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。     

基于变分模态分解和多尺度排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性、故障特征提取效果不理想以及故障诊断准确性低等问题,提出基于变分模态分解和多尺度排列熵的滚动轴承故障特征提取方法,并采用经粒子群算法优化的概率神经网络(PSO-PNN)故障诊断模型进行故障类型识别。通过变分模态分解方法将提取的振动信号分解成K个模态分量,进一步计算K个分量的多尺度排列熵,组成多尺度的特征向量,将特征向量输入到PSO-PNN故障诊断模型中识别故障类型。MATLAB仿真结果表明,该方法使故障类型识别准确率有所提高。     

基于EEMD排列熵的高速列车轮对轴承故障诊断方法

高速列车轮对轴承的可靠度对高速列车的安全运行具有重要意义,其故障特征主要体现在轴箱振动信号中。该文提出基于聚合经验模态分解排列熵的轮对轴承特征分析方法,提取高速列车轮对轴承振动信号的非线性特征参数,并用于故障状态的分类识别。首先,对高速列车轮对轴箱振动信号进行聚合经验模态分解,得到一系列窄带本征模态函数;然后,对原信号和主要本征模态函数分别计算,得到多组排列熵,形成多尺度的表征信息复杂性高维特征向量;最后,将高维特征向量输入最小二乘支持向量机分类识别出轮对轴承的故障状态。台架试验分析结果表明:该方法针对高速列车轮对轴承故障尤其是轴承复合故障具有较高的识别率,验证通过聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性。     

基于自适应多尺度散布熵的滚动轴承故障诊断方法

针对滚动轴承振动信号的非平稳、非线性特性,将一种新的衡量时间序列复杂性和不规则程度指标——散布熵(dispersion entropy,DE)引入到滚动轴承非线性故障特征提取,提出一种基于经验模态分解与DE相结合的自适应多尺度散布熵滚动轴承故障诊断方法。首先,采用经验模态分解对振动信号进行分解,得到若干不同尺度的本征模态函数;其次,计算每个本征模态函数的DE值;再次,将得到的DE值作为特征向量输入到基于支持向量机建立的多故障分类器进行训练和识别。最后,将提出的滚动轴承故障诊断方法应用于试验数据分析,结果表明,提出的方法能准确地识别滚动轴承故障类型。     

基于变分模态分解和SVM的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况,提出了基于变分模态分解(Variational mode decomposition,VMD)与支持向量机(Support vector machine,SVM)相结合的滚动轴承故障诊断方法。该方法融合了变分模态分解和支持向量机的优势,通过变分模态分解将滚动轴承振动信号分解成若干个本征模态函数分量,轴承发生不同故障时,不同本征模态函数内的频带能量会发生变化,从包含有主要故障信息的模态分量中提取能量特征作为SVM的输入,判断轴承的工作状态和故障类型。试验结果表明,该方法在少量样本情况下仍能有效地对轴承的工作状态和故障类型进行分类。     

基于经验模态分解和主成分分析的滚动轴承故障诊断研究

针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。     

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。     

VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用

针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识,为实现滚动轴承故障的智能诊断,提出基于VMD能量熵与核极限学习机(kernel extreme learning machine,K-ELM)的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解(variational mode decomposition,VMD),利用能量熵进一步提取各模态特征组成高维特征向量集;然后将构建的特征向量作为K-ELM算法的输入,通过训练建立K-ELM滚动轴承故障分类模型。实验结果表明:VMD能够很好地分解轴承振动信号,且K-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。     

基于VMD-PE-MCKD低速重载滚动轴承故障特征提取

针对低速重载滚动轴承故障特征频率低、难提取的问题,提出一种基于变分模态分解和最大相关峭度解卷积并且结合利用排列熵筛选分量的方法。首先对原始振动信号进行变分模态分解,得到若干个本征模态分量;其次,根据利用排列熵筛选分量的原则,将筛选出的分量利用最大相关峭度解卷积方法进行去噪;最后对处理后的分量进行包络谱分析,从而提取故障特征频率,实现故障诊断。通过分析低速轴承仿真信号以及工程实测所得低速重载轴承振动信号,验证了该方法的有效性。     

内禀模态特征能量法在滚动轴承故障模式识别中的应用

针对滚动轴承振动信号和状态信息非线性映射关系,提出一种基于内禀模态函数（IMF）特征能量的轴承特征向量提取方法,并与支持向量机（SVM)相结合实现轴承的故障识别。该方法对滚动轴承振动信号进行经验模态分解（EMD）得到若干能反映轴承故障信息的IMF分量,选取包含主要信息的IMF能量作为振动信号的特征向量,并将其输入到SVM分类器中实现轴承故障模式识别。对滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障进行仿真试验,结果表明,该方法能够有效、准确地识别轴承故障。     

基于参数优化VMD和增强多尺度排列熵的单向阀故障诊断

针对高压隔膜泵机械结构复杂,单向阀故障特征信息分布在多尺度上,单一尺度难以全面提取特征的问题,提出了一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和增强多尺度排列熵(Enhanced Multi-scale Permutation Entropy,EMPE)的单向阀故障诊断方法。对单向阀振动信号进行VMD分解,以包络熵最小原则对其进行参数优化,获得既定的若干本征模态函数(Intrinsic Mode Function,IMF)分量;计算IMF分量的增强多尺度排列熵,构建故障特征值向量;利用基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法对故障特征值向量进行训练和识别,进而实现单向阀的故障诊断。仿真信号和工程实验分析表明,该方法可以准确地识别单向阀的故障类型,具有一定的可靠性和工程应用价值。     

基于奇异值分解和变分模态分解的轴承故障特征提取

为了有效提取轴承故障,提出了基于变分模态分解和奇异值分解降噪的故障特征提取方法。通过对故障信号进行变分模态分解,获得其本征模态函数。基于峭度指标,选择包含故障信息的本征模态函数进行信号重构。利用奇异值分解降噪技术对重构信号进行处理,提高信噪比。最后对降噪信号进行包络解调提取故障特征频率。与常见的故障特征提取方法相比,该方法能有效辨别滚动轴承的典型故障,突出故障特征,提高滚动轴承的故障诊断效果。     

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。     

内禀模态特征能量法在滚动轴承故障模式识别中的应用

摘 要：针对滚动轴承振动信号和状态信息非线性映射关系,提出一种基于内禀模态函数（IMF）特征能量的轴承特征向量提取方法,并与支持向量机（SVM)相结合实现轴承的故障识别。该方法对滚动轴承振动信号进行经验模态分解（EMD）得到若干能反映轴承故障信息的IMF分量,选取包含主要信息的IMF能量作为振动信号的特征向量,并将其输入到SVM分类器中实现轴承故障模式识别。对滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障进行仿真试验,结果表明,该方法能够有效、准确的识别轴承故障。     

基于最大幅值变分模态分解和均方根熵的滚动轴承故障诊断

针对变分模态分解中模态个数的设定会对分解结果产生重要影响的问题,提出一种求取最优分解层数的方法,该方法以瞬时频率的幅值特性为依据,通过分析变分模态分解过程中,各分量最大幅值之间的关系来确定最佳分解参数;均方根熵可以反映不同振动信号的能量值,以信号均方根熵为故障特征参量,通过优化支持向量机建立故障分类模型,实现故障模式分类。将基于最大幅值变分模态分解和均方根熵的故障诊断方法应用于滚动轴承实测信号中,实验结果表明基于最大幅值变分模态分解和均方根熵的方法能够有效识别滚动轴承运行状态,识别准确率高达98.75%。     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

基于VMD降噪和CNN的轴承故障诊断

针对轴承运行环境复杂且振动信号具有非稳定性，受噪声影响较大，难以提取有效故障特征并准确诊断问题，提出一种改进变分模态分解降噪和卷积神经网络的智能诊断方法。首先利用排列熵阈值法确定VMD分解层数，对分解出的本征模态分量按照峭度准则和互相关准则重构，然后将降噪后的信号作为特征向量输入到CNN模型中训练，利用训练后的模型实现未知故障的诊断。试验结果表明，提出的方法能快速的对轴承进行故障诊断，并具有较高的准确率。     

基于EMD近似熵和DAGSVM的机械故障诊断

故障特征提取的精确性和分类识别的高效率是提高故障诊断准确率和速度的关键.针对此问题,提出一种基于经验模式分解近似熵和决策导向循环图支持向量机的机械故障诊断新方法.首先,对故障振动信号进行经验模式分解, 得到若干个反映故障信息的本征模函数;其次,选取前4个本征模函数的近似熵值作为信号的特征向量;最后,将构造的特征向量输入到决策导向循环图支持向量机分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,与"一对一"支持向量机及传统的BP网络相比,具有训练样本少、训练速度快、识别精度高等优点.     

基于振动信号时频分解-样本熵的受电弓裂纹故障诊断

构建了基于时频分解-样本熵测度的受电弓振动信号故障特征提取模型。对振动信号进行聚合经验模态分解,接着对分解得到的本征模态函数计算参数优化后的样本熵特征。将获取的故障特征输入基于粒子群参数优化的支持向量机(PSO-SVM)进行受电弓故障识别分析。结果发现,基于受电弓顶管振动信号的EEMD样本熵故障诊断效果较好,而碳滑板振动信号诊断效果较差。针对这一特点,利用二代小波样本熵进行优化,进一步提高了碳滑板振动信号故障诊断结果,验证了现代时频分析算法与信息熵联合的诊断方法在受电弓振动信号特征提取与故障诊断的可行性与有效性。     

K-VMD融合包络熵与SVM滚动轴承故障识别方法研究

针对滚动轴承振动信号非平稳、非线性导致的故障特征难以提取和类别难以辨识问题,提出一种基于能量占比优化变分模态分解(Variational Mode Decomposition,VMD)并融合包络熵与支持向量机（Support Vector Machine,SVM）的滚动轴承故障辨识方法。首先,设定VMD预分解层数K的范围,对振动信号进行分解;其次,分别计算出在不同K值下对应的各模态能量和,根据各模态能量之和与原始信号的能量之间的比值,确定最佳分解层数;然后,依据峭度准则筛选出有效的模态分量,同时计算其对应的包络熵值并组成特征向量;最后,将所构建的特征向量输入SVM中进行轴承故障类别的辨识。通过对转子综合实验台所采集的滚动轴承信号进行分析,结果表明,该方法可以对滚动轴承故障进行准确的辨别,为提高故障辨识准确率提供了一种新途径。