基于VPMCD和EMD的齿轮故障诊断方法

提出了基于VPMCD（Variable predictive model based class discriminate,简称VPMCD）和EMD（Empirical mode decomposition,简称EMD）的齿轮故障诊断方法,并将它应用于齿轮稳态信号的分析。VPMCD方法是一种新的模式识别方法,特别适合于非线性分类问题,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。在基于VPMCD和EMD的齿轮故障诊断方法中,首先采用EMD方法将齿轮振动信号自适应地分解为若干个单分量信号,然后提取各个分量的样本熵并将其作为特征值,最后采用VPMCD分类器进行故障识别和分类。结果表明该方法能够有效地突出齿轮故障振动信号的故障特征,提高了齿轮故障诊断的准确性。     

基于本征时间尺度分解和变量预测模型模式识别的机械故障诊断

基于变量预测模型的模式识别(variable predictive model based class discriminate,VPMCD)方法是一种充分利用特征值之间相互内在关系进行多分类模式识别的新方法。对VPMCD算法进行了研究,并采用交叉验证法来选择VPMCD模型。针对机械故障振动信号的特征值之间的相互内在关系,结合本征时间尺度分解(intrinsic time-scale decom-position,ITD),提出了一种基于本征时间尺度分解和VPMCD的机械故障诊断方法。该方法首先利用ITD方法将原始信号分解若干个PR(proper rotation,PR)分量,然后提取第一个PR分量的无量纲时域统计参数组成特征向量,最后采用VPMCD方法进行机械故障诊断。通过滚动轴承故障诊断实验验证了该方法能有效地应用于小样本多分类机械故障诊断。     

基于参数优化VMD和增强多尺度排列熵的单向阀故障诊断

针对高压隔膜泵机械结构复杂,单向阀故障特征信息分布在多尺度上,单一尺度难以全面提取特征的问题,提出了一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和增强多尺度排列熵(Enhanced Multi-scale Permutation Entropy,EMPE)的单向阀故障诊断方法。对单向阀振动信号进行VMD分解,以包络熵最小原则对其进行参数优化,获得既定的若干本征模态函数(Intrinsic Mode Function,IMF)分量;计算IMF分量的增强多尺度排列熵,构建故障特征值向量;利用基于变量预测模型的模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)方法对故障特征值向量进行训练和识别,进而实现单向阀的故障诊断。仿真信号和工程实验分析表明,该方法可以准确地识别单向阀的故障类型,具有一定的可靠性和工程应用价值。     

基于流形学习和改进VPMCD的滚动轴承故障诊断方法*

提出一种基于拉普拉斯特征映射流形学习算法(Laplacian Eigenmaps,简称LE)和改进多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的滚动轴承故障诊断方法,首先对振动信号进行局部特征尺度分解(Local characteristic scale decomposition,简称LCD),并提取各内禀尺度分量(Intrinsic scale component,简称ISC)的特征构造高维特征向量,接着采用LE算法挖掘出高维数据中包含有效信息且具有内在规律性的低维特征,然后输入到基于Kriging的改进多变量预测模型(Kriging-variable predictive model based class discriminate,简称KVPMCD)分类器中进行模式识别。该方法充分利用并有效结合了LCD在信号处理、LE在挖掘特征信息和KVPMCD在模式识别方面的优势,实现了滚动轴承故障特征提取到故障识别的全程诊断。实验分析结果表明:基于LE算法和KVPMCD的分类方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于多尺度均值排列熵和参数优化支持向量机的轴承故障诊断

针对滚动轴承故障诊断中特征提取困难和模式识别准确率低等问题,提出了一种基于多尺度均值排列熵(MMPE)和灰狼优化支持向量机(GWO-SVM)结合的故障诊断方法。利用MMPE全面表征滚动轴承故障特征信息,选取适当维数特征构成样本数据集,采用GWO-SVM分类器进行故障模式识别。对所提基于MMPE和GWO-SVM故障诊断方法进行理论分析和研究,并利用滚动轴承试验数据进行相应对比试验分析,结果表明:MMPE能够有效提取滚动轴承故障特征信息;GWO-SVM识别准确率和识别速度优于滚动轴承故障诊断其它常用参数优化支持向量机;所提方法能够有效识别滚动轴承故障位置和故障程度,在滚动轴承数据集上取得了98.0%的故障识别准确率,高于基于MPE和GWO-SVM方法的97.0%准确率,并且在噪声背景下取得了93.5%的识别准确率,优于后者83.0%准确率,证明了所提MMPE具有更好的噪声鲁棒性。     

基于样本分位数排列熵的故障诊断方法

针对滚动轴承故障特征不明显、不易于进行特征提取等问题,提出了一种新的衡量时间序列复杂程度的方法-样本分位数排列熵(Sample Quantile Permutation Entropy,SQPE),并将其应用于滚动轴承故障振动信号的特征提取。通过对振动信号进行样本分位数排列熵计算,有效分离出不同振动信号的故障特征;将熵值组成特征向量,构建分类器并实现对滚动轴承的故障诊断。将提出的方法应用于试验数据分析,结果表明:样本分位数排列熵能够有效提取滚动轴承的故障特征,并在熵值计算的过程中,避免了嵌入维数选取的过程,有效提高了熵值计算的自适应性,扩大了其应用范围。     

基于LCD-Hilbert谱奇异值和QRVPMCD的滚动轴承故障诊断方法

针对多变量预测模型的模式识别（Variable predictive model based class discriminate,简称VPMCD）方法在参数估计中存在的缺陷,采用分位数回归（Quantile Regression,简称QR）代替原方法中的最小二乘法进行参数估计,克服最小二乘回归中强假设、易受异常值影响等问题,以此提高模式识别的精度。因此,提出了基于分位数回归的多变量预测模型模式识别方法（Quantile Regression -Variable predictive mode based class discriminate ,简称QRVPMCD）。采用局部特征尺度分解（Local characteristic-scale decomposition,简称LCD）方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取单分量信号的Hilbert谱奇异值组成故障特征向量,并以此作为QRVPMCD的输入进行滚动轴承故障诊断。对不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明了该方法的有效性。     

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型

提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。     

基于IMF特征提取的滚动轴承故障诊断

滚动轴承故障诊断的关键是敏感故障特征的提取。模糊熵(Fuzzy Entropy,FE)是一种检测时间序列复杂程度的方法,已广泛应用于故障诊断。由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析。在此基础上,提出了基于经验模态分解(Empirical Mode Decompose,EMD)和模糊熵的滚动轴承故障诊断方法。首先,采用EMD方法对振动信号进行分解,得到不同尺度的内禀模态函数(Intrinsic Mode Function,IMF)并计算包含主要故障信息的IMF分量的模糊熵;其次,对IMF分量的模糊熵值进行基于样本分位数的特征提取;最后,将分位数值作为特征向量,输入基于优化算法的支持向量机。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。     

基于变分模态分解和多尺度排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性、故障特征提取效果不理想以及故障诊断准确性低等问题,提出基于变分模态分解和多尺度排列熵的滚动轴承故障特征提取方法,并采用经粒子群算法优化的概率神经网络(PSO-PNN)故障诊断模型进行故障类型识别。通过变分模态分解方法将提取的振动信号分解成K个模态分量,进一步计算K个分量的多尺度排列熵,组成多尺度的特征向量,将特征向量输入到PSO-PNN故障诊断模型中识别故障类型。MATLAB仿真结果表明,该方法使故障类型识别准确率有所提高。     

基于特征选择和RRVPMCD的滚动轴承故障诊断方法*

针对滚动轴承故障诊断时所提取的特征值中可能含有较小相关性和冗余性特征,采用基于Wrapper模式的距离评价技术(distance evaluation technique,简称DET)进行特征选择。在分类器的设计中,提出了基于稳健回归的多变量预测模型(Robust regression-Variable predictive model based class discriminate,简称RRVPMCD)分类方法,以减小"异常值"对参数估计的影响,从而有望建立更加准确的预测模型。即根据Wrapper模式的特点,首先通过DET方法计算出各特征值对类的敏感度,并结合RRVPMCD分类器,选择敏感度最大的若干特征值组成特征向量矩阵;然后用RRVPMCD方法进行训练,建立预测模型;最后用所建立的预测模型进行模式识别。实验分析结果表明,基于Wrapper模式的特征选择方法和RRVPMCD分类方法相结合可以有效地对滚动轴承的工作状态和故障类型进行识别。     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法.该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用...     

基于ITD与ICA的滚动轴承故障特征提取方法

针对滚动轴承故障信号因受背景噪声、信号传递途径、轴承各部件间相互作用及其它能量较大振源信号干扰,限制传统方法提取故障特征信息的准确性问题,提出结合固有时间尺度分解(ITD)及独立分量分析(ICA)的信号分析方法,将单通道振动信号进行ITD分解,得到若干固有旋转分量及一个趋势项,基于互相关准则对分解信号进行重组作为ICA的输入矩阵,采用Fast ICA算法解混,实现故障特征信号与噪声信号分离,从而提取故障特征信息。通过滚动轴承故障诊断实验结果分析表明该方法有效可行,具有一定工程应用价值。     

基于ITD复杂度和PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出了一种基于固有时间尺度分解(ITD)、Lempel-Ziv复杂度特征和粒子群优化支持向量机(PSO-SVM)的故障诊断新方法。首先对滚动轴承的振动信号使用ITD方法进行分解,得到若干个频率由高到低的固有旋转(PR)分量,由于滚动轴承在不同的故障状态下的PR分量Lempel-Ziv复杂度的分布不同,提取各PR分量的Lempel-Ziv复杂度值作为每个样本的特征向量,使用支持向量机(SVM)对轴承振动信号样本进行故障类型的识别,并用粒子群优化(PSO)方法对支持向量机的参数优化以获得较高的识别准确率。对滚动轴承振动信号的实测结果的分析表明:该方法可以实现对滚动轴承快速、准确地诊断,且不受载荷变化的影响。     

基于ITD-SVD和MOMEDA的故障特征提取方法

为提高滚动轴承故障诊断的准确性,提出一种基于固有时间尺度分解(ITD)、奇异值分解(SVD)和多点最优最小熵反褶积(MOMEDA)相结合的故障特征提取方法。首先,采用ITD分解故障振动信号,并构建基于峭度和相关系数的组合权重指标筛选准则,从而完成分量信号的筛选与重构。其次,对其进行SVD滤波降噪。最后,利用MOMEDA提取降噪后信号中的周期性冲击成分,并通过Hilbert包络谱分析得到诊断结果。经过实验数据分析,结果表明所提出的方法不仅能滤除噪声干扰,增强故障特征信息,而且能准确提取出故障特征。     

ICEEMDAN和GS-SVM算法在滚动轴承声发射故障诊断中的应用研究

滚动轴承在运行过程中发生塑性变形、产生裂纹等形式故障时都会产生蕴含状态特征信息的声发射信号。针对滚动轴承声发射信号特征提取和故障诊断,提出一种基于改进自适应噪声完备经验模态分解（Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN）的特征提取算法,结合经网格搜索优化（Grid Search, GS）的支持向量机（Support vector machine,SVM）分类算法,实现对滚动轴承故障的模式识别。首先将滚动轴承典型状态原始声发射信号进行分解得到若干个固有模态函数（Intrinsic mode function,IMF）分量,筛选其中峭度较大的分量进行重构,然后计算重构IMF分量的时域能量熵值构造特征向量集合,最后再将特征向量集合输入到基于GS优化的SVM分类器模型中进行训练和模式识别,并将采用该方法所构建模型与其它分类器模型进行准确率和效率比较。模型仿真和故障模拟实验研究表明：基于将ICEEMDAN时域能量熵和GS-SVM相结合的模型可以有效提取滚动轴承声发射信号...     

基于VPMELM的滚动轴承劣化状态辨识方法

针对变量预测模型模式识别方法(VPMCD)仅仅包含几种简单数学模型的问题,所建立的预测模型不足以反映特征值之间的复杂关系;极限学习机(ELM)回归模型是一种复杂且被广泛应用的模型,其模型可以反映特征之间的相互关系。结合极限学习机回归模型和VPMCD方法的优点,提出了一种基于极限学习机的变量预测模型(VPMELM)模式识别方法,并将该方法应用于滚动轴承劣化状态实验中。实验表明,基于VPMELM的辨识方法可以有效地对滚动轴承的劣化状态进行识别。     

基于改进MPE与KELM的滚动轴承故障诊断

针对滚动轴承发生故障时非线性信号特征难以提取导致诊断效率较低的难题,提出一种基于参数优化改进的多尺度排列熵(Multi-scale permutation entropy,MPE)与核极限学习机(Kernel extreme learning machine,KELM)相结合的故障诊断方法。首先,使用关联积分法(C-C算法)对MPE的嵌入维数和时间延迟进行优化;其次,计算滚动轴承振动信号在选定的经验参数与优化参数下各尺度的排列熵值并以此构建特征向量;最后,利用KELM对滚动轴承进行故障分类。结果表明,参数优化后的MPE结合KELM的故障诊断方法能够有效地提取出故障特征进而很好地实现故障诊断。