基于EEMD与FCM聚类的自动机故障诊断

针对自动机使用中常见的故障检测与识别问题,考虑到自动机振动响应信号非线性、短时、瞬态和冲击特性,提出基于聚合经验模态分解(EEMD)和模糊C均值(FCM)聚类结合的自动机故障诊断方法。首先,使用EEMD分解方法对自动机的振动信号进行分解,结合相关系数提取前5个固有模态函数(IMF)分量的能量百分比作为特征值,再用模糊C均值聚类对特征值进行聚类分析。通过对自动机不同工况分别用EEMD和EMD方法进行故障分类识别对比,结果表明:所有样本的诊断结果与实际情况基本符合,证明EEMD法有更好的分类效果,分类正确率达93.75%。从而验证该方法能有效应用在自动机故障诊断中。     

基于完备总体经验模态分解和模糊熵结合的液压泵退化特征提取方法

针对液压泵振动信号具有非线性、非平稳性,以及信噪比低等特点,提出了基于完备总体经验模态分解和模糊熵结合的液压泵性能退化特征提取方法。首先,使用完备总体经验模态分解方法对液压泵振动信号进行分解,得到若干个固有模态函数分量。其次,求取各个分量与原始信号的相关性,选取相关性较高的前几个分量作为有效分量并求其模糊熵,实现液压泵的退化特征提取,形成特征向量。最后,以液压泵不同退化状态下的实测数据为例,使用基于变量预测模型的模式识别方法对提取的特征向量进行验证。实验结果表明,该液压泵退化特征提取方法具有较高的精度,使退化状态识别的准确率提高到了100%。     

基于SST时频图纹理特征的供输弹系统故障诊断

对于供输弹系统早期故障中信号成分复杂,故障征兆难以识别的问题,提出了基于同步压缩变换(SST)时频图纹理特征的故障诊断方法。使用EEMD方法对供输弹系统振动信号进行预处理,对分解的分量进行相关系数运算,选取与原始信号相关系数大的前4层分量对信号进行重构,达到了一定的降噪效果;接着利用供输弹系统不同状态的信号通过同步压缩变换时频分析,得到反映不同运行状态的二维时频图像,并进行灰度化处理;利用灰度共生矩阵法与灰度梯度共生矩阵,对其进行纹理特征的提取,为与传统方法做对比,提取了信号经EEMD分解后,与原始信号相关系数大的前4层分量的能量百分比作为特征;使用基于核的模糊C均值聚类,对供输弹系统三种不同状态振动信号的图像纹理特征和能量百分比特征进行分类识别,并与模糊C均值聚类进行对比。实验结果表明,该方法能有效地对自动供输弹系统早期故障进行识别,且识别正确率达91.21%。     

基于VMD和SVDD的滚动轴承早期微弱故障检测和性能退化评估研究

针对滚动轴承早期微弱故障检测及故障状态监测问题,提出了一种基于变模态分解(VMD)分解和支持向量数据描述(SVDD)的滚动轴承性能退化评估模型。对振动信号进行VMD分解,选取对性能退化较为敏感的本征模态分量,提取其奇异值,并结合信号的时域特征指标,复杂度指标组成特征向量矩阵作为滚动轴承综合特征指标;并以正常状态下的综合特征指标作为训练样本完成SVDD评估模型的构建,利用滚动轴承全寿命试验数据进行评估模型的验证。实验结果表明,该评估模型可以准确检测到滚动轴承早期微弱故障阶段的发生,同时可以很好的揭示滚动轴承性能退化规律,其评估效果优于模糊C均值聚类(FCM)方法。     

基于AMD和自适应随机共振的旋转机械故障诊断方法研究

针对强噪声背景下信噪比较低的旋转机械故障诊断问题,提出一种基于解析模态分解(AMD)和随机共振的旋转机械故障诊断方法。若信号的频率成分已知,AMD方法能将多频率成分的信号分解为单频率信号。对于可预知故障特征频率的旋转机械故障诊断,首先利用AMD方法提取振动信号中故障特征频率所在频段的信号,并对每个提取出的信号添加强度较低的噪声;然后利用粒子群算法优化的双稳随机共振对含噪信号进行处理来加强信号;最后求该信号的频谱,若频谱中含有故障特征频率,则说明振动信号中存在该故障。通过对滚动轴承故障信号特征的提取证明了该方法有良好的效果。     

基于VMD散布熵与改进灰狼优化SVDD的轴承半监督故障诊断研究

为充分挖掘未标记样本所蕴含的有效信息,进而提升诊断精度,研究提出一种基于变分模态分解(VMD)散布熵与改进灰狼优化支持向量数据描述(SVDD)的轴承半监督故障诊断方法。采用中心频率观察法确定VMD分解模态参数K,进而将原始信号分解为一系列本征模态函数并计算各分量的散布熵值,构成测试样本和部分标记的训练样本;再由半监督模糊C均值(SSFCM)聚类对训练样本进行聚类分析,从而对所得聚类簇进行SVDD建模,同时采用k近邻准则进行决策优化,并由所提自适应变异灰狼算法优化SVDD模型参数;将基于最优参数训练的改进决策SVDD模型用于测试样本的故障模式识别。试验分析和对比结果表明,所提方法具有较好的诊断性能。     

多重分形近似熵与减法FCM聚类的研究及应用

提出了一种基于多重分形与近似熵相结合的信号特征量提取方法,应用于齿轮箱的故障信号诊断中。针对齿轮箱的故障信号的复杂性,先用减法聚类对提取到的信号特征量进行处理,得到初始聚类中心,然后再用模糊C均值聚类(FCM)作进一步处理,实现齿轮箱故障的自动诊断和识别。多重分形谱提取的特征量如谱宽,可以表示信号的波动程度,而近似熵可以表示信号的复杂程度。两者结合可以得到更加准确的齿轮箱故障信号模式。减法聚类可以有效解决FCM容易陷入局部最优的问题,还可以提高收敛速度。提取的特征参数作为聚类分析的数据,通过计算数据点与聚类中心的隶属度判定所属类型,实现齿轮箱故障类型聚类以及模式识别。通过风力发电机齿轮箱故障诊断实验,证明该方法的可行性和有效性。为齿轮箱故障诊断提供了一种新的有效途径。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于经验模式分解的滚动轴承故障诊断方法

针对水泵电机轴承故障振动信号噪声大和非平稳性的特点,提出了基于经验模态分解的诊断方法;通过对原始信号进行经验模态分解,得到包含故障特征的固有模态分量,从而可以提取出故障频率.该方法应用于外圈、内圈和滚动体故障诊断,取得了很好效果.     

基于液压泵复数信号的log-SAM故障诊断方法研究

针对基于液压泵单源振动信号易受噪声污染、无法有效表征故障特征信息的问题,提出了一种基于复数信号的log-SAM新方法。在液压泵端盖同一截面上,采集两个互相正交传感器上的振动信号;基于全矢思想,对上述双源信号融合为一个复数信号;利用log-SAM对复数信号进行包络分析,充分地突出故障特征信息,抑制噪声干扰;基于总体和最优诊断结果,实现故障诊断分析。通过分析实测液压泵滑靴磨损故障信号可知,所提方法具有很好诊断效果,且较传统全矢谱、基于单源信号分析方法和倒频谱预白化方法具有有效性和优越性。     

基于局部特征尺度分解谱熵和VPMCD的液压泵退化状态识别

针对液压泵故障信号的非平稳特性以及其退化状态难以识别的问题,结合局部特征尺度分解与信息熵理论,提出了局部特征尺度分解谱熵的退化特征提取方法,并将基于变量预测模型的模式识别(Variable Predictive Model based Class Discriminate,VPMCD)方法引入到液压泵的退化状态识别。对不同程度故障的液压泵振动信号进行局部特征尺度分解,从得到的内禀尺度分量中提取振动信号的复杂度和随机性度量指标能谱熵、奇异谱熵和包络谱熵,以其作为液压泵的退化特征向量,通过建立VPMCD退化状态识别模型实现液压泵的退化状态识别。仿真信号分析结果验证了所提出的局部特征尺度分解谱熵具有较好的表征液压泵故障退化状态的能力。通过对实测液压泵松靴和滑靴磨损两种故障模式下的退化状态振动信号进行分析验证了提出方法的有效性。     

基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断

滚动轴承常常在复杂工况下工作,当滚动轴承出现局部故障时,其振动信号中除了与故障信息相关的周期性瞬态冲击成分外,还包含轴转频等谐波成分和背景噪声。因此,在滚动轴承故障早期,对滚动轴承振动信号直接进行包络解调分析往往效果不佳。针对上述问题,提出了基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断方法。该方法首先以信号共振稀疏分解低共振分量的峭度最大为目标,利用遗传算法对信号共振稀疏分解方法的品质因子进行优化,得到最优品质因子;然后利用最优品质因子对轴承振动信号进行信号共振稀疏分解,得到高共振分量和低共振分量;最后对低共振分量进行希尔伯特解调分析,提取轴承故障特征频率,进而诊断滚动轴承故障。仿真信号和试验信号的分析结果表明,该方法能有效提取轴承故障振动信号中的冲击成分,诊断轴承故障。     

基于SVD优化LMD的电梯导靴振动信号故障特征提取EI北大核心CSCD

针对局部均值分解(Local Mean Decomposition,LMD)方法提取电梯导靴振动信号的故障特征分量时存在的模态混淆现象,本文提出了一种基于奇异值分解(Singular Value Decomposition,SVD)优化局部均值分解(Local Mean Decomposition,LMD)的电梯导靴振动信号故障特征提取方法。该方法以奇异值贡献率原则构造原始信号的Hankel矩阵,采用SVD对Hankel矩阵进行分解;将曲率谱原则与奇异值贡献率原则相结合对奇异值进行选择,将包含主要故障信息的奇异值进行逆重构,得到剔除噪声信号与光滑信号的突变信号;并利用LMD方法对突变信号进行故障特征提取,得到能够突出原始信号振动特征的故障特征分量。实例结果表明该方法有效改善了LMD的模态混淆现象,更准确地提取了振动信号的故障特征分量,为电梯导靴的故障诊断提供了一条有效的途径。     

改进EWT_MPE模型在矿山微震信号特征提取中的应用

针对矿山微震与爆破振动信号难以自动辨识的问题,提出了一种基于改进EWT_MPE(经验小波变换_多尺度排列熵)的信号特征提取方法,并应用于矿山微震信号特征提取中。针对EWT在以往处理复杂信号频谱出现的过切分问题提出了新的改进方法,并采用仿真信号验证了改进算法的可行性和准确性。将实际采集到的微震与爆破信号进行改进EWT分解,借助相关性分析从分解得到的本征模态函数(intrinsic mode function, IMF)分量中筛选出最优分量IMF_1～IMF_5。进而将筛选到的IMF分量进行重构,并计算重构信号的MPE值。应用GK模糊聚类算法对微震与爆破振动信号进行分类识别。结果表明,微震信号的MPE值要小于爆破信号的MPE值,且当嵌入维数m=5,尺度因子s=12,延迟时间τ=1时,两种信号的MPE值差异最大。基于改进EWT_MPE_GK模糊聚类算法的分类识别准确率达到93.5%,平均模糊熵(E)更接近0、分类系数(C)更接近1,与传统EWT_MPE_GK模糊聚类和EMD_MPE_GK模糊聚类相比,其聚类效果更优、识别准确率分别提高了3%和5.5%。     

基于SVD优化LMD的电梯导靴振动信号故障特征提取

针对局部均值分解(Local Mean Decomposition,LMD)方法提取电梯导靴振动信号的故障特征分量时存在的模态混淆现象,本文提出了一种基于奇异值分解(Singular Value Decomposition,SVD)优化局部均值分解(Local Mean Decomposition,LMD)的电梯导靴振动信号故障特征提取方法。该方法以奇异值贡献率原则构造原始信号的Hankel矩阵,采用SVD对Hankel矩阵进行分解;将曲率谱原则与奇异值贡献率原则相结合对奇异值进行选择,将包含主要故障信息的奇异值进行逆重构,得到剔除噪声信号与光滑信号的突变信号;并利用LMD方法对突变信号进行故障特征提取,得到能够突出原始信号振动特征的故障特征分量。实例结果表明该方法有效改善了LMD的模态混淆现象,更准确地提取了振动信号的故障特征分量,为电梯导靴的故障诊断提供了一条有效的途径。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于IMF特征提取的滚动轴承故障诊断

滚动轴承故障诊断的关键是敏感故障特征的提取。模糊熵(Fuzzy Entropy,FE)是一种检测时间序列复杂程度的方法,已广泛应用于故障诊断。由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析。在此基础上,提出了基于经验模态分解(Empirical Mode Decompose,EMD)和模糊熵的滚动轴承故障诊断方法。首先,采用EMD方法对振动信号进行分解,得到不同尺度的内禀模态函数(Intrinsic Mode Function,IMF)并计算包含主要故障信息的IMF分量的模糊熵;其次,对IMF分量的模糊熵值进行基于样本分位数的特征提取;最后,将分位数值作为特征向量,输入基于优化算法的支持向量机。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。     

基于自相关与能量算子增强的滚动轴承微弱故障特征提取

针对滚动轴承(rolling element bearings, REBs)早期故障振动信号冲击成分微弱,受噪声影响故障特征难以提取,提出了基于自相关和Teager能量算子增强的滚动轴承微弱故障特征提取法。利用自相关计算和经验模态分解(empirical mode decomposition, EMD),分别实现轴承振动信号整个频带随机噪声和低频噪声的抑制,突出故障冲击周期。同时,提出基于内禀模态函数(intrinsic mode function, IMF)能量比加权的互相关系数-峭度指标用于筛选最优IMF进行信号重构,强化重构信号中的故障信息。对重构信号作用Teager能量算子(Teager energy operator, TEO),得到故障冲击特征增强的瞬时能量序列,通过功率谱分析提取轴承故障特征频率。内圈故障仿真信号和滚动体故障实测信号分析表明,该方法能够有效抑制轴承振动信号噪声,对早期故障的微弱特征有显著增强作用。     

基于VMD和样本熵的高压断路器故障特征提取及分类

提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和样本熵的高压断路器振动信号的特征向量提取方法,并采用支持向量机(Support Vector Machine,SVM)对故障类型进行识别。将断路器振动信号进行滤波处理,对信号进行变分模态分解,利用分解得到的固有模态函数分量(Intrinsic Mode Function,IMF)表征断路器各个振动事件,计算其样本熵作为特征向量,利用SVM对断路器不同运行状态进行分类识别。仿真信号表明,VMD对于处理瞬态非周期性的振动信号具有优越的分解特性。利用该方法在实验室条件下对四类故障状态进行特征提取和识别,对比结果表明应用该方法能有效提取高压断路器的故障特征并准确地识别出故障类型。