机车故障诊断的局域均值分解解调方法

为了有效地识别机车走行部的早期故障,提高我国重载机车的运输能力,提出了一种针对机车故障振动信号的局域均值分解(LMD)解调诊断方法.LMD能够将多分量的调制信号自适应地分解成一系列乘积函数分量,分解与解调过程可同步完成.与Hilbert-Huang变换相比,LMD方法不需要通过Hilbert变换求解瞬时频率,从而避免了Hilbert变换加窗效应所带来的解调误差.由于不受Bedrosian和Nuttall定理的限制,不会出现负频率现象,通过滑动平均方法得到信号的局域均值和包络,因此不存在过包络、欠包络和断点效应.通过对实际机车走行部轴承和齿轮振动信号的分析,成功地提取了故障特征,与经验模式分解进行比较的结果说明,采用LMD方法提取尽可能多的有意义的调制分量,不仅避免了Hilbert变换加窗效应所带来的解调误差,而且更适合于多分量调制信号的处理.     

基于PF能量特征和SVM的变速箱轴承故障诊断方法

内圈点蚀、外圈压痕是变速箱滚动轴承常见典型故障,为实现其快速、准确诊断,提出基于局部均值分解(Local mean decomposition,简称LMD)的PF(Product Function)分量能量特征和支持向量机(Support Vector Machine,简称SVM)相结合的变速箱滚动轴承诊断方法.将采集的振动信号进行LMD局部均值分解,获得若干个PF分量,并以计算的PF分量的能量熵作为特征量输入支持向量机,进行滚动轴承的故障类型的识别.通过对滚动轴承正常状态、内圈点蚀故障和外圈压痕故障的诊断效果对比分析表明,相对于基于神经网络的轴承故障诊断方法,基于PF分量能量特征和支持向量机的诊断方法有着更高的故障识别率.     

基于小波包和支持向量机的传感器故障诊断方法

针对自确认压力传感器的故障诊断问题,提出了一种基于小波包变换和支持向量机的传感器故障诊断方法。该方法对传感器输出信号进行三层小波包分解,提取各个节点的小波包系数,对每个节点的小波包系数通过一定的削减算法增强故障特征,然后利用重构的时域信号计算各个节点的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。对自确认压力传感器、温度和流量传感器的故障诊断结果表明,该方法能有效地应用于传感器的故障诊断中。     

基于包络切片谱和时频谱的轴承故障诊断

为了有效提取轴承故障信号的故障特征以及更好地显示其时频特性,提出了基于局部均值分解(LMD)的包络切片谱分析及时频分布方法。首先,使用LMD对轴承故障信号进行分解得到一组PF分量。然后,对各PF分量的包络信号(瞬时幅值)进行切片谱分析。同时,由PF分量的瞬时频率和瞬时幅值获得各PF分量的时频分布。实测轴承故障信号的LMD包络切片谱分析及时频分布结果表明,LMD包络切片谱可准确获得内圈故障轴承和外圈故障轴承的故障特征频率,LMD时频分布可更直观地显示轴承故障信号的时变瞬时特性,可用于辨别轴承的故障形式。     

基于LMD近似熵和SVM的自适应重合闸方法

自适应重合闸的功能是快速、准确地辨识故障性质及捕捉电弧熄灭时刻.在分析瞬时性故障和永久性故障断路器跳闸后的端电压波形复杂性的基础上,提出了局部均值分解(LMD)、近似熵和线性支持向量机(SVM)相结合的自适应重合闸整体实现方案.利用LMD分解故障信号得到若干个PF分量,选取前3个PF分量算出其近似熵值构成三维特征向量,将三维特征向量作为SVM的输入量来区分故障性质和捕捉电弧熄灭时刻.线路故障仿真结果表明,该方案可智能识别故障性质和捕捉电弧熄灭时刻且具有一定的抗噪能力.     

基于LMD近似熵与HMM的转子故障诊断方法

提出一种基于局部均值模式分解(local mean decomposition,简称LMD)的近似熵和隐Markov模型(hiddenMarkov model,简称HMM)的转子系统故障识别新方法.利用LMD良好的局域化特性和近似熵来量化故障特征,再与HMM结合进行故障类型识别.用LMD方法将转子信号分解成若干个瞬时频率具有物理意义的乘积函数(product function)PF分量之和,选取转子信号的前3个PF分量的近似熵值作为信号的特征向量,将构造出的特征向量输入到HMM分类器中进行故障类型识别.仿真表明,该方法能有效地提取故障特征,结合HMM的动态统计特性可智能识别转子故障类型.     

基于LMD和SSA-SVM的电机故障诊断

针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法（SSA）优化支持向量机（SVM）的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的PF分量进行信号重构,重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵,直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机（SVM）对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2％,与PSO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性。     

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.     

LMD和改进小波阈值去噪的轴承声发射信号故障诊断

针对机械故障声发射信号特征提取的问题,提出了一种局部均值分解(local mean decomposition,LMD)和改进的小波阈值去噪相结合的方法;并应用于滚动轴承的故障诊断。首先,把改进小波阈值与三种小波阈值去噪方法进行比较分析。通过仿真信号表明,改进小波阈值方法能更为有效地去除噪声。其次,采用LMD方法将原始轴承故障的声发射信号分解,分解为若干个乘积函数(production function,PF)的线性组合,通过相关系数原则选取能够反映故障特征的PF分量,利用改进小波阈值去噪法对选出的PF分量进行进一步去噪。最后,对去噪后的声发射信号进行包络谱分析,诊断轴承故障的位置。通过滚动轴承单一故障和耦合故障的声发射实验验证了该方法的有效性。     

基于形态滤波优化算法的滚动轴承故障特征提取方法

针对轴承故障振动信号的非线性、非平稳性的特点,而且故障信号经常被各种噪声、干扰所淹没,提出了一种基于局部均值分解(local mean decomposition,LMD)与自适应多结构元素多尺寸差值形态滤波器相结合的方法。原始故障信号先经过局部均值分解得到若干乘积函数(product function,PF)分量,然后采用峭度值准则,选取峭度值最大的PF分量,再将其经过自适应多结构元素多尺寸差值形态滤波器进行滤波解调,最后解调结果进行频谱分析,提取故障特征。为了体现其可行性和优越性,与包络解调、LMD-形态闭运算和LMD-形态差值滤波三种方法进行了比较,仿真信号和实测轴承故障信号的分析结果表明,它具有更强的噪声抑制和脉冲提取能力,可以有效地提取滚动轴承故障特征信息,实现故障的精确诊断。     

基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法

提出一种基于奇异值分解(SVD)和深度信度网络(DBN)多分类器的滚动轴承故障诊断方法.对滚动轴承的振动信号进行相空间重构,得到相应的特征矩阵;对特征矩阵进行SVD分解,并用所得整个奇异值序列构造特征向量,建立DBN多分类器模型,以实现滚动轴承的故障诊断;同时,将所提出的方法与DBN、反向传播神经网络、支持向量机等算法进行对比.结果表明,所提出的方法能够更加稳定、可靠地识别滚动轴承的故障类型和故障程度.     

参数自适应VMD在高速列车轴箱轴承故障诊断中的应用

针对高速列车轴箱轴承故障特征提取困难和变分模态分解(VMD)参数的人为设置影响分解效果的问题,提出参数自适应VMD轴箱轴承故障诊断方法。首先,以平均包络谱熵为适应度函数,利用麻雀搜索算法自适应地寻找不同工况下的最优模态数K和惩罚因子α;其次,对原始轴承时域信号进行VMD分解,利用快速谱峭度图分析最小包络熵的IMF分量,并根据分析结果对该IMF分量进行带通滤波以增强故障特征;最后,对滤波后信号进行希尔伯特包络解调分析,并将分析结果与理论计算所得特征频率进行对比,对轴箱轴承故障进行分类辨识。研究结果表明：与经验模态分解(EMD)、局域均值分解(LMD)、集合经验模态分解(EEMD)等自适应信号分解方法相比,本文所提方法能更有效地降低噪声的影响,提取复杂耦合工况下轴箱轴承振动信号中的故障特征。     

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%。     

基于特征熵和优化SVM的轴承故障诊断方法

为了对轴承的故障进行有效的识别,提出基于特征熵和优化支持向量机的轴承故障识别新方法.利用EMD分解信号提取分解信号的能量熵,由于这些熵值之间冗余信息较为严重,因此选用主成分分析对这些熵信息进行约简,提取最有效的特征信息,作为支持向量机模型的输入.通过粒子群优化选取最优决策树构造最佳的支持向量机分类模型进行状态的识别和判定,提高了分类的精确度.通过一个滚动轴承的实例说明方法的有效性和准确性.     

基于多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有不同复杂性的特点,提出了一种新的基于多尺度熵(multi-scale entropy,简称MSE)和支持向量机的滚动轴承故障诊断方法.该方法首先利用MSE方法对滚动轴承不同类型振动信号进行故障特征提取,然后与样本熵方法对比说明MSE方法相对于样本熵方法的优势,最后通过适合小样本分类的支持向量机作为分类器来识别滚动轴承故障类型.对实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.     

基于改进LMD和综合特征指标的滚动轴承故障诊断

局部均值分解(local mean decomposition,LMD)适用于分析非平稳的滚动轴承故障信号.文章针对LMD存在的端点效应以及敏感分量难以筛选的问题,提出一种基于匹配误差的四点波形延拓方法来改善端点效应,将综合特征指标与K-means聚类分析相结合筛选敏感分量;轴承故障信号经改进的LMD分解为若干个乘积函...     

基于多分辨率分析和支持向量机的电力电子电路故障诊断技术

将小波多分辨率分析(multi-resolution analysis,MRA)和支持向量机(support vector machine,SVM)应用于电力电子电路故障的诊断.首先采用小波多分辨率分析对电力电子故障信号进行特征处理,再用支持向量机理论建立多类故障分类器来识别电力电子电路故障,仿真结果验证了该方法的正确性和有效性.     

基于LMD和FCM的滚动轴承故障诊断方法

滚动轴承振动信号具有非线性、非平稳性,轴承故障发展具有渐变模糊性。因此,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和模糊C均值聚类(Fuzzy C-means Clustering,FCM)相结合的轴承故障诊断方法。应用此方法对轴承外圈故障、内圈故障以及滚动体故障进行诊断,结果表明该方法可以有效地对轴承故障类型进行识别。     

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。     

支持向量机在刀具磨损多状态监测中的应用

基于多传感器信号、采用多分类支持向量机(support-vector-machine,SVM)实现了刀具监测的多状态辨识.通过对切削过程中的多向切削力和振动信号等多传感器信息进行分析,分别获得时域、频域和小波域的信息作为磨损分类特征;同时,运用基于一对多(one-versus-all,OVA)的多分类支持向量机对刀具不同磨损状态下的特征数据样本进行训练和识别.对切削过程中不同磨损状态的分类结果表明,多分类支持向量机具有出色的学习能力,能够实现在小样本情况下的不同磨损阶段分类,并具有较高的识别精度.