基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

小波包分析在滚动轴承故障诊断中的应用

结合小波包分析和能量谱分析方法 ,提出一种新的滚动轴承故障诊断方法。利用小波包对滚动轴承振动加速度信号进行分解 ,求出各频率段的能量 ,并以此作为滚动轴承发生故障的特征量对振动信号进行重构 ,比较正常信号和故障信号的差异 ,从而识别滚动轴承的故障。通过对于实测信号的分析证明该方法具有特征参量少、故障特征突出等优点 ,可有效地用于滚动轴承的故障诊断。     

基于瞬时能量熵和SVM的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特性和难以获得大量实际故障样本的情况,提出了一种基于经验模式（EMD）分解的新型故障特征撮方法,并与支持向量机（SVM）相结合实现滚动轴承的故障诊断.该方法首先将振动信号进行小波包降噪,再对去噪信号进行EMD分解,求解分解后各单元的瞬时能量变化,取瞬时能量变化的熵值组成特征向量,最后将其作为支持向量机的输入实现滚动轴承故障分类.经过实验验证,该方法能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障.     

基于相对小波能量的滚动轴承故障诊断

利用相对小波能量作为特征进行滚动轴承故障诊断.首先将滚动轴承振动信号进行离散小波分解,然后利用各频带的相对小波能量作为特征向量,使用支持向量机作为分类器对轴承故障进行分类.针对轴承内圈故障、滚动体故障、外圈故障3种故障及不同损伤程度的实测数据进行多种分类实验,实验结果表明利用相对小波能量作为滚动轴承故障诊断的特征非常有...     

基于小波包变换和SVM的三电平逆变器故障诊断

针对中性点箝位型(NPC)三电平逆变器开路故障诊断计算复杂、准确率低等问题,提出一种基于小波包变换和支持向量机(SVM)的故障诊断方法。采用小波包变换将具有各自时频特征的故障信号分解为若干个频段,并重构提取小波包能量作为故障特征向量;将该故障特征向量作为SVM的输入量,运用交叉验证径向基核函数,通过训练数据集得到多类SVM模型,将随机选取的测试集输入训练好的模型中。仿真试验结果表明,该方法可对IGBT开路故障进行诊断并具有更高的故障识别准确率。     

基于AOA优化SVM的轴承故障诊断方法研究

为有效提高滚动轴承故障诊断准确率，提出了基于自适应噪声集合经验模态分解(CEEMDAN)气泡熵(BE)和支持向量机(SVM)相结合的轴承故障诊断方法。首先经CEEMDAN分解得到一系列本征模态函数(IMF)分量，然后筛选重要IMF分量计算其气泡熵值，构建故障特征向量并输入到经算术优化算法(AOA)优化的SVM模型中进行训练和轴承故障分类。结果表明该方法识别准确率高达992%，相比GA SVM准确率提升了28%，也能成功识别出滚动轴承单一故障与复合故障，可以用于轴承故障分类。     

基于固有时间尺度分解的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和非平稳特性的情况,提出了一种基于固有时间尺度分解和样本熵的新型故障特征提取方法,并与Tikhonov支持向量机相结合实现滚动轴承的故障诊断。该研究充分利用了固有时间尺度分解具有提取故障特征明显、计算简单等优点。首先采用固有时间尺度分解方法将振动信号分解为一序列固有旋转分量和一个基线分量之和,并计算每个固有旋转分量的瞬时幅值和瞬时频率。然后,提取上述瞬时数据的样本熵作为特征向量。最后将其作为Tikhonov支持向量机的输入,实现滚动轴承故障精确分类。经过实验验证,本文方法获取的不同类型故障样本特征差别较大,与小波能谱熵、时间小波能谱熵相比能够更精确和快速的识别轴承故障。     

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题，合理的特征选择可提高故障诊断率，提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先，通过变分模态分解(VMD)进行信号降噪预处理，计算多尺度排列熵进行信号特征重构；其次，引入惯性动态权重对鲸鱼算法进行改进，通过训练SVM参数，建立IWOA-SVM故障诊断模型；最后用美国凯斯西储大学轴承数据集进行仿真。结果表明，相较于多尺度熵，MPE可表征的故障特征信息更加丰富，故障识别率提高了2.1%;与同类优化算法相比，采用IWOA对SVM进行优化的故障诊断模型，收敛速度快、训练时间短、故障识别精度高，可对滚动轴承进行有效诊断。     

基于改进小波阈值和Teager能量算子的轴承故障诊断

针对背景噪声下滚动轴承故障特征难以提取的问题以及传统小波阈值降噪算法中阈值难以确定的不足,文章提出了改进的小波阈值算法对滚动轴承的故障信号进行降噪预处理。同时,为了能有效地提取出滚动轴承的故障特征,引入了在检测信号冲击特征具有独特优势的Teager能量算子增强故障特征。仿真信号和实测信号处理结果表明,改进后的小波阈值算法能很好滤除故障信号中的噪声,且Teager能量算子能明显增强故障特征。该算法充分结合了两者的优点,有很好的工程应用前景。     

基于数据融合的滚动轴承故障诊断研究

信息融合方法应用到滚动轴承故障诊断之中,能有效地利用传感器资源最大限度地获取旋转机械中有关被测对象的状态信息.以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别,经过一定的信息融合分析处理,能够较为准确地识别设备的故障.     

基于小波包降噪和Hilbert谱奇异值的滚动轴承故障诊断

Hilbert谱奇异值是对振动信号进行Hilbert-Huang变换得到Hilbert谱时频矩阵后,再利用奇异值分解的方法提取矩阵的特征得到的,但对噪声比较敏感。为了消除随机噪声和局部强干扰对特征提取的影响,先利用小波包降嗓,得到振动信号的谱奇异值作为故障特征,并选用SVM来诊断故障类型。试验结果表明,该方法能有效地应用于滚动轴承故障的识别。     

基于SVD-SVM的HVDC换流器故障诊断

换流器结构复杂,其故障信号难以诊断。文中基于奇异值分解(SVD)和支持向量机(SVM)提出了一种换流器故障诊断的新方法,对选取的故障信号矩阵进行SVD分解,所得奇异值的大小反映故障信息量的大小,选取最大奇异值对应的特征矩阵作为样本,用SVM进行训练分类。当换流器发生故障时,对故障信号矩阵进行SVD分解,用训练所得的SVM诊断器进行故障诊断。仿真表明,SVD分解可以有效提取换流器故障特征,通过SVM可以准确诊断换流器各种故障,文中方法快速准确。     

基于EEMD能量熵和GJO-KELM的滚动轴承故障诊断

滚动轴承在旋转机械中发挥着重要作用,若出现故障,轻则引起设备停机,重则危及现场人员生命安全,因此有必要对其进行故障诊断。针对滚动轴承故障特征难以提取,传统分类方法正确率不高的问题,本文提出一种基于集合经验模态分解（EEMD）能量熵和金豺优化算法（GJO）优化核极限学习机（KELM）的故障诊断方法,实现了提取滚动轴承故障特征并正确分类的目标。通过实验数据进行验证,该方法能够提取到滚动轴承原始信号中隐含的故障信息特征,其诊断正确率高达98.47%。     

基于小波包混合特征和支持向量机的机床主轴轴承故障诊断研究

主轴轴承作为机床关键零部件,针对轴承故障信息比较复杂难以获取,并且故障数据样本少问题,提出了基于小波包混合特征和支持向量机(SVM)的数控机床轴承故障诊断方法.首先对轴承振动信号进行小波包分解和重构,提取信号的混合特征构建联合特征空间;然后使用t-分布式随机邻域嵌入法对样本数据进行降维,观测混合特征样本集的数据分布;最...     

基于智能理论的高压断路器机械故障诊断

文中对高压断路器机械故障诊断方法进行了研究,通过监测高压断路器合闸操作振动信号,提出了一种基于小波分解和支持向量机(SVM)的机械故障智能诊断方法。首先利用小波分解对振动信号进行分解,然后提取出振动信号的低频和高频重构信号的能量并将其作为特征量,最后利用SVM实现高压断路器机械故障的分类。为了验证提出的方法,搭建了高压断路器机械故障诊断软硬件平台,并对现场的高压断路器进行了实验研究。实验结果表明,该方法能有效地完成高压断路器机械故障的诊断。     

小波包特征熵提取水轮机尾水管动态特性信息

将小波包多分辨与信息熵相结合,提出了一种故障检测与诊断的方法——小波包特征熵-故障法。首先对采集到的振动信号进行3层小波包分解,在通频范围内得到分布在不同频段内的分解序列,进而建立信号的小波包特征熵向量,选取最能反映故障特征的参数作为特征参数,进行故障诊断识别。以水轮机尾水管压力脉动信号为例,运用此法进行了尾水管动态特性信息提取。试验表明小波包特征熵法是提取故障信息并进行故障识别的一种行之有效的方法,为流体机械的故障诊断开拓了新的思路。     

因子分析和ELM在模拟电路故障诊断的应用

针对非线性模拟电路故障诊断中参数型故障元件定位的难题,提出采用因子分析优化的小波包能量谱和极限学习机的模拟电路故障诊断的方法。该方法首先对采集到的模拟故障数据进行小波包分解并提取不同频带的能量谱,然后利用因子分析对能量谱进行降维以提取故障特征,最后将提取的故障特征输入极限学习机进行故障诊断。仿真结果表明,该方法具有良好的区分能力,提高了故障诊断的效果。     

基于小波包和AFSA-SVM的电机故障诊断

针对电机滚动轴承故障诊断准确率问题,提出基于小波包分析结合人工鱼(AFSA)优化支持向量机(SVM)的电机故障诊断方法.利用小波包多分辨率分析法对电机的震动信号进行多层分解及重构,得到不同频段的信号时频图;然后采用AFSA算法对支持向量机中的参数惩罚参数(C)和核参数(σ)进行寻优选择,并最终建立AFSA-SVM故障诊...     

小波包分析在汽轮机转子振动故障诊断中的应用

针对汽轮发电机组振动的频谱特点,提出了基于小波包变换的汽轮机转子振动故障诊断方法,它较一般的小波变换更能反映振动信号所包含的频谱成分及能量。根据Bently实验台所采集的4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行能量分析并提取故障特征。实验分析表明,基于小波包分析与信号能量分解的故障特征提取方法,可以获得汽轮机转子振动的故障状况;根据不同故障发生时的频谱特征,识别出不同的故障,从而进行汽轮机转子振动故障诊断。该方法比基于Fourier变换的故障特征提取方法更有效,适合于机械故障诊断。     

基于CEEMD和奇异值差分谱的滚动轴承故障特征提取

针对滚动轴承故障信号非线性、非平稳特征导致的故障频率难以提取的问题,提出一种基于补充总体平均经验模态分解(Complementary EEMD,CEEMD)和奇异值差分谱结合的滚动轴承故障诊断方法。CEEMD分解向原信号成对地添加符号相反的白噪声,几乎消除残留白噪声的影响。首先,对故障信号利用CEEMD算法进行分解,得到若干IMF(Intrinsic Mode Function)分量,然后运用相关系数—峭度准则对IMF分量进行筛选并重构,再对重构信号进行奇异值分解,并求出奇异值差分谱,根据奇异值差分谱理论进行消噪和重构,最后对重构信号进行Hilbert包络谱分析,提取故障频率。实验结果表明,提出的方法,能精确地提取滚动轴承的故障频率。