基于QPSO-SVM的轴承故障诊断方法

轴承作为旋转机械中应用广泛的一类支撑部件,其故障将严重影响设备的安全运行,为了实现对轴承故障的有效诊断,提出一种量子粒子群优化(Quantum particle swarm optimization,PSO)支持向量机(Support vector machine,SVM)的故障诊断模型,首先采用经验模式分解(Empirical mode decomposition,EMD)方法将故障信号分解为多个固有模态分量(Intrinsic mode function,IMF)之和,其次,提取表征轴承故障特征的IMF分量能量构造特征向量,最后采用QPSO优化的SVM模型对故障模式进行识别。实验结果表明,所提出的轴承故障诊断方法具有自适应提取轴承故障特征和高精度的自适应诊断能力。     

基于改进Hilbert-Huang变换的机械故障诊断

Hilbert-Huang变换(Hilbert-Huangtransform,HHT)通过经验模式分解(Empirical mode decomposition,EMD)和Hilbert变换能够自适应地将复杂的非线性、非平稳信号刻画成Hilbert-Huang谱,突显信号的局部特征,具有良好的时频聚集能力,因此被广泛用于机械信号处理与故障诊断.然而,EMD存在的模式混淆问题使其难以获得准确的本征模式分量(Intrinsic mode function,IMF).此外,通常只有部分IMF包含故障敏感信息、表征故障特征.因此基于EMID和所有IMF的Hilbert-Huang谱的故障诊断精度有待提高.为此提出一种基于总体平均经验模式分解(Ensemble empirical mode decomposition,EEMD)和敏感IMF的改进HHT.该方法利用EEMD获取无模式混淆的IMF,通过敏感度评估算法从EEMD所有的IMF中选择反应故障特征的敏感IMF,从而得到改进的Hilbert-Huang谱以更准确地诊断机械故障.通过仿真试验以及转子早期碰摩故障诊断的工程实例验证了改进HHT的有效性.     

基于EMD降噪和谱峭度的轴承故障诊断方法

能否减小噪声干扰,提高信噪比,有效地提取故障信息是进行滚动轴承早期故障诊断的前提和关键。提出一种基于经验模态分解(empirical mode decomposition,EMD)和谱峭度(spectral kurtosis,SK)的滚动轴承故障诊断方法。首先对所提取的故障信号运用EMD分解,得到多个基本模式分量(intrinsic mode function,IMF),然后根据互相关系数去除伪分量,选取合适的IMF分量进行信号重构以达到降噪目的,突出高频共振成分,再应用谱峭度法确定带通滤波器的参数,最后对重构信号进行包络分析完成故障诊断。     

基于经验模式分解和最小二乘支持矢量机的滚动轴承故障诊断

为了有效提取设备状态信息,提出一种Renyi熵复杂性测度下的经验模式分解(Empirical mode decomposition,EMD)和最小二乘支持矢量机(Least square support vector machine,LS-SVM)的故障诊断方法.该方法先对振动信号进行EMD分解,得到多个基本模式分量(Intrinsic mode function,IMF)后,求出表征故障信息的若干个IMF的Renyi熵,再将其作为特征矢量输入LS-SVM进行故障分类.一个滚动轴承故障诊断实例说明该种方法的有效性.     

基于改进EMD和谱峭度法滚动轴承故障特征提取

针对滚动轴承故障信号的强背景噪声特点,提出一种基于改进经验模态分解(empirical mode decomposition,简称EMD)与谱峭度法的滚动轴承故障特征提取方法.首先,利用EMD方法对原故障信号进行分解,得到若干平稳固有模态分量(intrinsic mode function,简称IMF);然后,采用灰色关联度与互信息相结合方法剔除传统EMD分解结果中存在的虚假分量;最后,运用谱峭度法和包络解调方法对真实IMF分量进行分析,提取故障特征频率.通过对实际滚动轴承故障信号的应用表明,该方法可有效地提取滚动轴承故障特征,且能够取得比传统包络解调分析更好的效果.     

基于时变滤波经验模态分解的轴承故障诊断

针对经验模态分解(empirical mode decomposition,EMD)由于模态混叠现象难以有效提取轴承故障特征的问题,提出了一种基于时变滤波经验模态分解(time varying filtering based empiricalmode decomposition,TVF-EMD)的轴承故障诊断方法。首先利用TVF-EMD方法对轴承故障信号进行自适应分解,得到一组内禀模态函数(intrinsic mode functions,IMFs),然后根据峭度最大准则选取包含主要故障特征信息的IMF分量,最后对选取的敏感分量进行进一步的包络解调分析,提取出故障特征信息,从而进行故障诊断。轴承故障诊断实例证实了所提方法能准确提取轴承故障的特征信息,实现轴承故障的有效诊断;通过与总体经验模态分解(ensemble empirical modedecomposition,EEMD)方法的对比研究,表明了所提方法的优越性。     

基于经验模态分解算法的电机故障判断方法

为了提高电机故障诊断的效率,实现自动故障诊断,本文利用EMD算法对电机运行时的声音信号进行了特征提取。首先,对声音信号进行EMD分解,得到多阶IMF分量;然后计算出每阶IMF分量的特征值,从而提取出了电机故障声音信号的特征向量。从实验中可知,EMD可以根据信号自身的特点进行自适应分解,使得电机正常和故障时的特征具有明显的差异性,利于分类器进行分类诊断。     

噪声环境下滚动轴承故障特征提取

滚动轴承故障振动信号采集中往往含有大量的噪声信号。为了从含噪信号中提取故障特征,首先对采集的信号进行小波降噪,然后利用经验模态分解(empirical mode decomposition,EMD)得到若干个内禀模态函数(intrinsic mode function,IMF),并考虑分解的各模态函数的能量特征,将分解后的IMF分量与分解前信号的能量比作为判断标准,剔除附加低频成分,最后选取有效的IMF集进行包络谱分析,提取故障特征。通过仿真分析和以真实滚动轴承为研究对象的故障诊断实验,表明该方法有效地去除了混杂在故障信号中的噪声,有效地提取旋转机械中的故障特征信息。     

基于内禀模态符号熵的滚动轴承故障分析

经验模态分解(EMD)方法是一种自适应的局部化分析方法。首先采用EMD方法将滚动轴承振动信号分解为若干个内禀模态(IMF)分量,IMF分量是根据频率由高到低进行分解的。EMD分解得到的IMF分量突出了信号的局部特征,而轴承的故障特征通常在前几个IMF分量中集中体现出来。在此基础上将含有轴承故障特性的IMF分量转化为符号序列,再根据符号序列Shannon熵方法计算其熵值。由实测数据计算表明,内禀模态符号熵能够反映轴承不同的故障特征。     

基于EMMD分解的滚动轴承故障诊断

针对滚动轴承损伤性故障的故障诊断问题,提出基于极值域均值模式分解(extremum field mean modedecomposition,EMMD)的故障诊断方法,进行故障特征频率的提取。首先通过EMMD方法将原始信号分解成若干个本征模函数(intrinsic mode function,IMF),然后通过计算各个IMF与原始信号的相关系数,确定包含故障特征信息的主要成分,除去虚假分量。最后针对主要成分的本征模函数进行Hilbert包络解调提取故障特征,即轴承的损伤性故障特征。通过工程实例信号的分析结果以及与经验模式分解(empirical mode decomposition,EMD)方法的对比均表明,该方法能较快地提取轴承的故障特征。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

基于粒子群算法的汽车ABS控制器参数的优化设计

提出了基于粒子群算法的汽车ABS控制器参数的优化设计方法。该方法将ABS控制器的参数编码为粒子群中粒子的向量,通过粒子群在参数空间的寻优得到优化的控制参数。然后分别以未优化的参数和优化的参数作为控制参数进行了仿真试验,仿真结果证实了该算法的有效性。最后以优化的参数作为控制参数进行路试,取得了比较满意的制动效果。     

齿轮箱故障诊断的粒子群优化模糊聚类技术

用粒子群算法取代传统的梯度下降法,优化模糊C—均值算法的各个参数,并依据聚类有效性指标确定最优聚类数及聚类中心,有效地利用了粒子群算法全局寻优的优点,克服了模糊C—均值算法极易陷入局部最优的缺点,将经过PSO优化的模糊C-均值算法应用于齿轮箱故障诊断.试验结果表明,粒子群算法是有效的模糊聚类分析优化算法,提高了齿轮箱故障诊断的准确率.     

基于粒子群优化的核主元分析特征的提取技术

针对核主元分析在参数设置上的盲目性,提出应用粒子群优化算法优化核函数参数.并将核主元分析应用于特征提取中.首先建立核函数参数优化的数学模型,然后应用加速度自适应粒子群优化算法对其寻优,并通过Iris数据集进行仿真研究,验证其提取特征的有效性.将优化的核主元分析方法应用于齿轮箱典型故障的特征提取中,结果表明:参数优化的核主元分析能有效降低齿轮箱特征向量的维数,较线性主元分析取得更好的故障识别效果.该方法在机械故障信号的非线性特征提取中具有优势.     

基于CS-BBO优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于混沌的生物地理学优化算法(biogeography-based optimization with chaos,简称CS-BBO)和支持向量机(support vector machine,简称SVM)相结合的故障诊断方法。首先,将混沌理论引入到生物地理学优化算法(biogeography-based optimization,简称BBO)中,得到CS-BBO算法;其次,通过CS-BBO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性。结果表明:CS-BBO算法优化SVM的模型可以准确、高效地对汽轮机转子进行故障诊断;与BBO算法优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于PCA-PDBNs的故障检测与自学习辨识

如何提高工业过程故障识别的准确性及其算法训练的效率一直是故障检测与辨识研究领域的重点和热点。将深度学习方法引入该领域,结合粒子群优化(PSO)算法和深度信念网络(DBNs),提出了一种基于PSO的DBNs辨识方法(即PSODBNs,PDBNs),使用该方法对复杂函数的拟合进行了数值仿真。实验结果表明,相比于基本的DBNs模型,经PSO算法对网络参数优化后的DBNs模型获得了更好的函数逼近效果,具有更高的辨识精度。为验证该方法在实际工业过程故障检测中的可行性,结合主元分析(PCA),提出了一种PCA-PDBNs模型,并将此应用于田纳西-伊斯曼(TE)过程的故障检测中,结果表明,基于PCA-PDBNs方法降低了故障检测模型的复杂度,进一步提高了对未知故障类型的辨识精度,取得了较好效果。     

奇异值熵和支持向量机的齿轮故障诊断

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵和支持向量机的齿轮故障诊断方法.首先,通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模式分量,将得到的若干个本征模式分量自动形成初始特征向量矩阵;然后,对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并对其进行归一化,求得奇异值熵,根据奇异值熵值大小可以判断齿轮的故障类型;最后,将奇异值故障特征向量作为支持向量机的输入,判断齿轮的工作状态和故障类型.试验结果表明,即使在小样本情况下,基于EEMD奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

基于支持向量机的车用燃料电池系统故障诊断

为了提高车用燃料电池系统的安全可靠性和可维护性,考虑到其大量完整的故障样本难以获取,提出了一种基于二叉树多分类器的支持向量机故障诊断方法.首先,以自主研发的60 kW车用燃料电池系统为研究对象,分析了其故障机理和特征;然后,融合15种故障征兆参数并进行归一化预处理作为支持向量机的输入,以14种典型故障作为输出,选取径向基核函数并利用粒子群优化算法对支持向量机的惩罚参数和核函数参数进行优化,利用310组样本数据对其进行训练,通过90组测试样本测试实现了其典型故障的识别;最后,将支持向量机和神经网络分别在不同训练样本数下的故障诊断性能进行了对比.仿真结果表明,支持向量机具有较好的故障正判率和泛化能力,可有效用于车用燃料电池系统的多故障诊断.