改进变分模态分解-多尺度排列熵结合广义回归神经网络的高压直流输电线路故障辨识

针对现有的高压直流(high voltage direct current, HVDC)输电线路故障识别方法识别准确率低，且无法同时准确识别低阻和高阻故障的问题，提出一种改进变分模态分解(variational mode decomposition, VMD)-多尺度排列熵(multi-scale permutation entropy, MPE)结合广义回归神经网络(general regression neural network, GRNN)的HVDC输电线路故障辨识方法。首先采用鲸鱼算法改进后的VMD对故障电流信号进行分解，并选择合适的本征模态函数(intrinsic mode function, IMF)分量计算多尺度排列熵和IMF能量和比值提取故障特征组成故障特征向量，然后将特征向量输入到GRNN网络中进行训练与测试，利用GRNN网络对小样本数据的高分类能力识别不同类型的故障。实验结果表明，所提出的方法对HVDC输电线路不同类型故障辨识准确率高，无论发生低阻或高阻故障都能够准确辨识，耐受过渡电阻能力强，在小样本故障辨识方面性能突出，可靠性高。     

免疫遗传优化Elman神经网络的旋转机械故障诊断

针对旋转机械故障诊断过程中故障知识相互关联的过程难以用传统机器学习模型快速得到全面的典型故障数据,提出一种免疫遗传算法(immune genetic algorithm,IGA)优化Elman神经网络的故障诊断模型。首先对滚动轴承振动信号进行经验模式分解(empirical mode decomposition,EMD),得到多个内禀模态分量(intrinsic mode function,IMF),再提取表征状态特征的内禀模态分量能量构建特征向量输入到IGA优化的Elman神经网络进行故障模式辨识,IG     

基于EEMD和改进VPMCD的滚动轴承故障诊断方法

针对原VPMCD方法在参数估计过程中存在的缺陷,用BP神经网络非线性回归方法代替原方法中的最小二乘法,解决了最小二乘法中存在的病态问题,因此,提出了改进多变量预测模型(Variable predictive mode based class discriminate,简称VPMCD)的滚动轴承故障诊断方法.首先采用总体经验模态分解(Ensemble empirical mode decomposition,简称EEMD)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,然后提取各分量奇异值组成特征向量作为改进VPMCD的输入,最后对滚动轴承工作状态和故障类型进行识别.实验结果表明,该方法能够有效地应用于滚动轴承故障诊断.     

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%。     

基于VMD-SSA和多频段Hilbert能量的高压直流输电线路单端量保护方法

高压直流(high voltage direct current, HVDC)输电线路对故障暂态电压信号大多数频段都具有衰减作用,而HVDC的物理边界对高频分量会产生较强的衰减作用,对低频分量会产生一定的放大作用。根据上述特征,提出了一种基于变分模态分解(variational mode decomposition, VMD)-麻雀搜索算法(sparrow search algorithm, SSA)和多频段希尔伯特(Hilbert)能量幅值的高压直流输电线路单端量保护方法。利用SSA对VMD参数进行优化后,对故障暂态电压信号进行分解,然后对分解后的各个内涵模态分量(intrinsic mode functions, IMF)进行Hilbert变换求取其200～1 200 Hz低频段和8～12 kHz高频段的Hilbert能量,利用低频段和高频段Hilbert能量之比构造故障区段识别保护判据,通过正极和负极其高低频段Hilbert能量和之比来判断故障极。仿真实验证明,所提出的方法能够有效避免利用经验模态分解(empirical mode decomposition, EMD)故障信号时...     

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EWT和SVD技术的齿轮故障诊断方法研究

本文基于经验小波变换(EWT,empirical wavelet transform)和奇异值分解(SVD,singular value decomposition)技术提出了一种齿轮的故障诊断方法.首先采用EWT方法将齿轮的振动信号分解为若干个本征模态分量(IMF),并利用这些IMF分量形成向量矩阵.而后对初始向量矩阵进行奇异值分解,根据奇异值分解的三大特性,将求得的特征向量矩阵的奇异值作为齿轮振动信号的模式特征向量.最后通过建立马氏距离判别函数判断齿轮的振动情况和故障类型.通过对实际实验数据的分析,证明了该方法在齿轮故障诊断中有效性.     

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。     

一种基于经验模态分解和流形学习的滚动轴承故障诊断方法

提出一种基于经验模态分解(EMD)和流形学习(LTSA)的滚动轴承故障诊断方法。首先,利用EMD对滚动轴承振动信号进行自适应分解,计算IMF分量的协方差矩阵特征值,组成滚动轴承状态原始特征集;然后利用LTSA对原始特征集进一步的融合提取;将所得新特征输入到K-means分类器中进行故障识别与聚类。实验分析结果表明:该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。     

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EMD的复合故障诊断方法

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了一种基于经验模式分解的故障诊断方法,进行复合故障的耦合特征分离和轴承损伤性故障信号特征提取研究. 该方法首先通过经验模式分解将复合信号分解为若干个本征模函数(intrinsic mode function, IMF);然后通过计算各IMF与原始复合信号的相关系数确定包含故障特征信息的主要成分,除去虚假分量;最后针对主要成分中的低频成分进行频谱分析提出转子故障特征,针对主要成分中的高频成分进行Hilbert包络解调提取调制故障特征,即轴承损伤性故障特征. 仿真及实验结果表明该方法的有效性和实用性.     

基于CEEMDAN能量熵的故障特征提取方法

作为武器装备的重要组成部分,复杂机械设备发生故障会严重影响其性能,如何将故障特征有效提取出来尤为重要。针对复杂机械设备振动信号非平稳非线性的特点,本文提出利用自适应噪声集合经验模态分解（CEEMDAN）结合能量熵的方法提取信号故障特征,并以某型装备柴油机为例进行验证。通过构建多分量调制信号,分析比较了EMD、EEMD、CEEMD以及CEEMDAN四种算法的分解效果。利用CEEMDAN对振动信号进行分解,提取相关性较大的IMF分量的能量熵作为特征向量,输入到支持向量机中进行模式分类。研究表明,CEEMDAN能够一定程度上抑制了模态混叠问题,对于不同类型的故障能够有效的识别。     

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.     

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。     

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。