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。     

基于参数优化变分模态分解与支持向量机的齿轮箱故障诊断

齿轮箱故障振动信号具有非线性、非平稳的特点,在故障早期难以实现故障特征的提取和故障类型的识别。本文提出磷虾群算法（krill herd algorithm, KHA）-变分模态分解（variational mode decomposition,VMD）-多尺度排列熵（multi-scale permutation entropy,MPE)与支持向量机(support vector machine,SVM)相结合的齿轮箱故障类型识别算法。首先对采集到的齿轮箱振动信号利用KHA优化的VMD进行分解,选取有效分量进行重构,然后求取其MPE作为特征向量,最后将特征向量输入SVM进行故障类型的识别。通过实测数据的分析表明,故障类型识别准确率达到了99.14%,该方法在机车车辆、发电机组等装备的齿轮箱状态监测和故障诊断中具有一定的参考价值。     

基于GOA优化支持向量机滚动轴承故障诊断

针对滚动轴承早期故障难以辨别,提出了一种采用变分模态分解法(visual molecular dynamics, VMD)提取特征,基于蚱蜢算法(grasshopper optimization algorithm, GOA)和优化支持向量机(support vector machines, SVM)的故障诊断方法。首先采用贪心策略预处理滚动轴承的振动信号数据,然后基于变分模态分解处理振动信号数据得到多个本征模态分量(intrinsic mode function, IMF),其次计算各IMF分量的能量和相关时频特征构成多模态特征矩阵,最后利用蚱蜢算法优化的支持向量机进行故障的诊断和识别。通过实验测试大量数据得出的滚动轴承故障诊断结果表明VMD-GOA-SVM不仅可以识别滚动轴承不同的故障类型,同时相比传统方法亦有较高的准确度和运行效率。     

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VMD和马氏距离SVM的滚动轴承故障诊断

针对滚动轴承早期故障识别较困难的问题,提出一种基于变分模态分解(VMD)和马氏距离支持向量机(SVM)的诊断方法。首先,采用小波阀值法对原始振动信号进行去噪处理,获得有效的振动信号。其次,根据VMD分解后每个模态的中心频率大小不同,确定最终分解层数。同时,从分解后的变分模态分量中提取能量特征。最后,为了对样本间进行距离度量,将马氏距离引入SVM的高斯核函数计算中,建立了一个基于马氏距离的高斯函数核,用于支持向量机分类器。利用改进的SVM对轴承的运行状态进行识别,实验结果表明所提方法在识别轴承正常状态、内圈、外圈以及滚珠体故障时,具有较高的准确率。     

基于MVMD-MOMEDA的齿轮箱故障诊断方法

针对齿轮箱振动信号受复杂传递路径、强背景噪声的影响导致早期微弱故障难以诊断的问题，提出了一种基于多元变分模态分解(MVMD)和多点最优最小熵反褶积调整(MOMEDA)的齿轮箱故障诊断方法。首先，利用MVMD将融合后的多通道振动信号进行模态分解，得到一系列表征信号局部特征的IMF分量；其次，引入峭度值(Ku),选取最佳模态进行信号重构，剔除含噪声分量高的IMF;最后，对重构信号进行MOMEDA特征提取以识别故障频率，从而进行故障诊断。结果表明，所提故障诊断方法可以有效剔除噪声分量的干扰，识别出信号中的故障冲击成分及其倍频进而确定故障类型。MVMD-MOMEDA方法解决了在单一通道问题上无法处理多源信号的缺点以及早期微弱故障特征难以提取等问题，可为故障诊断和多源信号处理提供参考。     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

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。     

基于EMD和多重分形谱参数的耐火材料损伤模式识别

考虑到耐火材料损伤声发射信号模式识别困难,提出一种结合经验模态分解(EMD)、多重分形谱参数和支持向量机的耐火材料损伤形式分类方法。首先对耐火材料损伤声发射信号进行EDM分解得到若干本征模态函数(IMF)分量,并取前4个分量作为研究对象,然后将整个信号的多重分形谱宽及各IMF分量的多重分形谱宽组成的特征向量输入支持向量机进行学习训练,最后实现耐火材料损伤模式识别。研究结果表明,采用由原信号及各IMF分量的多重分形谱宽值组成的特征向量能够有效进行损伤信号的特征提取。该方法对耐火材料界面相损伤的分类准确率为99%,对其基质相损伤的分类准确率为89%。     

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.     

基于变分模态分解-支持向量机混合算法的TN系统大阻抗接地故障配电线路保护

低压配电TN系统发生接地故障的配电线路阻抗较大时,采用以剩余电流幅值大小作为动作依据的剩余电流动作保护电器防护措施,不能有效解决接地故障防护问题。从分析剩余电流波形的角度出发,采用一种基于变分模态分解(variational mode decomposition, VMD)及支持向量机(support vector machine, SVM)分类的故障诊断方法。该方法在低压配电系统内测得剩余电流信号波形,对该波形进行VMD分解后得到各剩余电流信号的固有模态函数(intrinsic mode function, IMF),对其进行Hilbert变换并进行积分得到Hilbert边际谱,再求该边际谱的能量熵,将其作为特征向量输入SVM进行分析,最后准确区分正常状态和故障状态。结果表明：发生配电线路大阻抗接地故障时,该方法可以大幅提高用剩余电流动作保护电器(residual current protection device, RCD)作为故障防护的准确率。     

相空间重构与差分进化算法-烟花算法-支持向量机结合的高压开关机械故障诊断方法

振动信号特征识别是一种有效地非侵入式高压开关机械故障诊断方法。提出采用互补集合经验模态分解(CEEMD)结合相空间重构提取有效特征,输入到差分进化算法(DE)和烟花算法(FWA)优化支持向量机(SVM)核函数参数的分类器,实现DE-FWA-SVM对机械故障诊断的准确识别。首先,通过CEEMD将振动信号分解成一系列固有模态函数(IMF),对相关系数较大的IMF分量进行相空间重构,提取表征混合特征的最大李雅普诺夫指数和关联维数构造特征向量;引入DE算法优化FWA算法的求解精度和收敛速度,再以DE-FWA对SVM参数寻优,解决SVM参数选择敏感问题;最后根据模拟四种典工况进行试验分析,结果表明:该振动提取方法能准确提取特征,DE-FWA-SVM表现出更优分类性能。     

基于改进EEMD的卷积神经网络滚动轴承故障诊断

集合经验模态分解(EEMD,ensemble empirical mode decomposition)对信号进行分解,得到的模态函数(IMF,Intrinsic model function)在2端点存在严重的发散现象,如果将分解结果直接应用到故障诊断系统中,会导致诊断的准确率下降。首先将支持向量机(SVM,support vector machine)和EEMD算法结合进行信号分解,并利用仿真信号进行可靠性分析;其次对SVM(support rector machine)-EEMD分解的分量进行选择后再分解并构建能量向量,最后和卷积神经网络结合,构建滚动轴承故障诊断模型并通过实验验证。结果表明,改进EEMD算法可以有效缓解端点发散问题,构建的故障诊断模型提高了故障诊断精度。     

基于特征筛选的经验模式分解脑电信号分类方法

脑-机接口已成为一种独立于正常周围神经和肌肉的从大脑到输出设备的新型通信方式.而脑电信号处理是其中的关键技术之一.利用小波变换和经验模式分解对脑电信号进行分解重构出8个内涵模态分量(IMF),然后再对分解后的IMF计算排列熵,运用比较特征值的显著性差异(Pearson系数)筛选出特征冗余小的IMF熵值,并利用遗传算法优化支持向量机进行分类,准确率达到97.64％.     

基于特征量融合和支持向量机的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种经验模态分解（EMD）结合时域分析后使用主成分分析（PCA）融合特征量的特征提取方法。首先,通过EMD分解得到前五个本征模态函数（IMF）分量的上、下包络值矩阵的奇异值;然后,对轴承原始信号进行时域分析得到各种时域特征参数;最后对奇异值和时域特征参数使用PCA降维融合后输入到多分类支持向量机（SVM）中进行分类。通过实验仿真验证,融合后的特征量诊断准确率达到了98.6%,该方法能充分地提取出轴承故障特征信息,诊断效果良好。