本征时间尺度排序熵及其在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳、非线性特性,将经验模态分解方法和排序熵有机结合,提出一种新的基于自适应尺度的复杂度参数——本征时间尺度排序熵,用于描述不同本征模态分量的复杂程度,从而实现故障特征的量化描述。首先,将原始振动信号经过EMD分解得到若干本征模态分量,然后分别对各本征模态分量计算排序熵,即可得到不同本征时间尺度排序熵,最后利用该参数实现不同故障状态的有效区分与识别。实例分析结果表明了该方法的有效性和实用性,从而为机械设备状态监测与故障诊断提供了一种有效途径。     

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MEMD和RVM的滚动轴承外圈故障评判

针对经验模态分解(EMD)分析同一轴承的多通道故障信号不全面的问题,创建出一种将多元经验模态分解(MEMD)、互近似熵与相关向量机(RVM)相结合的方法,以全面分析滚动轴承外圈故障。首先,利用MEMD将滚动轴承外圈3点钟、6点钟和12点钟方向的多通道振动信号分解为多通道独立的多元本征模函数(MIMF)分量;然后,计算每个MIMF分量信号与原信号之间的相关系数,并求出相关系数最大的前两个MIMF分量的互近似熵值;最后,通过得到的近似熵值构建相关向量机分类模型,对滚动轴承外圈故障样本进行故障分析和评判,将该方法与EMD单一通道分析的方法相对比,结果表明了该方法的有效性和可行性。     

基于改进经验模态分解的直流串联电弧故障检测

针对直流系统中存在强噪声干扰时串联电弧故障检测准确度较低的问题，提出一种基于改进自适应噪声完备集合经验模态分解和模糊k均值聚类相结合的直流串联电弧故障检测方法；首先运用改进自适应噪声完备集合经验模态分解方法分解回路电流信号，得到多个本征模态函数；然后计算各本征模态函数的Hurst指数值以区分噪声分量和有用分量，将Hurst指数值大于0.5的有用分量进行重构；最后计算重构信号的峰峰值特征量和模糊熵特征量以构建特征向量作为模糊k均值聚类的输入，通过聚类中心的不同位置识别正常与故障状态。仿真与试验结果表明，所提出的方法区分系统正常与故障状态准确度为100%,区分系统干扰与故障状态准确度为93%,能有效识别直流串联电弧故障。     

基于SSA-SVM的航空电弧故障检测

针对航空线路系统电弧故障隐蔽性高和难以检测的问题,提出一种基于麻雀搜索算法优化支持向量机（Sparrow Search Algorithm Optimization Support Vector Machine,SSA-SVM）的航空电弧故障检测方法。首先采用小波分解对电弧故障电流数据进行分解,小波分解能有效克服经验模态分解时存在的模态混叠问题。再从信号无序度的角度对电流分量提取能量熵、模糊熵与近似熵,并构造特征向量。然后,使用麻雀搜索算法对支持向量机的权值进行优化,得到最优的权值,最后用训练好的支持向量机对测试样本进行分类。为了验证所提方法的有效性,搭建电弧实验平台,模拟航空线路系统电弧故障的产生,分别采集交流串联正常和电弧故障电流数据,应用本文提出的SSA-SVM算法进行电弧故障检测,结果表明,该方法能较好地识别出电弧故障,检测准确率达到99.5%,相比于粒子群算法或遗传算法优化的支持向量机对电弧故障的检测准确率分别高出2.5%和2%。     

基于CEEMDAN多尺度模糊熵和SSA-BP神经网络的VP型垂直摆倾斜仪故障辨识

针对现有倾斜仪故障记录的甄别与分类主要依靠人工经验,诊断过程繁琐及诊断精度不高的问题,充分利用信号分解技术的特征升维与机器学习模型的快速自动分类等优势,提出一种结合完备集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）多尺度模糊熵和麻雀搜索算法（SSA）优化BP神经网络的VP型宽频带垂直摆倾斜仪故障自动诊断方法。该方法首先将故障数据归一化,利用CEEMD分解信号得到本征模态函数（IMF）的多尺度模糊熵,然后基于麻雀搜索算法（SSA）优化BP神经网络的权值与阈值,得到最佳权值和阈值,最后应用SSA-BPNN模型对倾斜仪故障特征数据进行辨识。实验表明:CEEMD多尺度模糊熵判据具有良好的倾斜仪故障特征区分效果;SSA-BP神经网络模型在准确率和召回率上,相比BP模型分别提高4.758 1、6.321 6个百分点,辨识过程更稳健,弥补了VP型倾斜仪在故障智能识别领域的空白。     

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EMD多尺度能量熵的气液两相流型表征

采用经验模态分解(EMD)和信息熵相结合的方法研究垂直上升气液两相流多尺度非线性动力学特性。首先,对采集的电导波动信号进行经验模态分解,然后根据得到的本征模态函数分量(IMF)求取指标能量,在此基础上建立了一种基于指标能量的多尺度特征熵计算方法。结果表明,多尺度特征熵值不仅可以作为流型识别的特征向量,同时还可有效揭示气液两相不同流型的复杂流动特性。     

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。     

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.     

基于深度学习和经验模态分解的 双列圆锥滚动轴承故障诊断

双列圆锥滚动轴承在列车走行部应用广泛,由于该类轴承结构比较复杂,传统的故障诊断方法难以识别该类轴承的早期微弱故障.为此,提出基于深度学习的双列圆锥滚动轴承早期微弱故障诊断方法.首先,对轴承的振动信号进行经验模态分解,提取信号的瞬时能量构造特征向量;最后,利用深度学习方法对特征向量进行无监督学习,生成故障诊断分类器,完成故障的分类识别.实验中对某型号双列圆锥滚动轴承的正常状态、内圈故障和外圈故障进行信号分析与故障识别.结果表明,所提方法能有效识别双列圆锥滚动轴承的早期微弱故障,分类准确率达到98%.     

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.     

采用滑动平均多元多尺度色散熵的液压泵故障诊断方法

为了提高色散熵的信息提取能力，在兼顾计算效率和效果的前提下，引入多维嵌入重构理论，借鉴滑动平均的思想，更新了传统多尺度算法的粗粒化方式，提出了滑动平均多元多尺度色散熵(moving average multivariate multiscale dispersion entropy，MA_mvMDE)用以提取液压泵故障特征。首先，利用均匀相位经验模态分解（uniform phase empirical mode decomposition，UPEMD）将振动信号分解为多个本征模态分量（intrinsic mode functions，IMF），再采用相关系数法筛选敏感分量，将包含大量故障信息的模态分量作为多通道数据计算其MA_mvMDE值来提取故障特征。接着，采用MCFS方法选择故障敏感特征实现降维。最后，通过随机森林分类器完成故障识别。采用液压泵故障振动数据验证了该方法能够准确诊断不同类型和不同程度的故障。     

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。     

CEEMD与广义形态差值滤波结合的故障诊断方法研究

为了提取滚动轴承早期微弱故障特征信息,提出一种互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与广义形态差值滤波结合的故障诊断方法.该方法首先对振动信号进行CEEMD分解成若干不同尺度的本征模函数(Intrinsic Mode Function,IMF)分量,利用相关系数-峭度准则来选取故障信息丰富的IMF分量信号,并对其进行重构;然后采用广义形态差值滤波器对重构后的信号进行滤波,以滤除噪声干扰;最后利用Teager能量算子(Teager-Kaiser Energy Operator,TKEO)对去噪后的振动信号进行分析,提取振动信号的故障特征.滚动轴承振动信号分析试验结果证明了本文方法的有效性.     

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。     

基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测

针对原始风速序列具有非线性、非平稳性和不可控性的问题,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-模糊熵(fuzzy entropy,FE)-深度信念网络(deep belief network,DBN)的短期风速预测模型。首先,利用CEEMD方法将原始风速序列分解为一系列不同尺度的本征模态分量(IMF)以降低其非平稳性;其次,利用模糊熵方法将多个IMF分量进行重组以避免分量数目过多给预测精度造成的影响;最后,利用深度信念网络其强大的深度特征提取能力和非线性映射学习能力的优点,分别对新的分量进行预测和叠加获得最终预测值。实验表明,较BP神经网络模型和DBN模型,组合模型提高了预测精度,具有可行性和有效性。     

基于小波包分析与互补集合经验模态分解的轴承故障诊断应用

针对滚动轴承早期故障信号特征微弱且难以提取的问题,提出结合小波包分析与互补集合经验模态分解的故障诊断方法;凭借小波包在分解时能处理噪声的功能,通过预处理振动信号初步消除噪声,然后利用互补集合经验模态分解得到各本征模态函数分量,并结合快速谱峭度的频带范围和相关系数计算,从而筛选出真实分量用以重构获得有效的故障特征信号。结果表明,该方法能较好地识别并提取目标轴承的故障特征信息,具有一定的可行性和有效性。     

EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断

针对滚动轴承故障诊断中,用振动信号的总体经验模式分解(EEMD)方法分解后的熵特征向量维数高,且样本熵(SE)计算效率差等问题,提出了一种基于EEMD排列熵(PE)的主成分分析(PCA)-GK滚动轴承聚类故障诊断组合方法。首先,使用EEMD方法将信号分解为若干个固有模态函数(IMFs),使用PE/SE计算其IMFs熵值;然后,使用PCA对熵特征向量进行可视化降维,并作为模糊C均值(FCM)与GK聚类算法的输入,实现对滚动轴承的故障诊断。利用分类系数和平均模糊熵,对聚类结果进行了评价与对比,实验结果表明:本文模型(EEMD-PE-PCA-GK)的聚类效果比其他3种模型(EEMD-SE-PCA-FCM、EEMD-SE-PCA-GK和EEMDPE-PCA-FCM)更好,且PE比SE的计算效率更快。     

高密度小波变换在滚动轴承复合故障诊断中的应用

针对目前滚动轴承中多种微弱故障难以准确识别的难题,提出基于高密度离散小波变换和包络谱的滚动轴承复合故障诊断方法.首先对采集的轴承振动信号进行高密度离散小波变换;然后对各尺度上的小波系数和尺度系数进行单子带重构,以消除频率混叠的影响;最后对各子带信号分量进行包络谱分析,并通过滚动轴承各典型故障的特征频率,识别滚动轴承存在的各种故障.将所提方法应用于具有复合故障的滚动轴承的诊断,并与其他常用的诊断方法进行对比,结果表明该方法能有效地实现滚动轴承早期复合故障诊断.