故障诊断

针对故障齿轮振动信号的非平稳和调制特性,提出了在变分模态分解(VMD)-模平方阈值降噪的基础上利用概率神经网络(PNN)进行齿轮故障诊断的方法。首先,利用VMD将原始振动信号分解为若干个本征模态函数分量,采用模平方阈值方法对各分量处理后并重构;然后,提取重构信号的峭度和均方根作为特征值组成特征向量;最后,将特征向量输入PNN实现故障类型识别。通过齿轮故障试验分析,将其与基于EMD-模平方阈值、LMD-模平方阈值和EEMD-模平方阈值的BP神经网络故障诊断方法相比较。结果表明,该方法能有效的提取特征信息,故障诊断准确率高达96.875%,证明了所提方法的可行性和有效性。     

基于ICEEMDAN和IMWPE-LDA-BOA-SVM的齿轮箱损伤识别模型

针对齿轮箱振动信号中的背景噪声过大影响故障特征质量，进而降低故障识别准确率的问题，提出了一种基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)、改进多尺度加权排列熵(IMWPE)、利用线性判别分析(LDA)、蝴蝶优化算法(BOA)优化支持向量机(SVM)的齿轮箱故障诊断方法(ICEEMDAN-IMWPE-LDA-BOA-SVM)。首先，采用ICEEMDAN对齿轮箱振动信号进行了分解，生成了一系列从低频到高频分布的本征模态函数分量；接着，基于相关系数筛选出包含主要故障信息的本征模态函数分量，进行了信号重构，降低了信号的噪声；随后，提出了改进多尺度加权排列熵的非线性动力学指标，并利用其提取了重构信号的故障特征，以构建反映齿轮箱故障特性的故障特征；然后，利用线性判别分析(LDA)对原始故障特征进行了压缩，以构建低维的故障特征向量；最后，采用蝴蝶优化算法(BOA)对支持向量机(SVM)的惩罚系数和核函数参数进行了优化，以构建参数最优的故障分类器，对齿轮箱的故障进行了识别；基于齿轮箱复合故障数据集对ICEEMDAN-IMWPE-BOA-SVM方法进行了实验和对比分析。研究结果表明：该方法...     

基于改进型ESMD和动力学模型的齿轮箱冲击特征提取方法研究

齿轮箱振动信号具有非线性冲击特征,其有效特征信息易于被振动信号其他干扰成分所淹没。针对如何有效提取其冲击特征这一热点和难点问题,通过构建直齿锥齿轮动力学模型,研究其典型故障振动机理,提出了一种基于改进型极点对称模态分解(ESMD)和支持向量机(SVM)相结合的故障诊断方法。该方法通过改进型ESMD将振动信号自适应分解为多个IMF分量,然后利用最大峭度-包络谱指标选取一定量的分量并提取每个分量的奇异值,构建特征向量集合并输入SVM进行故障模式识别。动力学仿真模拟和齿轮箱实验研究表明,改进型ESMD-SVM法能够有效提取并识别齿轮箱故障信息。     

MVMD与IEDPE结合的转子故障特征提取方法

为准确表征转子系统不同运行状态，提出一种改进的变分模态分解(Modified Variational Mode Decomposition, MVMD)与瞬时能量分布排列熵(Instantaneous Energy Distribution Permutation Entropy, IEDPE)结合的转子故障特征量化提取方法。利用相关性阈值策略确定变分模态分解(Variational Mode Decomposition, VMD)分解层参数并设计MVMD算法；然后，将采集到的振动信号输入MVMD中进行分解，计算各模态分量的瞬时能量分布；最后，提取各模态分量IEDPE作为故障量化特征。与MVMD+PE、EMD+IEDPE、EEMD+IEDPE进行对比，结果表明，提取的故障特征可更有效地表征转子故障状态之间的显著差别，使故障类别更准确识别。     

基于HMM和CS-VMD的滚动轴承故障诊断

针对滚动轴承故障信号非线性和非平稳的特点,为准确识别滚动轴承的故障类型,提出了一种基于隐马尔可夫模型(HMM)并利用布谷鸟搜索(CS)优化变分模态分解(VMD)的滚动轴承故障诊断新方法。首先,利用CS分别优化VMD的模态分解个数K和二次惩罚因子α;然后,设置寻优得到的最佳参数组合,将故障信号经VMD分解为一系列本征模态函数分量(IMFs);最后,依据相关系数重构信号,并从重构信号中提取特征向量输入HMM模型中训练及识别。通过对实验采集的轴承故障振动信号的分析,验证了此方法的有效性和准确性。     

VMD奇异值和FCM的转子故障特征提取与识别

为了准确、有效地提取转子故障特征,提出了变分模态分解(VMD)和奇异值特征提取的方法,并采用模糊C均值聚类(FCM)进行转子故障识别。首先,利用分解精度高、模态混叠问题少的VMD算法进行振动信号分解,形成初始特征向量矩阵,然后对该向量矩阵进行奇异值分解,将求得奇异值作为故障特征向量,最后通过模糊C均值聚类形成聚类中心,并计算海明贴近度以实现不同工况下的转子故障分类。将此方法进行转子实验台振动数据验证,实验结果表明:该方法能够有效实现不同工况下转子故障信号的区分,取得了理想的故障诊断结果。