变负载下的特征提取与基于CHMM算法的齿轮故障诊断

为了对变负载工况下齿轮故障特征进行有效的提取,提出了基于ARX模型的特征提取方法,并用利用连续隐Markov模型（CHMM）对齿轮的故障进行了识别。实例分析中,对正弦性变化负载的齿轮箱进行了全寿命实验,采用基于ARX模型的方法提取特征,输入到CHMM对故障进行了准确的识别,验证了该方法的有效性。     

改进的精细复合多尺度反向加权排列熵在齿轮箱故障诊断中的应用北大核心

针对多尺度加权排列熵(MWPE)的粗粒化处理易造成信息丢失,无法全面提取齿轮箱故障信息的缺陷,提出了基于改进的精细复合多尺度反向加权排列熵(IRCMRWPE)和支持向量机(SVM)的齿轮箱故障诊断方法。引入精细复合多尺度反向加权排列熵,将其粗粒化处理中的平均值替换为最小值来表征数据段信息,以缓解传统粗粒化处理的不足并强化故障特征的质量;将IRCMRWPE作为表征齿轮箱故障状态的特征向量,使用SVM分类器对故障特征进行识别。基于齿轮箱实验数据对所提方法进行了评估,结果表明该方法可准确地识别齿轮箱的不同故障型,相比于基于MRWPE、MRPE和MWPE的方法,能够更有效的提取齿轮箱的故障特征,增强故障识别的可靠性。     

基于EMD-MPE与HMM的滚动轴承故障诊断

针对故障轴承的特征难以提取以及状态识别困难的问题,提出了基于经验模态分解(EMD)-多尺度排列熵(MPE)与隐马尔科夫模型(HMM)的滚动轴承故障识别方法。首先,运用EMD滤波降噪原理对滚动轴承振动信号进行降噪,而后将已降噪的信号进行多尺度排列熵分析并提取不同尺度下排列熵的较大值作为信号特征。最后,将特征信号向量输入已训练好的HMM模型进行故障类型判别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于EMD-MPE与HMM的滚动轴承故障诊断方法对滚动轴承的故障状态能够进行有效地识别。     

ELMD与排列熵在滚动轴承故障诊断中的应用

针对轴承故障信号往往被强背景噪声淹没,采用传统包络解调方法难以提取故障特征的问题,提出总体局部均值分解(ensemble local mean decomposition,ELMD)与排列熵(permutation entropy,PE)相结合的轴承故障诊断方法。首先,对轴承振动信号进行ELMD分解并得到一系列窄带乘积函数(product function,PF),然后,计算各PF分量排列熵以构造高维特征向量,最后将高维特征向量作为多故障分类器的输入来识别轴承故障类型。实验结果表明ELMD方法可以有效地抑制模态混叠;PF分量的排列熵分布可以反应轴承不同工作状态下的信号特征;基于ELMD与排列熵的智能诊断方法可以准确地识别轴承的工作状态和故障类型。     

基于SSD和MPE的滚动轴承故障诊断方法

为了解决滚动轴承故障特征难以提取的问题,提出了一种奇异谱分解(SSD)和多尺度排列熵(MPE)的故障特征提取方法,结合K近邻(KNN)算法识别滚动轴承故障类型。首先对滚动轴承振动信号用SSD进行分解,得到3个奇异谱分量(SSC),根据峭度最大原则选择主分析分量;然后用MPE计算主分析分量的熵值,实现滚动轴承的故障特征进行提取;最后将熵值作为特征向量输入KNN分类器中,完成滚动轴承的状态识别。将该方法应用于实验数据分析,并与VMD和MPE相结合的故障诊断方法做比较,结果证明,该方法能够有效地提取故障特征,实现故障诊断。     

基于IWT_SE与GA_SVM的齿轮磨损检测

为了实现齿轮运行过程中的磨损程度准确识别,提出了基于改进小波阈值样本熵(IWT_SE)与遗传算法优化支持向量机(GA_SVM)的齿轮磨损程度检测方法。首先,对齿轮振动信号进行改进小波阈值降噪;其次,计算降噪后信号的样本熵,组成特征向量;最后,将特征向量输入基于GA_SVM建立的分类器进行故障识别分类。通过齿轮实验数据分析了算法中的参数选取问题;将该方法用于齿轮实验数据,并与传统小波阈值函数样本熵分别与BPNN,PNN,SVM,PSO_SVM相结合的方法进行对比分析,结果表明,IWT_SE与GA-SVM相结合时识别准确率最高,达95%,证明文中所提方法对齿轮磨损程度识别具有一定实际应用价值。     

轴承故障的排列熵特征提取与GK模糊识别方法

为了提高轴承故障诊断准确率,提出了参数优化多尺度排列熵的特征参数提取方法和加权GK模糊聚类的识别方法。在特征提取方面,以多尺度排列熵序列偏度最小为优化目标,使用多作用力微粒群算法优化多尺度排列熵参数,实现了排列熵特征参数在轴承不同故障状态下的完全分离;在故障识别方面,提出了加权GK模糊聚类的识别方法,使用ReliefF算法计算特征参数权重,为高敏感度特征参数赋予更大的权值,从而提高GK模糊聚类的聚集度。经轴承故障实验验证,文章提出的排列熵特征参数提取和GK模糊聚类识别方法在此次实验中能够精准识别轴承故障类型,说明文中提出的特征提取和模式识别方法具有一定借鉴意义。     

基于VMD能量熵和HMM的行星齿轮箱故障识别方法

针对行星齿轮箱振动信号成分复杂、非平稳、非线性的特点,提出一种基于变分模态分解(VMD)能量熵和隐马尔科夫模型(HMM)的故障识别方法。利用VMD算法对不同故障类型的齿轮振动信号进行分解,提取经信号分解得到的各阶本征模态函数(IMF)的能量熵。基于不同故障类型的各IMF分量能量熵在分布上的各异性,将其集合作为故障识别的特征向量。利用不同故障类型的特征向量组成的训练集训练HMM,计算最大对数似然概率值,用于判断测试样本的故障类型。利用该方法对一定转速下行星轮的3种故障进行识别,结果表明：当载荷不同时,它对行星轮齿根裂纹、断齿和齿面磨损3种故障的平均识别率可达到95.83%     

基于峭度准则VMD样本熵与PNN的齿轮故障诊断

为实现齿轮故障模式的有效识别,提出了基于峭度准则变分模态分解(VMD)的样本熵与概率神经网络(PNN)的齿轮故障诊断方法。首先,利用VMD将齿轮振动信号进行分解;然后,提取峭度最大及次大分量的样本熵并组成特征向量;最后,将特征向量分别输入BPNN和PNN实现故障模式识别。通过齿轮故障试验对该方法进行验证,结果表明,基于峭度准则VMD样本熵与PNN相结合时的故障诊断准确率达96.25%,高于与BPNN结合时的准确率;将所提方法与基于峭度准则EEMD,LMD,EMD样本熵分别与神经网络结合时的诊断准确率进行对比,则明显高于其他三种方法,证明了所提方法的可行性和有效性。     

基于PSO优化SVM数控机床主轴系统故障诊断的研究

通过分析主轴系统的故障特征和产生机理,提出了一种基于变分模态分解(VMD)与多尺度加权排列熵(MWPE)的故障特征提取方法和粒子群(PSO)优化支持向量机(SVM)的数控机床主轴系统故障分析诊断模型。首先,利用变分模态分解方法对所采集的主轴系统振动信号进行分解,得到若干有效本征模态分量(IMFs);其次,通过多尺度加权排列熵提取故障特征信息,利用SVM模型对故障特征信息进行分类与识别;为了提高模型的识别准确率,将引入粒子群优化算法(PSO)对SVM模型参数进行优化。实验验证表明,所提出的信号特征提取方法和状态识别模型在数控机床主轴系统的故障诊断方面取得了很好的成效,其故障识别准确率最高达99.56%。     

VMD复合熵值法在齿轮故障诊断中的应用

针对齿轮实际工况复杂、故障特征难以提取的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)复合熵值法的故障诊断方法.首先,采用VMD方法对不同工况下齿轮振动信号进行分解,并对分解过程中关键参数的选择进行了研究;其次,根据频域互相关系数准则筛选出可有效表征齿轮状态特征的...     

基于MIGA-VMD和t-SNE的轴承故障诊断方法

针对从汽轮机轴承的非线性、非平稳振动信号中提取故障特征困难而导致诊断识别率低的问题,提出一种基于MIGA-VMD和排列熵、t-SNE的特征提取方法.变分模态分解(VMD)在轴承故障诊断中的分解效果很大程度上取决于分解个数和惩罚参数的选取.为实现VMD相关参数的最优选择,采用多岛遗传算法(MIGA)对VMD参数进行优化....     

基于双谱特征的行星齿轮箱故障诊断方法

为了研究行星齿轮箱齿面磨损全生命周期实验的退化过程,使用了可以抑制高斯噪声和对信号中产生的频率耦合进行解耦的双谱方法去进行故障特征提取,提出了两个基于双谱的特征指标,双谱熵以及非高斯强度,并通过特征指标评价方法去检验其指标性能。结果表明基于双谱熵具有良好的指标性能,而且对于行星齿轮箱齿面磨损的早期微弱故障十分敏感,适用于行星齿轮箱齿面磨损的故障诊断。     

基于CEEMDAN样本熵与PNN的行星齿轮故障诊断

为对行星齿轮进行故障诊断,采用自适应噪声完备总体经验模态分解（CEEMDAN）方法对采集的信号进行分解。对分解得到的各IMF分量进行相关系数计算,优选出与原始信号相关性较大的前4阶分量进行样本熵计算,得到特征值,构成特征向量。将特征向量输入到概率神经网络系统中进行诊断,且与基于局域均值分解的样本熵特征提取方法的诊断结果进行对比。结果表明：利用CEEMDAN样本熵提取的特征值能更精准地反映系统的故障特性,故障诊断的正确率高。     

基于多通道循环平稳特征融合的智能诊断方法

同一监测点的多源通道信号可以为精准故障诊断提供更全面的特征信息，然而多源特征的有效融合仍然具有挑战性。为解决此问题，耦合隐马尔科夫(CHMM)被用来有效融合双通道信息的循环平稳特征，即用快速谱相关(FSC)提取特征，从而为提高滚动轴承智能诊断正确率提供有效多源融合特征向量支撑。FSC分析方法用于滚动轴承同源双通道振动信号的特征提取；参数优化选取后的CHMM对双通道同源特征进行融合，实现滚动轴承的智能诊断。通过滚动轴承常规故障实验和全寿命加速疲劳实验，验证了所述方法不仅能用于滚动轴承故障的智能分类，而且还能用于滚动轴承的有效性能退化评估。此外，通过对比研究验证了所述方法的优越性。     

基于Hilbert-Huang 变换的齿轮故障诊断研究

提出一种基于Hilbert-Huang变换的齿轮磨损故障诊断的新方法。介绍Hilbert-Huang变换的基本原理,并将Hil-bert-Huang变换应用于齿轮箱中齿轮磨损故障诊断,通过选取表征齿轮磨损故障的固有模式函数进行边际谱和能量谱分析,可提取齿轮故障振动信号的特征。齿轮故障实验结果表明,应用这种分析方法,能够有效地诊断齿轮的磨损故障。     

基于最大相关峭度反褶积法的行星齿轮故障诊断

针对行星轮系结构复杂,故障信号特征提取困难,提出使用扭振信号对行星齿轮箱故障进行诊断。通过对行星齿轮箱横向振动信号与扭振信号的频谱分析发现,扭振信号相对于往复振动信号更适合行星轮系的故障诊断。针对扭振信号微弱,冲击特性不明显,提出基于最大相关峭度反褶积处理扭振信号。首先对采集的行星齿轮扭振信号先进行零均值化预处理,然后使用MCKD方法增强扭振信号的冲击特性。以故障冲击特性的峭度值作为选择FIR滤波器长度的选择依据,最终使得行星齿轮箱扭振信号的故障冲击特征得到显著提升。该方法对于扭振信号的降噪与提高周期故障冲击特征有效,适用于行星齿轮箱扭振信号的故障诊断。     

基于极大熵谱法的滚动轴承故障诊断的应用研究

针对轴承运行状态采用极大熵谱法建立了 AR模型 ,计算了轴承正常及故障状态的时序模型。对饱含着信号的时间序列进行了故障敏感因子计算、极大熵谱分析 ,对滚动轴承故障进行了定性的诊断 ,同时将功率谱和极大熵谱进行比较分析 ,为诊断提高可靠信息     

基于特征信息融合的离散小波SVM齿轮故障诊断方法研究

针对齿轮振动信号故障特征微弱及故障样本不足,提出基于特征信息融合的小波-SVM(支持向量机)故障诊断方法,用于多类齿轮故障诊断。该方法采用离散小波变换对齿轮的振动信号进行处理来构造特征向量,将多路信号融合后输入到SVM的多故障分类器中进行故障识别。实验结果表明:该方法能够在训练样本数量少的情况下,快速获得良好的分类结果,且其故障诊断准确率在96.67%以上;峰值和峰值因子对齿轮故障最敏感,以峰值或峰值因子为特征量的多传感器信息融合,其诊断准确率达95%。该方法更适合于实际齿轮故障诊断应用,并为多类齿轮故障快速诊断的进一步创新研究提供了理论基础。