经验模式分解在汽轮机局部碰摩故障信号分析中的应用

采用经验模式分解（Empirical Mode Decomposition,简称EMD）方法对汽轮机转子局部碰摩振动信号进行分解,实现碰摩、噪声和背景信号的分离,从而提取局部碰摩振动信号的故障特征．分析结果表明,对具有局部碰摩故障的汽轮机振动信号进行EMD分解得到的内蕴模态函数（IMF）具有明显的碰摩特性．EMD方法可以有效地应用于汽轮机转子局部碰摩故障诊断中．     

改进HHT方法在转子故障中的应用

HHT（希尔伯特-黄变换）能够将振动信号分解为有限的模态分量,并由此可对汽轮机转子故障信号进行特征提取,但噪声的干扰对分解过程和分解结果影却很大。先利用小波变换技术对含噪故障信号进行去噪处理,再作HHT分析的方法。结果表明,该方法克服了直接用HHT分解方法由噪声带来的不必要的干扰,提高了参数提取的准确性,并由此提高了汽轮机转子质量不平衡故障诊断率。     

基于EEMD与ELM的单向阀故障诊断

提出了一种基于总体平均经验模态分解和极限学习机的故障诊断方法,该方法利用EEMD将单向阀振动信号分解成若干个不同尺度的本征模函数(IMF),从IMF分量中提取近似熵、能量熵、峭度和均方根4个特征构成特征向量集,用于建立基于极限学习机算法的故障诊断模型。实验结果表明,该方法可以监测高压隔膜泵运行状态,成功诊断出单向阀运行时产生的故障。     

基于经验模式分解和极限学习机的机械故障诊断

针对机械故障诊断过程中特征提取和学习算法的选择问题,提出一种基于经验模式分解和极限学习机的机械故障诊断模型.首先采用小波变换消除机械信号中的噪声,然后采用经验模式分解提取机械信号特征,并采用极限学习机建立机械故障诊断模型,最后通过实例对不同模型的有效性和可行性进行对比分析.结果表明,改进后的模型明显改善了机械故障诊断效果,缩短了机械故障诊断时间.     

基于AVMD与极限学习机的传动箱故障诊断

针对传动箱故障振动信号的非平稳特征,文中提出了一种基于AVMD与极限学习机的传动箱故障诊断方法。针对变分模态分解需要提前设定分解个数K,引入相关系数作为阈值,从而实现自适应变分模态分解(adaptive variational mode decomposition,AVMD)。传动箱振动信号经过AVMD分解之后,会得到若干个独立的模态分量,然后提取这些模态分量所组成矩阵的奇异值,作为故障诊断的特征向量,最后利用极限学习机实现故障识别。实验结果表明,该方法对传动箱大齿轮点蚀、大齿轮断齿、小齿轮磨损、正常四种状态具有识别率高、识别速度快的优点,可有效用于传动箱故障诊断。     

基于小波变换的水轮机组故障诊断的研究

对传统傅立叶分析技术在水轮机组振动故障诊断的故障特征提取的应用进行深入研究的基础上,针对使用该方法提取的频率信息精度不够的问题,提出了一种运用小波分析技术对水轮机组振动信号进行故障诊断的方法.采用Mallat算法并运用设定阈值的方法对采集到的裂纹转子的振动信号进行去噪,然后运用Trous算法对滤波后的振动信号的突变信号特征进行提取.结果表明本方法对水轮机组的振动信号故障诊断具有很好的准确性,为水轮机组故障识别提供了一种方法.     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

改进VMD对称镜面图在消毒机器人故障诊断中的应用

针对消毒机器人电机转子故障振动信号的非平稳性，以及常用时频分析技术无法全面获取信号特征的问题，提出一种基于改进变分模态分解(VMD)对称镜面图与模糊神经网络的故障诊断方法.采用VMD分解转子振动信号，给出分解过程中关键参数的选取方法；根据综合评价因子法选取对信号特征敏感的固有模态函数(IMF),重构信号；采用对称极坐标法，将重构信号转化为镜面对称图，通过灰度共生矩阵提取图像特征以形成状态特征向量，输入模糊神经网络，实现转子故障诊断.对比实测信号及常见信号分析方法可知，提出的方法具有更准确的信号特征提取能力.     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及基于多分辨分析的信号小波的分解算法 ,研究了信号局部奇异性在小波变换下的特性 ;根据故障信号的局部奇异性在小波变换下模的极大值及其在不同尺度上的传播特性 ,对 30 8型滚动轴承振动加速度故障信号进行分解 ,对故障特征信号进行时域定位 ,并提取了故障特征频率f=46 .88Hz,这与实际的故障特征频率相近 ,说明该方法适用于滚动轴承的在线监测和故障诊断     

自适应冗余多小波及其在故障诊断中的应用

针对机械设备在运行过程中萌生的故障尚在特征不明显、特征信息微弱且往往被机械设备运行过程中的强噪声所淹没等给故障特征提取与故障定位带来了很大困难,提出了自适应冗余多小波的故障诊断方法.基于Chui-Lian多小波,依据信号特点采用两尺度相依变换方法,以谱熵最小为优化目标、遗传算法为优化方法,实现了冗余多小波的自适应构造.同时,对振动信号进行了冗余多小波分解,从而实现了对故障的准确定位及特征提取.将提出的方法应用于滚动轴承的故障分析和烟汽轮机的碰摩故障诊断中,结果显示,该方法可以有效地提高对机械设备在运行中产生故障的诊断能力.对比结果表明,该方法明显地优于传统的傅里叶变换、Db6单小波变换和原始CL3多小波变换等方法.     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

基于鲁棒局部均值分解与二阶瞬态提取变换的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时存在故障特征提取困难以及提取特征不明显的问题。针对此问题,提出了一种基于鲁棒局部均值分解（robust local mean decomposition,RLMD）以及二阶瞬态提取变换（Second-order transient-extracting transform,STET）的故障特征提取方法。首先对滚动轴承故障信号进行RLMD处理,得到一系列故障信息丰富的特征分量。然后利用二阶瞬态提取变换善于提取信号中强脉冲分量的特点,对筛选出的分量进行二阶瞬态提取变换以提取脉冲故障特征进行诊断分析。实验分析结果表明,该方法能够有效地提取出故障特征,且特征提取效果优于传统诊断方法,适用于滚动轴承故障诊断。     

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

一种基于压缩感知和小波信息熵的滚动轴承特征提取方法

为降低滚动轴承在线监测和故障诊断过程中振动信号采集、传输、存储和处理负担,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的滚动轴承特征提取方法,用于滚动轴承故障诊断。应用部分哈达玛矩阵采集振动信号实现压缩,通过小波包分解提取滚动轴承状态特征,计算其小波信息熵作为故障诊断特征。在标准数据集上进行振动信号特征提取,并采用四种分类方法完成故障诊断实验,结果表明本文特征提取方法能够在较高的数据压缩率条件下,保持较高的故障诊断精度,适用于滚动轴承在线监测和故障诊断。     

冗余第2代小波构造及机械信号特征提取

针对强噪声背景下机械信号故障特征的提取问题,构造了一种提取该类信号时域特征的冗余第2代小波方法.该方法通过对初始预测算子和更新算子插值补0,来获得不同分解层上的预测算子和更新算子.冗余第2代小波不需要剖分运算,直接利用构造的算子对逼近信号进行对称预测和更新,可使逼近信号和细节信号的数据点数保持不变,并根据每层细节信号的噪声特点选取降噪阈值门限.实验和工程振动信号分析表明,冗余第2代小波的降噪效果优于其他类型的小波方法,较理想地提取出了滚动轴承内圈剥落和汽轮发电机组高压缸蒸汽激振的时域故障特征.     

基于VMD-DBN的滚动轴承故障诊断方法

为揭示滚动轴承故障振动信号的典型特征规律,结合变分模态分解(VMD)与深度置信网络(DBN)的优势,提出轴承振动信号特征的提取方法.将信号先进行基于VMD的分解,根据各模态分量频谱图确定其模态参数,得到若干个模态分量.然后,基于DBN强大的特征提取能力,采用DBN无监督特征提取方法,将得到的模态分量映射到一维,并融合各分量的DBN特征形成特征向量,将其作为粒子群优化支持向量机(PSO-SVM)的输入进行故障诊断.实验验证与对比分析证明了VMD-DBN方法的可行性与优越性.     

基于LMD和AR模型的转子系统故障诊断方法

提出了基于局部均值分解(Local mean decomposition,简称LMD)和AR模型相结合的转子系统故障诊断方法.该方法先用LMD方法将转子振动信号分解成若干个瞬时频率具有物理意义的PF(Product function,简称PF)分量之和,然后对每一个PF分量建立AR模型,提取模型参数和残差方差作为故障特征向量,并以此作为神经网络分类器的输入来识别转子的工作状态和故障类型.与EMD方法的对比研究表明,这两种方法均能有效地应用于转子系统的故障诊断.但LMD方法信号分解后数据残差比EMD方法的小.     

利用ICA的局域波分解及其在机械故障诊断中应用

局域波分解算法的自身局限使得分解分量之间的正交性不能得到保证,分解分量存在信息冗余,从而影响了分解质量.针对这个问题,将独立分量分析(ICA)引入局域波分解过程中,以消除分解分量的信息冗余,使得局域波分解得到的基本模式分量之间相互正交独立,改善局域波分解算法的局限性,准确地进行局域波分解.应用该方法对转子早期碰摩振动信号进行了分析,并对分解得到的高频基本模式分量进行Hilbert包络解调分析,准确提取了转子碰摩故障特征.试验数据的分析结果证明了方法的准确性和有效性.     

基于多层超限学习机的滚动轴承故障诊断方法

针对目前轴承故障诊断领域存在的海量数据问题及快速学习、实时监测的诊断要求,采用一种多层超限学习机方法对滚动轴承故障数据进行诊断测试。该方法直接学习轴承故障振动时域信号,与传统诊断方法相比,省去了复杂的信号处理过程,更加简便。将多层超限学习机方法的诊断结果分别与单层超限学习机、深度神经网络方法的诊断结果进行比较,多层超限学习机具有明显优势:(1)与单层超限学习机相比,多层超限学习机具有更好地学习和特征提取能力,其诊断准确率可达到98.29%;(2)与深度神经网络相比,多层超限学习机能够在保证较高诊断准确率的前提下,获得较快的训练速度,其训练速度较深度神经网络提高了41倍。结果表明,所采用的方法在滚动轴承故障诊断方面具有很好的效果和应用价值。