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。     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。     

谐波小波样本熵与HMM模型的轴承故障模式识别

根据谐波小波分解非平稳振动信号优良特性与隐马尔科夫(HMM)模型的时序模式分类能力,提出了一种基于谐波小波样本熵与HMM模型结合的轴承故障模式识别方法.该方法首先利用谐波小波对轴承各个状态故障信号进行分解,进而由谐波小波三维时频网格图的频率层数特征计算合理的样本熵维数和阈值,依次提取轴承振动信号各层的样本熵构成特征向量序列;然后将序列前120组输入HMM模型中进行训练得到对应故障模型,剩余80组进行测试与识别,通过对比对数似然估计概率输出值确定轴承故障类型.实验通过与BP和RBF神经网络模型进行不同训练组数的正确识别率对比,验证了该组合方法具有识别准确率高,稳定性强的优点.     

基于VMD-AR谱的多轴转子系统故障特征信息提取方法

为了解决现有分解方法在近频部分产生模态混叠的问题,提高时变参数模型对故障信号直接诊断的准确性,研究了多轴转子系统的典型故障信号分析方法.提出了基于变分模态分解(VMD)和AR谱相结合的故障特征信号分析方法;采取瞬时频率均值法选取VMD中的分解模式数k.经VMD分解产生固有模态函数(IMFs),采用AR谱对IMFs分量进行特征提取,分析典型故障模式相对应的特征频带.结果表明:基于VMD-AR谱的故障特征提取方法解决了分解模式数k的选取难题,避免k值的经验选取;VMD能够抑制信号分解近频部分的模态混叠,而AR模型克服了Hilbert分离算法存在的加窗效应,在频带划分上具有较强的分辨率.该方法可有效进行故障特征提取,并为改进的粒子群优化算法的混合核支持向量机算法提供特征信息.     

VMD参数优化及其在轴承故障特征提取中的应用

针对群优化算法对变分模态分解所需模态数和二次惩罚项参数寻优效率较低的问题,提出了快速局部均值经验模态分解的信号预处理方法.对预处理后的模态分量根据相似系数准则进行模态数预估,同时利用多评价指标选择二次惩罚参数.针对VMD对故障信号中存在的固有振动高频带分解效果较差的问题,利用自相关能量函数实现降噪和减小高频带的影响.通过仿真实验和实测轴承故障数据分析,并与群优化算法选择参数以及中心频率相近选取模态数的VMD分解效果相比,该方法能有效提取故障信号的特征频率.      

基于改进变分模态分解及循环相关熵谱的轴承故障诊断

针对强背景噪声下非高斯脉冲噪声和高斯噪声对滚动轴承故障诊断产生严重干扰的问题,提出了一种基于改进变分模态分解(variational mode decomposition, VMD)并与循环相关熵谱(cyclic correntropy spectrum, CCES)相结合的故障诊断方法。首先,针对VMD传统重构指标易受噪声影响的问题,引入相关熵峭度(correlation entropy kurtosis index, CEK)指标对VMD分解后的模态分量进行选择与重构,去除高斯噪声;然后针对重构后信号仍存在的脉冲噪声影响问题,对重构信号进行CCES投影融合去除非高斯脉冲噪声干扰并增强特征;最后对融合结果进行分析与故障诊断。经仿真测试与实验表明,所提出的方法可以在高斯噪声和非高斯脉冲噪声背景下有效提取滚动轴承故障特征频率并实现故障诊断。     

自适应广义形态滤波和GG聚类在轴承故障识别中的应用研究

针对复杂工况下滚动轴承受机械噪声等因素影响轴承故障类型区分难的问题,提出了一种基于自适应广义形态滤波和GG聚类的轴承故障诊断方法。采用自适应广义形态滤波对轴承振动信号进行降噪处理,对降噪后的信号进行变模式分解,去除虚假分量和噪声分量,最后对去噪后故障特征较多的信号分量求解近似熵,作为特征向量输入GG聚类分类器中,达到故障分类。仿真实验结果证明该方法能有效提取信号特征信息,准确识别故障类型。     

基于VMD-熵方法的管道信号特征提取方法

由于仪器设备工作以及室外环境等因素的影响,采集的管道信号中会存在一定的随机噪声,使原始信号失去本身特征,导致无法对管道信号进行准确识别,为此,提出一种基于变分模态分解(VMD:Variational Mode Decomposition)算法-熵方法的特征提取方法。首先基于VMD算法对采集的管道工况信号进行去噪处理,然后从能量、冲击特性、时间序列复杂性3个角度全面提取不同工况下的信号特征,分别计算3种工况信号重构后信号的能量熵、峭度熵以及模糊熵,最后建立特征向量输入到极限学习机中进行工况识别。实验结果表明,该特征提取方法相比其他特征参数能更加准确地分类识别管道工况信号,识别率达到98.33%,证明该方法对管道泄漏信号分类识别的可行性。     

内燃机优化VMD-CWD时频表征与BSNMF编码识别诊断方法

针对内燃机振动响应信号强耦合、弱故障特征的问题,提出一种基于参数优化VMD-CWD内燃机振动时频表征与BSNMF分块编码识别的故障诊断方法.利用变分模态分解(VMD)将内燃机振动信号分解成一组本征模态函数(IMF),并叠加IMF分量信号的Choi-Williams分布(CWD)获得时频聚集性良好,无交叉项干扰的振动谱图像.针对VMD分解过程中的参数选取问题,引入功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性.为了实现内燃机振动谱图像的自动识别诊断,在稀疏非负矩阵分解(SNMF)的基础上提出一种更容易收敛的分块稀疏非负矩阵分解算法(BSNMF),用来对内燃机振动谱图进行特征提取,并采用支持向量机对提取的特征参数直接进行模式识别.将本文方法应用于内燃机故障诊断实例中,结果表明:该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机气门机构故障的自动诊断.     

基于小波包散布熵与Meanshift概率 密度估计的轴承故障识别方法研究

为提升轴承故障特征提取精度和运行状态评估准确性,提出一种基于小波包散布熵与Meanshift概率密度估计的诊断方法.首先,采用小波包变换对轴承振动信号数据进行升维,通过计算每个子带的散布熵构建特征矩阵;然后,利用PCA对多维矩阵进行可视化降维,采用Meanshift无参估计得到训练样本的概率密度最大位置作为聚类中心;最后,通过计算测试样本散布熵坐标与各聚类中心的欧式距离判定测试样本类别归属.采用CWRU和QPZZ-II轴承实验台不同故障类型和故障程度样本数据对所提方法进行验证,结果表明,得益于小波包完备的理论模型和信号频带分解稀疏性,结合散布熵指标对数据样本良好的鲁棒性,所构造的特征矩阵具有较好的类内聚集性和较大的类间距离,同时,Meanshift以概率密度最大化为目标自适应迭代聚类中心和隶属度,可以有效实现对不同数据样本的分类识别.     

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。     

基于频谱相关性分析的齿轮早期磨损诊断

基于振动分析的齿轮故障检测已被证明在故障识别中是有效的,但对表征早期磨损的振动信号的提取和识别仍没有得到很好的解决.本文提出一种基于频谱相关性分析的变分模态分解(VMD)和核支持向量机(SVM)相结合的齿轮早期磨损诊断方法,对能够揭示早期磨损状态的微弱齿轮振动信号采用近似完全重构的准则来初始化模式数,并采用信号功率谱密度最大值对应的频率初始化VMD方法的中心频率,用以有效提取齿轮磨损信息,进而结合核支持向量机进行齿轮的早期磨损诊断.实验结果表明,所提方法可有效克服背景噪声大无法预设模式数的问题,对噪声具有更好的鲁棒性,诊断准确率达到94.4%,可为齿轮早期磨损检测提供解决方法.     

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%.     

基于小波包分解-峭度值指标-希尔伯特包络解调融合方法处理声发射信号的滚动轴承故障诊断

为实现对航空发动机主轴承进行故障诊断,以复杂传递路径下声发射信号的波形分析为基础,提出一种基于小波包分解(wavelet packet decomposition, WPD)、峭度值指标(kurtosis index, KI)以及希尔伯特包络解调(Hilbert envelope demodulation, HED)相结合的滚动轴承故障特征信息提取方法。采用WPD方法对滚动轴承声发射信号分解获得节点分量,基于KI对节点分量排序筛选进行信号重构,进而对重构信号进行HED分析,提取出轴承故障特征频率用于对比诊断。开展简单以及复杂传递路径下滚动轴承故障模拟试验,采用建立的方法分别针对滚动轴承外圈、内圈典型故障试验数据进行分析和诊断。结果表明：该方法可有效提取滚动轴承故障特征频率及其倍频,且针对复杂传递路径下处于工作状态的滚动轴承,仍可实现精准的特征信息提取和有效的故障诊断。     

基于多注意力机制的端到端滚动轴承故障诊断方法

针对传统滚动轴承故障诊断中复杂的特征提取问题，利用深层残差网络能够增强诊断模型非线性表征能力的特点，通过引入通道注意力与空间注意力机制，提出一种基于多注意力机制端到端的滚动轴承智能故障诊断方法。首先，通过原始振动加速度信号经过积分运算得到速度和位移；然后，将3者组合成具有特征增强的图像，输入至结合了多注意力机制的深层残差网络实现特征提取；最后，利用多分类函数完成滚动轴承故障分类。在本地实验室轴承数据集上进行了验证，结果表明，所提方法的诊断准确率达到了97.50%。验证了基于多注意力机制端到端的滚动轴承智能故障诊断方法的可行性和有效性，可为滚动轴承的精确故障诊断提供支持。     

基于优化VMD和MCKD的滚动轴承早期故障诊断方法

针对滚动轴承早期故障信号易受噪声等背景信息干扰难于提取故障特征的现象,提出了将优化K值的变分模态分解(VMD)和粒子群优化算法(PSO)优化参数L,M的最大相关峭度解卷积(MCKD)相结合提取滚动轴承故障特征频率的方法.首先,确定VMD中K值,对信号进行分解后得到一系列模态分量;然后利用EWK指标选择包含故障信息最多的有效模态分量进行后续分析,利用优化的MCKD对其进行增强;最后对增强信号进行包络解调提取故障特征频率,验证所提方法的有效性.仿真和实验表明该方法可以精确地提取出轴承故障信号中的特征频率,实现故障诊断.