基于敏感分量融合的液压泵退化特征提取方法

液压泵退化特征提取是实现故障预测的关键环节。在液压泵性能退化过程中,其振动信号复杂度高、非线性强,难以有效地提取退化特征,为此,本文提出一种基于敏感分量融合的退化特征提取方法。采用改进局部特征尺度分解(ILCD)方法对振动信号进行分解,并利用贝叶斯信息准则与所构建的敏感因子,对内禀尺度分量进行筛选,以减少干扰分量的影响,得到敏感分量,有效抓取特征信息;在此基础上,引入离散余弦变换代替传统复合谱分析中的傅里叶变换,提出离散余弦变换-复合谱(DCS)算法,以解决信息遗漏问题,并利用DCS对敏感分量进行融合,提取复合谱熵作为退化特征,以提高对退化过程的表征能力;最后,通过对液压泵性能退化试验实测振动信号的应用分析,验证了该方法的有效性。     

一种基于复合谱与关联熵融合的特征提取方法

液压泵特征提取是实现故障预测的关键环节。针对液压泵退化特征不理想的问题,提出一种基于改进复合谱与关联熵融合的特征提取方法。首先,对传统CS算法进行改进,对多通道振动信号进行融合,实现对特征信息的综合利用,并分别提取Shannon定义下和Tsallis定义下的DCS功率谱熵和DCS奇异熵作为特征;在此基础上,提出基于关联熵的融合方法,将所提取的特征融合为一个全新特征,作为液压泵退化特征,提高特征的简洁度;最后,利用液压泵性能退化试验所采集振动信号,验证了该方法的有效性。     

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。     

基于离散小波变换和变分自编码器的滚动轴承剩余使用寿命预测

针对噪声导致轴承振动信号有效退化信息难以提取的问题,采用离散小波变换对信号进行分解得到细节分量和近似分量,提取多种敏感特征输入变分自编码器进行融合降维来构建综合性能退化指标,从而有效抑制信号中的噪声分量,获得更有单调趋势性的退化指标;引入经过超参数优化的长短时记忆网络构建滚动轴承剩余寿命预测模型,采用分层抽样方法划分数据集并输入预测模型进行试验验证,结果表明：基于离散小波变换和变分自编码器所得深层退化特征能有效表征轴承的退化信息,获得更精准的轴承剩余使用寿命预测结果。     

基于MVMD-FRFT的滚动轴承早期故障特征提取研究

滚动轴承的振动信号具有非平稳、非线性的特点,造成其早期故障信号的特征提取困难,针对这一问题,对滚动轴承状态监测中常用的特征提取方法进行了研究,提出了一种基于多元变分模态分解(MVMD)和分数阶傅里叶变换(FRFT)的特征提取方法,并将其应用于滚动轴承的故障诊断中。利用MVMD算法将多传感器同时采集的多通道振动信号进行了同步分解,有效地提高了多通道数据融合处理能力,同时得到了若干个固有模态函数(IMF)分量;依据相关系数法从分解后得到的IMF分量中选取了包含故障信息最多的分量作为最优分量,利用FRFT对最优分量进行了滤波,降低了噪声对微弱故障信号的干扰;对滤波后的信号进行了1.5维包络谱解调,通过分析滤波后信号的包络谱,提取了滚动轴承的故障特征。研究结果表明:应用MVMD和FRFT相结合的方法能够有效地避免模态混叠现象,充分地利用故障特征信息,削弱低频信号与噪声的干扰,从而有效地提取出了滚动轴承的故障特征信息。     

基于LCD模糊熵和流行学习的故障特征提取方法

针对液压泵振动信号非线性、非平稳性以及故障特征难以提取的问题,提出了基于局部特征尺度分解(local characteristic-scale decomposition,LCD)、模糊熵和流行学习的液压泵故障特征提取方法。该方法将LCD、模糊熵和流行学习相结合。首先,利用LCD将振动信号分解成不同尺度下的内禀尺度分量(intrinsic scale component,ISC)并计算各分量的模糊熵,初步提取液压泵高维故障特征。其次,采用流行学习算法中较为典型的线性局部切空间排列(liner local tangent space alignment,LLTSA)对故障特征进行二次特征提取,得到维数低、敏感度高且聚类性好的低维特征。最后,采用支持向量机(support vector machine,SVM)对提取特征进行评估。液压泵的故障诊断实验表明,所提方法能够以较高的精度识别液压泵的各典型故障,具有一定的优势。     

全矢局部特征尺度分解及其在转子碰摩故障特征提取中的应用

为了更完整的提取转子碰摩故障特征,提出了一种新的转子碰摩故障特征提取方法——全矢局部特征尺度分解(Full vector local characteristic decomposition,FVLCD)。FVLCD将局部特征尺度分解(Local characteristic decomposition,LCD)和全矢谱(Full vector spectrum,FVS)相结合,通过LCD将互相垂直通道的振动信号分解成系列内禀模态分量并用Hilbert变换对其进行解调得到包络信号;然后通过FVS融合包络信号得到相应的全矢谱,在此基础上进行机械故障诊断。转子松动-碰摩故障分析结果表明该方法有效融合两个通道的振动信号信息,获取的故障特征更全面、准确。     

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。     

基于离散余弦变换的IMF特征频率提取

针对经验模态分解(EMD)处理后,固有模态函数(IMF)分量通常会受到其他频率的干扰,导致物理意义不明确,提出应用离散余弦变换提取IMF中轴承故障特征信息的方法。该方法利用离散余弦变换对能量的集中性质,通过对离散余弦变换系数进行硬阈值处理重构信号,能够在时域有效凸显IMF的主要规律,在频域准确提取IMF的故障频率。     

基于数学形态谱熵的机械部件性能退化特征提取

提出了基于数学形态谱熵的性能退化特征提取方法。首先对机械状态振动信号进行多尺度形态分解,建立数学形态谱,在此基础上,结合信息熵理论,度量振动信号在不同尺度域划分下的形态复杂性。实验结果表明,以数学形态谱熵作为特征参数,可以有效地描述轴承、齿轮等旋转机械部件的性能退化趋势。     

The morphological undecimated wavelet decomposition – Discrete cosine transform composite spectrum fusion algorithm and its application on hydraulic pumps

Degradation feature extraction of hydraulic pumps is a key step of the condition-based maintenance. In this paper, a novel method based on MUWD-DCS fusion algorithm is proposed. In order to decrease noises and disturbances, the method for obtaining detail components by the Morphological Undecimated Wavelet Decomposition (MUWD) with the selected parameters is presented firstly. Multi-channel vibration signals are proposed by the MUWD and the detail components containing sensitive information are achieved. Furthermore, on the basement of the earlier Composite Spectrum (CS), the DCS fusion algorithm is proposed to make fusion of the obtained detail components for improving the feature performance. The DCS entropy is extracted to be the degradation feature. Analysis of application on the hydraulic pump degradation experiment demonstrates that the proposed algorithm is feasible and it is effective to reveal the performance degradation of the hydraulic pump.     

基于VMD-HHT边际谱的水工结构损伤诊断

为了准确识别水工结构的损伤,提出一种变分模态分解(variational mode decomposition,简称VMD)和Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)边际谱相结合的水工结构损伤诊断方法。首先,采用联合的小波阈值和经验模态分解(empirical mode decomposition,简称EMD)降噪方法对原始信号进行降噪,减小环境噪声对结构损伤特征信息的干扰;其次,运用方差贡献率数据融合算法对降噪后各测点信号进行动态融合,提取结构完整的振动特性信息;然后,采用VMD方法将动态融合信号分解为一系列固态模量(intrinsic mode function,简称IMF),对各IMF分量进行Hilbert变换,求出融合信号的边际谱;最后,在VMD边际谱的基础上提取一种新的损伤特征向量-损伤灵敏指数,将其与马氏距离相结合对水工结构的损伤类型进行分类,并将该方法应用于悬臂梁模型试验。结果表明:该方法能够有效提取水工结构的损伤特性,准确识别水工结构的损伤和运行状态,为水工结构的安全运行提供了基础。     

基于SIE和SVR的液压泵故障定量诊断

为更好地实现液压泵故障定量诊断,对故障定量诊断中的退化特征提取和故障程度诊断方法进行研究。针对排列熵算法的不足,提出空间信息熵(spatial information entropy,简称SIE)的概念,分析了空间信息熵3个参数(时间序列的分区数s、相空间重构的嵌入维数m和延迟时间τ)变化对其性能带来的影响,为其选取提供了依据。仿真分析结果也验证了其作为液压泵退化特征的有效性和优越性。基于空间信息熵算法提取液压泵故障退化特征集,针对退化特征与故障程度之间存在的非线性关系,提出采用果蝇优化算法优化参数的支持向量回归机实现液压泵的故障定量诊断。对实测液压泵振动信号分析结果表明,空间信息熵在表征液压泵故障程度方面具有更好的性能。将果蝇算法优化参数的支持向量回归机用于液压泵的故障定量诊断得到了理想的定量诊断效果,并通过对比分析验证了提出的支持向量回归机模型的有效性和优越性。     

基于改进灰色神经网络的液压泵寿命预测

改进了GM(1,1)模型,提高了其精度和适应范围;将改进的GM(1,1)模型与神经网络预测模型相结合来构建灰色神经网络组合预测模型;提出了基于支持向量机的液压泵寿命特征启发式搜索策略,以液压泵寿命特征参数特征集的交叉验证错误率为评价指标,从液压泵的特征参数（振动、压力、流量、温度、油液信息等）中选取寿命特征因子;运用小波阈值降噪法进行降噪处理,提取典型的小波包能量特征作为模型的输入。以齿轮泵为例,将改进的灰色神经网络预测模型与原始GM(1,1)模型和改进GM(1,1)模型比较可知,灰色神经网络预测模型预测精度最高,达到98.42%。     

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。     

正弦加载液压泵故障振动信号的阶比多尺度形态滤波方法研究

 液压泵在变载荷作用下会引起转速波动且发生幅值调制现象,振动信号呈现出明显的非平稳性,传统的滤波方法难于进行有效滤波。针对正弦加载液压泵故障振动信号提出一种阶比多尺度形态滤波方法,利用基于EEMD理论的时频阶比分析方法将正弦加载液压泵故障振动非平稳信号转化成角域平稳信号,再用多尺度形态滤波方法对角域平稳信号进行多尺度寻优和解调处理获得多尺度解调信号,并进行阶次谱分析得到振动信号的特征阶次。通过实验证实,该方法能对正弦加载液压泵故障振动信号进行有效滤波,且能提取出更多的有用故障信息。     

Fault degradation assessment of water hydraulic motor by impulse vibration signal with Wavelet Packet Analysis and Kolmogorov–Smirnov Test

The machinery fault diagnosis is important for improving reliability and performance of systems. Many methods such as Time Synchronous Average (TSA), Fast Fourier Transform (FFT)-based spectrum analysis and short-time Fourier transform (STFT) have been applied in fault diagnosis and condition monitoring of mechanical system. The above methods analyze the signal in frequency domain with low resolution, which is not suitable for non-stationary vibration signal. The Kolmogorov–Smirnov (KS) test is a simple and precise technique in vibration signal analysis for machinery fault diagnosis. It has limited use and advantage to analyze the vibration signal with higher noise directly.In this paper, a new method for the fault degradation assessment of the water hydraulic motor is proposed based on Wavelet Packet Analysis (WPA) and KS test to analyze the impulsive energy of the vibration signal, which is used to detect the piston condition of water hydraulic motor. WPA is used to analyze the impulsive vibration signal from the casing of the water hydraulic motor to obtain the impulsive energy. The impulsive energy of the vibration signal can be obtained by the multi-decomposition based on Wavelet Packet Transform (WPT) and used as feature values to assess the fault degradation of the pistons. The kurtosis of the impulsive energy in the reconstructed signal from the Wavelet Packet coefficients is used to extract the feature values of the impulse energy by calculating the coefficients of the WPT multi-decomposition. The KS test is used to compare the kurtosis of the impulse energy of the vibration signal statistically under the different piston conditions. The results show the applicability and effectiveness of the proposed method to assess the fault degradation of the pistons in the water hydraulic motor.     

关联维数分析方法在液压泵多故障诊断中的应用研究

针对液压泵故障信号非线性和非平稳性特征,提出了利用相空间重构技术和分形理论相结合的特征关联维数提取方法。该方法将液压泵不同故障模式下获取的一维振动信号重构到高维相空间,进行信息深层挖掘;通过对相空间特征信号关联维数变化规律的分析,找出对故障反映敏感的关联维数,由此进行故障识别。通过实验验证,该方法提取的关联维数能有效反映液压泵的故障特征,为液压泵多故障诊断方法的研究提供可靠的特征信息,具有良好的应用前景。     

Weak feature enhancement in machinery fault diagnosis using empirical wavelet transform and an improved adaptive bistable stochastic resonance

Machinery vibration signal is a typical multi-component signal and fault features are often submerged by some interference components. To accurately extract fault features, a weak feature enhancement method based on empirical wavelet transform (EWT) and an improved adaptive bistable stochastic resonance (IABSR) is proposed. This method makes full use of the signal decomposition performance of EWT and the signal enhancement of the IABSR to achieve the purpose of fault feature enhancement in low frequency band of FFT spectrum. Firstly, EWT is used as the preprocessing program of bistable stochastic resonance (BSR) to decompose the machinery vibration signal into a set of sub-components. Then, the sensitive component that contains main fault information is further input into BSR system to enhance fault features with the assistance of residual noises. Finally, the fault features are identified from fast Fourier transform (FFT) spectrum of the BSR output. To achieve the optimal BSR output, the IABSR method based on salp swarm algorithm (SSA) is presented. Compared with the tradition adaptive BSR (ABSR), the IABSR optimizes not only the BSR system parameters but also the calculation step size. Two case studies on machinery fault diagnosis demonstrate the effectiveness and superiority of the proposed method. In addition, the proposed method is easy to implement and is robust to noise to some extent.