基于EMD和SVM的刀具故障诊断

为有效监测刀具在机床中可能出现的故障,提出基于经验模态分解(EMD)和支持向量机(SVM)的一种故障诊断方法。首先用EMD方法将振动信号分解为有限个固有模态函数(IMF),并选取能量较大的IMF进行标量量化得到特征向量,最后将其输入SVM进行测试进而判断故障类型。分析结果表明,基于EMD-SVM的刀具故障方法能够更有效地识别刀具故障状态。     

基于LMD-PE与SVM机床刀具磨损故障诊断

针对机床刀具磨损故障信号具有信号噪声大、频带混叠以及信噪比低的问题,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)—排列熵(Permutation Entroy,PE)与支持向量机(Support Vector Machines,SVM)的机床刀具磨损故障诊断方法。首先对刀具磨损故障信号进行LMD分解,再根据相关系数去除噪声信号以及由于分解误差所带来的冗余信号后,选取合适的乘积分量(Product Function,PF)进行信号重构,然后将重构后的信号计算排列熵并通过标量量化处理后得到特征向量,最终将特征向量输入到已训练完成的支持向量机中来判别刀具的磨损状态,试验结果验证了该方法对机床刀具磨损故障诊断的有效性和实用性。     

基于EMD-SVM的钛合金铣削过程刀具磨损监测

以硬质合金刀具铣削Ti-6Al-4V为研究对象,提出了一种基于经验模态分解（empirical mode decomposition, 简称EMD）及支持向量机（support vector machine,简称SVM）的刀具磨损阶段识别方法。首先,将原始加速度信号及力信号分解为一系列模态分量（intrinsic mode function,简称IMF）,选择了有效的IMF来组合一个新的信号;其次,计算新信号的多评价指标矩阵,将得到的多指标矩阵（I-kazTM、功率谱熵及均方根）作为输入特征向量,得到了基于线性分类器的刀具磨损识别模型;最后,将检测信号输入模型中进行识别,对刀具磨损阶段的识别精度达到了99.17%。EMD-SVM相较于SVM、BP神经网络及小波包SVM模型,运算时间减少,运算精度提高。实验结果表明,该模式对钛合金铣削过程中的刀具磨损具有良好的识别效果,为刀具磨损状态的监测提供了一种新方法。     

基于EMD和SVM的刀具故障诊断方法

为了解决刀具在切削过程中出现的故障,提出了基于经验模态分解(EMD)和支持向量机(SVM)的刀具故障诊断方法.该方法首先将经过标准化的声发射信号进行经验模态分解,将其分解为有限个固有模态函数(IMF)和残余量之和,然后对每个IMF分量通过一定的削减算法增强故障类型特征,计算每个IMF和残余项的能量以及整个信号的削减比作...     

BFA优化EEMD的刀具故障诊断

为了准确识别刀具磨损状态,提出一种细菌觅食算法(BFA)优化集合经验模态分解(EEMD)并与隐马尔可夫模型(HMM)结合的刀具故障诊断方法。首先利用BFA优化EEMD的白噪声幅值系数和总体平均次数,通过设置优化得到的最优参数,将降噪后的信号经EEMD分解为一系列本征模态分量(IMF);再依据峭度和相关系数重构信号;最后从重构信号中提取特征向量作为观测序列输入已训练好的HMM分类器中进行故障诊断。通过对刀具实验数据的分析,验证了此方法的可靠性和准确性。     

刀具磨损状态检测方法的分析与验证

为监测机床刀具磨损程度,提出了一种基于小波包理论(WPD)、经验模态分解(EMD)以及支持向量机(SVM)等相结合的刀具故障诊断方法。通过小波包理论工具消除刀具的高频噪声信号,并对去噪后的信号进行模态分解、合成,计算出模态函数(IMF)和EMD分解信号的相关参数。将计算出的信号时域上的特征参数作为支持向量机(SVM)的输入特征向量,完成对刀具故障的检测。实验结果分析表明,该方法可以有效地判断刀具磨损程度,验证了方法的可行性。     

基于变分模态分解和符号熵的齿轮故障诊断方法

为提高齿轮的故障诊断效果,提出了基于变分模态分解(Variational Modal Decomposition,VMD)和符号熵(Symbol Entropy, SE)的齿轮故障诊断方法。首先,利用VMD对齿轮故障振动信号进行分解,得到若干个本征模态分量(Intrinsic Mode Function,IMF);然后,计算IMF分量的符号熵,并将IMF符号熵组成齿轮故障特征向量;最后,将特征向量输入SVM进行故障诊断。齿轮故障诊断实测结果验证了该方法的有效性和优势。     

基于EEMD和Choi-Williams分布的齿轮故障诊断

针对齿轮箱齿轮故障特征提取过程中,经验模态分解(EMD)存在模态混叠、固有模态函数(IMF)筛分困难以及Wigner-Ville分布(WVD)存在交叉干扰项的问题,提出一种集合经验模态分解(EEMD)和Choi-Williams分布(CWD)相结合的齿轮故障诊断方法。首先,将采集到的齿轮故障信号进行EEMD分解,分解为多个单分量固有模态函数(IMF)的组合;然后,通过相关系数和香农熵准则去除虚假分量并筛选IMF;最后,将筛选出的IMF分量进行CWD表达,结合时频域表现出的频率与等时冲击特性,识别出齿轮故障特征。通过齿轮故障仿真和实验分析,验证了该方法在齿轮箱齿轮故障诊断中的适用性和有效性。     

基于CEEMDAN奇异值熵和SVM的转子故障诊断

提出一种基于自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)奇异值熵和支持向量机(support vector machine,SVM)的转子故障诊断方法。利用CEEMDAN方法首先对非平稳的转子振动信号分解得到若干个表征信号自身特性的固有模态函数(intrinsic mode function,IMF),并通过虚假IMF分量判别法,剔除对于故障特征不敏感的IMF,以保证故障信息提取的准确性和有效性,在此基础上产生初始特征向量矩阵。并对此矩阵进行奇异值分解得到矩阵奇异值,使其作为故障特征向量,通过归一化处理得到奇异值熵,并以此作为SVM的输入,对转子的工作状态进行识别。研究结果表明:该方法可有效应用于转子故障诊断,实现对转子工作状态和故障类型的有效诊断。     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

基于四轴联动的立铣刀故障诊断方法优化

针对数控机床上的刀具磨损问题,为了有效检测刀具磨损状态,提出了基于EMD和SVM相结合的刀具故障检测方法。通过设备采集磨损的刀具信号并加以处理,然后利用经验模态分解(EMD)方法分解后再进行信号重组,得出若干个模态函数(IMF);经标量量化处理得出特征向量后,利用支持向量机(SVM)方法完成刀具故障检测。结果表明,该方法能很好地检测出刀具磨损状态,验证了方法的可行性。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

基于CEEMDAN模糊熵和SVM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳性及特征信息复杂问题,提出一种基于自适应白噪声完备经验模态分解模糊熵和支持向量机相结合的故障诊断方法。首先,采用CEEMDAN,将滚动轴承振动信号分解成若干个固有模态函数分量,并根据相关系数—峭度准则选取可有效表征信号自身特性的模态分量;然后,计算各敏感IMF分量模糊熵,并构建高维特征向量;最后,将高维特征向量输入SVM中,以实现对故障类型和工作状态的有效诊断。试验结果表明,该方法可有效对滚动轴承故障进行诊断。     

基于J-EEMD的刀具磨损状态特征提取技术

在实际刀具状态监测的过程中,通过传感器所直接测得的数据都包含了大量的噪声信号,因此难以从中获取刀具磨损状态的变化规律,这样显然不利于进行模式识别。应用近似联合对角化下的集合经验模态分解(J-EEMD)对观测信号进行处理,基于信号本身特征,自适应地将切削加工中检测得到的振动和声发射信号分解为多个内蕴模式函数(IMF),然后根据各个IMF之间的能量比对变换,提取出了不同磨损状态下的刀具状态特征。实验证明:在该方法对测得数据进行处理的基础上,能够很好地识别出刀具磨损程度的不同状态。     

VPMCD和模糊熵在转子系统故障诊断中的应用

针对转子系统的故障特征,提出了基于多变量预测模型（variable predictive mode based class discriminate,简称VPMCD）和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数（intrinsic mode function,简称IMF）分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。     

VMD模糊熵和SVM在柱塞泵故障诊断中的应用

为有效提取非线性非平稳特性的柱塞泵故障特征,提高故障诊断准确率,提出了一种基于变分模态分解（Variational Mode Decomposition,VMD）模糊熵和支持向量机（Vupport Vector Machine,SVM）相结合的柱塞泵故障诊断方法。首先将信号经过VMD分解形成K个固有模态分量（Intrinsic Modal Component,IMF）;然后确定IMF个数,提出了基于峭度分析的IMF个数确定方法;其次取峭度值较大的IMF并计算其模糊熵,确定了各状态下相应的模糊熵;最后将模糊熵作为特征向量输入SVM进行故障识别,准确率可达98.3%。将该方法与经验模态分解（Empirical Mode Decomposition,EMD）模糊熵-SVM、VMD模糊熵-BP神经网络对比,结果表明,VMD模糊熵和SVM相结合的方法在柱塞泵故障诊断中具有优越性。     

基于多元经验模态分解互近似熵及GG聚类的轴承故障诊断

提出了一种基于多元经验模态分解（Multi-EMD）、互近似熵和GG聚类的滚动故障轴承诊断方法。首先,将振动信号进行多元经验模态分解,得到若干个内禀模态函数（IMF）分量和一个趋势项。然后,将IMF分量分别与原始信号进行相关性分析,筛选出前7个含主要特征信息的IMF分量,并将筛选的IMF分量的互近似熵作为特征向量。最后,将特征向量输入到GG模糊分类器中进行聚类识别。通过聚类三维图,对两种算法机械运行的4种状态进行了对比,验证了多元经验模态分解方法不仅可解决采样的不均衡问题,而且可解决EMD算法聚类的混叠问题。     

基于ICEEMDAN及PFA-ELM的齿轮箱故障诊断研究

齿轮箱是工业设备中常用的传动部件。针对齿轮箱故障特征提取及诊断精度不足的问题，提出一种基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)及探路者算法(PFA)优化极限学习机(ELM)的故障诊断方法。首先，利用ICEEMDAN对信号进行分解，得到多个本征模态函数(IMF)。其次，基于斯皮尔曼相关系数，筛选出有效的IMF，并计算出每个有效IMF的模糊熵和排列熵作为故障特征向量。最后，利用PFA算法优化ELM中的权值和阈值，构建基于PFA-ELM的故障诊断模型。实验表明，PFA-ELM的故障诊断精度高达98.67%。该方法能够准确描述齿轮箱的工作状态，具有较高的实用价值。     

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。     

应用ICEEMDAN和SVM的行星齿轮箱故障诊断

针对行星齿轮箱复合故障准确分类问题,应用了改进自适应噪声完备集合经验模态分解(ICEEMDAN)和支持向量机(SVM)相结合的故障诊断方法。首先,将行星齿轮箱的不同故障信号分别进行ICEEMDAN分解,得到各阶内禀模态函数(IMF);其次,利用各阶IMF分量与原信号的相关性大小,剔除虚假的IMF分量;最后,以优选IMF分量的多尺度模糊熵均值作为特征向量,输入到多分类SVM中进行故障分类,分类准确率高达100%,实验结果证明了该方法的可行性。