基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法研究

针对滚动轴承故障信号的自适应提取和分解的问题，提出一种基于乌鸦搜索算法优化变分模态分解的滚动轴承故障诊断方法。将变分模态分解(variational mode decomposition, VMD)方法的关键参数K和α采用新型的乌鸦搜索算法(crow search algorithm, CSA)进行优化，得到最优参数组合；再将最优参数组合输入到变分模态分解算法中，对故障信号进行分解从而得到多个本征模态分量(intrinsic mode function, IMF);以样本熵值为适应度函数挑选最优分量，对最优分量进行包络解调，分析其包络谱判断出轴承的故障类型。结果表明，提出的方法在兼顾全局搜索和局部搜索的同时也能将复杂的轴承故障信号准确地进行分解，提取出最优分量进行分析从而判断出轴承故障类型。     

基于MED和自适应VMD的行星齿轮箱故障诊断方法

为解决变分模态分解(VMD)在行星齿轮箱故障特征频率提取过程出现的鲁棒性低及分解个数不确定的问题,提出一种基于最小熵反褶积(MED)和自适应变分模态分解(AVMD)的齿轮箱故障诊断方法.首先通过MED对信号进行降噪,突出故障信号特征;采用瞬时频率的新定义及变差概念,自适应选择VMD的级数;使用VMD方法将行星齿轮箱的断齿故障信号分解为若干个本征模态函数(IMF)分量;根据相关系数分析选取带有故障信号的IMF分量,对其进行包络谱分析,以提取故障特征频率.仿真信号和试验信号分析结果表明,使用MED去噪后信号的峰值信噪比提高了10%,解决了传统VMD个数经验选择出现的误差问题从而实现此过程自适应化,解决了VMD在强噪声下针对非线性非平稳信号鲁棒性低的问题,准确提取了风电齿轮箱的故障特征频率.     

EEMD-SVD方法及其在高速列车滚动轴承故障诊断中的应用

结合聚合经验模态分解(Ensemble empirical model decomposition,EEMD)优秀的非平稳信号分解能力和奇异值分解(Singular value decomposition,SVD)的强去噪能力,提出了一种高速列车滚动轴承故障检测的新方法。该方法是应用EEMD对轴承轴箱位置的振动信号分解得到基本模式分量(Intrinsic Mode Function,IMF),对IMF矩阵做SVD得到正交化结果,分别利用各奇异值重构信号,应用各特征信号的Hilbert包络解调处理得到的包络谱诊断轴承故障类型。利用仿真信号数据和人工伤轴承试验数据对该方法进行验证,结果表明,该方法能有效提取轴承的故障特征信息,特征波形清晰准确,相比传统EEMD方法,在强噪声干扰时故障特征的诊断能力得到了显著提高。     

改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

基于自适应局部迭代滤波和能量算子解调的滚动轴承故障特征提取

为了提高滚动轴承的故障特征提取可靠性,该文提出了一种基于自适应局部迭代滤波(Adaptive local iterative filtering,ALIF)和能量算子解调的滚动轴承故障特征提取的方法。该方法首先利用ALIF将轴承的故障振动信号分解为若干个本征模态函数(Intrinsic mode function,IMF)分量,然后对包含故障信息最多的分量进行能量算子解调,得到分量的包络谱来提取轴承的故障特征。仿真结果表明:ALIF能够准确获取IMF分量,解决经验模式分解(Empirical mode decomposition,EMD)带来的模式混叠问题,结合能量算子解调方法能更好地凸显故障信号的包络谱特征,有效地提取轴承故障特征频率。     

内燃机优化VMD-CWD时频表征与BSNMF编码识别诊断方法

针对内燃机振动响应信号强耦合、弱故障特征的问题,提出一种基于参数优化VMD-CWD内燃机振动时频表征与BSNMF分块编码识别的故障诊断方法.利用变分模态分解(VMD)将内燃机振动信号分解成一组本征模态函数(IMF),并叠加IMF分量信号的Choi-Williams分布(CWD)获得时频聚集性良好,无交叉项干扰的振动谱图像.针对VMD分解过程中的参数选取问题,引入功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性.为了实现内燃机振动谱图像的自动识别诊断,在稀疏非负矩阵分解(SNMF)的基础上提出一种更容易收敛的分块稀疏非负矩阵分解算法(BSNMF),用来对内燃机振动谱图进行特征提取,并采用支持向量机对提取的特征参数直接进行模式识别.将本文方法应用于内燃机故障诊断实例中,结果表明:该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机气门机构故障的自动诊断.     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。     

参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用

针对滚动轴承早期故障特征提取困难的问题,提出一种基于参数优化变分模态分解的轴承早期故障诊断方法。首先利用粒子群优化算法对变分模态分解算法的最佳影响参数组合进行搜索,搜索结束后根据所得结果设定变分模态分解算法的惩罚参数和分量个数,并利用参数优化变分模态分解算法对故障信号进行处理。原故障信号经过处理后被分解为若干本征模态函数分量,由此筛选出最佳信号分量并进行包络解调运算,最终通过分析信号的包络谱可判断轴承的故障类型。利用参数优化变分模态分解方法对轴承故障仿真和实测信号进行分析,均成功提取出微弱特征频率信息,表明参数优化变分模态分解方法可实现滚动轴承早期故障的有效判别,具有一定的可靠性和应用价值。     

基于优化VMD和MCKD的滚动轴承早期故障诊断方法

针对滚动轴承早期故障信号易受噪声等背景信息干扰难于提取故障特征的现象,提出了将优化K值的变分模态分解(VMD)和粒子群优化算法(PSO)优化参数L,M的最大相关峭度解卷积(MCKD)相结合提取滚动轴承故障特征频率的方法.首先,确定VMD中K值,对信号进行分解后得到一系列模态分量;然后利用EWK指标选择包含故障信息最多的有效模态分量进行后续分析,利用优化的MCKD对其进行增强;最后对增强信号进行包络解调提取故障特征频率,验证所提方法的有效性.仿真和实验表明该方法可以精确地提取出轴承故障信号中的特征频率,实现故障诊断.     

基于谱熵梅尔积和改进VMD的轴承故障预警

针对传统轴承故障预警实时性较差、故障特征提取准确性影响预警效果的问题,将语音端点识别思想进行迁移,采用谱熵梅尔积特征的双门限法实时追踪故障起始点.为克服变分模态分解（variational mode decomposition,VMD）参数选取不当和端点效应对提取效果造成的影响,提出能量差网格搜索法对VMD进行参数寻优,并用支持向量回归机对端点效应进行抑制,结合多尺度加权排列熵在检测振动信号随机性方面的优势,充分发挥VMD对信号的重构能力,对起始点后的故障段进行特征捕捉.通过实际轴承故障信号的实验及数据分析,验证了该方法在轴承故障预警中的有效性.      

基于VMD-AR谱的多轴转子系统故障特征信息提取方法

为了解决现有分解方法在近频部分产生模态混叠的问题,提高时变参数模型对故障信号直接诊断的准确性,研究了多轴转子系统的典型故障信号分析方法.提出了基于变分模态分解(VMD)和AR谱相结合的故障特征信号分析方法;采取瞬时频率均值法选取VMD中的分解模式数k.经VMD分解产生固有模态函数(IMFs),采用AR谱对IMFs分量进行特征提取,分析典型故障模式相对应的特征频带.结果表明:基于VMD-AR谱的故障特征提取方法解决了分解模式数k的选取难题,避免k值的经验选取;VMD能够抑制信号分解近频部分的模态混叠,而AR模型克服了Hilbert分离算法存在的加窗效应,在频带划分上具有较强的分辨率.该方法可有效进行故障特征提取,并为改进的粒子群优化算法的混合核支持向量机算法提供特征信息.     

EEMD结合能量特征和小波降噪的轴承故障诊断

为解决在强背景噪声条件下滚动轴承故障诊断问题,开展基于能量特征和小波降噪的总体经验模态分解(EEMD)研究。首先以仿真信号为研究对象,对其进行总体经验模态分解,得到9个固有模态函数(IMF)和1个余项( Res),然后考虑各模态函数的能量特征,将分解后的9个IMF分量与原始信号的能量比作为判断标准,剔除附加5个低频分量,最终得到4个有效的IMF分量和1个余项,与仿真信号相符。在仿真信号分析的基础上,对含噪声信号的滚动轴承故障信号进行故障诊断试验研究,采集信号经小波降噪后,利用总体平均经验模态分解并结合能量特征,得到3个IMF分量和1个余项,然后对3个IMF分量进行包络谱分析,提取故障特征频率157.5 Hz,与滚动轴承故障内圈特征频率157.9 Hz相比,误差为0.25%,说明该方法能很好地提取含有噪声信号的轴承故障信息。该研究为强背景噪声下滚动轴承故障信息的提取提供了一种有效的方法。     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

PSO VMD结合Teager包络谱的滚动轴承 故障诊断方法

为了解决VMD方法在处理非平稳信号时,人为确定输入参数会影响模态分解精度的问题,提出一种基于PSO算法优化VMD输入参数的PSO VMD方法,用于滚动轴承故障信号的模态分解,并使用Teager能量算子(TEO)对模态分解结果进一步计算,得到各模态分量的Teager包络谱.通过滚动轴承内环单点故障、外环单点故障和滚子单点故障实测振动故障信号的模态分解与故障诊断,验证PSO VMD方法的有效性和实用性.     

基于经验模态分解的齿轮箱故障特征提取

利用小波去噪阈值法对齿轮箱故障振动信号进行去噪,将经验模态分解(EMD)和快速傅里叶变换(FFT)相结合对齿轮箱故障进行特征提取,此方法适合于对非线性非稳态信号进行自适应的分析.利用小波阈值去噪方法对原始信号进行预处理,将去噪后的信号进行经验模态分解,得到一定数量的本征模态函数(IMF)分量,选取特定的IMF进行FFT,得到相应的功率谱,从而达到提取齿轮箱故障特征频率的目的.对齿轮箱故障信号进行分析,结果表明该方法能够有效地识别出齿轮箱故障特征频率.     

VMD的时频特性及其在滚动轴承故障诊断中的应用

针对在强噪声干扰下的滚动轴承早期故障振动信号信噪比低导致故障特征提取困难的问题,提出了基于变分模态分解和Teager能量算子包络解调的滚动轴承故障诊断方法.该方法首先利用VMD算法对故障信号进行分解成若干不同频率的本征模态分量(Intrinsic Mode Function,IMF);通过峭度准则筛选出峭度值最大的IMF,将其作为故障特征最敏感分量;利用Teager能量算子解调算法对该分量进行包络解调分析,提取调制故障特征.将该方法应用到仿真信号和滚动轴承故障振动信号分析当中,同时与EMD、小波变换方法进行了比较.结果表明,该方法提高了信号的分解效率,在噪声鲁棒性和抑制模态混叠方面具有良好的性能,能够实现滚动轴承故障的精确诊断,具有一定的理论研究意义和工程实用价值.     

基于变分态分解与灰狼优化支持向量机的齿轮箱故障诊断

由于行星齿轮齿轮箱的振动信号具有非平稳、非线性特性,在复杂工况下,会对其早期微弱的故障信号造成干扰,不能正确地识别出故障信息。为解决以上问题,采用基于变分模态分解(variational mode decomposition, VMD)与灰狼优化支持向量机的故障诊断方法。利用中心频率近似方法,求解出了变分模态分解的参数K,对分解出的本征模态函数(intrinsic mode function, IMF)分量进行相关性分析,优选出分量进行信号重构。将重构信号进行故障特征提取,利用灰狼优化支持向量机的方法进行故障模式识别。实验结果表明：采用所提方法对行星齿轮箱的故障识别准确率达到99.375%。     

一种基于变分模态分解参数优化的轴承故障诊断方法

为解决变分模态分解方法在提取齿轮箱滚动轴承的故障特征频率时受模态个数和惩罚项系数影响的问题,提出了一种基于人工鱼群算法优化变分模态分解的轴承故障诊断方法.首先,利用人工鱼群算法优化变分模态分解方法的模态个数和惩罚项系数;其次,故障振动信号经优化的变分模态分解方法分解,获得若干模态分量;最后,筛选包络熵值最小的分量进行包络分析,提取故障特征频率.实验结果表明:在优化参数过程中,寻优收敛时间缩短46％,并最终有效提取轴承故障特征频率.研究结果可解决变分模态分解方法受参数影响的问题,实现轴承故障诊断,具有实际意义.     

基于变分模态分解排列熵和粒子群优化支持向量机的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳性和低信噪比的特点,提出基于变分模态分解(VMD)排列熵和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法;该方法利用VMD对信号进行预处理,可得若干本征模态分量(IMFs),根据包含故障信息的数量筛选出有效IMFs,求其排列熵构造特征向量,建立支持向量机的滚动轴承故障诊断模型,并用粒子群算法优化参数,以提升分类性能;在滚动轴承故障诊断实例中,通过与VMD结合SVM和集成经验模态分解(EEMD)结合PSO-SVM进行对比。结果表明,本文中提出的方法故障诊断的准确率更高。