基于双谱的模糊聚类滚动轴承故障诊断

为了能准确可靠地判别出机械设备中滚动轴承的故障类型,基于双谱能表征随机信号偏离高斯噪声程度的特性,提出一种模糊聚类的滚动轴承故障诊断方法。基于滚动轴承运行过程中监测到的振动信号包含高斯噪声且具有非高斯、非线性特点,该方法在分析高阶谱理论的基础上,对双谱估计特征值进行阈值化处理,构成二值特征图并构造模板,通过测试样本与目标模板之间距离大小来进行不同类别的判断,实现对滚动轴承故障的诊断。经实例验证,该方法有效实现了对滚动轴承故障的分类判别,并提高了判别的可靠性和准确性。     

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EEMD与形态滤波的滚动轴承故障诊断方法研究

为从滚动轴承故障信号中提取出包含故障信息的特征频率,提出集合经验模式分解法(EEMD)与形态滤波相结合的解调方法。该方法首先利用EEMD自适应地将信号分解成多个IMF分量,然后计算各IMF分量与原信号的相关系数,选择合适的IMFs进行信号重构,再对重构后的信号进行形态滤波,滤除脉冲干扰,提取出故障特征信息。将该方法应用于滚动轴承故障诊断实例中,并将分析结果与直接对原信号进行包络谱分析解调的结果进行对比。结果表明,该方法提取故障信息的效果较包络谱分析解调的效果要好。     

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EEMD降噪与二次相位耦合的滚动轴承故障诊断

针对滚动轴承出现故障时故障信号常常被强的背景噪声所淹没,故障特征难以准确提取的问题,提出了一种基于总体平均经验模态分解(EEMD)降噪与二次相位耦合的故障诊断方法.对原始信号进行EEMD分解,通过相关系数-峭度值的大小选取EEMD分解后得到的固有模态函数(IMF).对筛选出来的IMF进行了重构从而达到降噪的目的.对重构后的包络信号进行1.5维谱分析,提取二次相位耦合产生的非线性特征,从而得到滚动轴承故障特征频率信息.通过实测滚动轴承数据验证了该方法可以有效地提取轴承内圈和外圈的故障特征,从而识别轴承的故障.     

基于EEMD-Renyi熵和PCA-PNN的滚动轴承故障诊断

针对滚动轴承故障特征提取与状态监测问题,提出一种基于集合经验模式分解(EEMD)、Renyi熵、主元分析(PCA)和概率神经网络(PNN)的新方法.首先,将轴承振动信号通过EEMD分解成一组本征模态函数(IMF),计算每个IMF分量的Renyi熵值作为表征故障特征的向量,采用主元分析(PCA)对特征降维,提取主元输入概...     

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.     

可能性熵聚类

研究了基于可能性熵理论的聚类问题．首先定义并讨论了可能性熵,继而将可能性熵引入聚类分析,提出了可能性熵聚类算法．它考虑到熵聚类的全局和局部效应,具有清晰的物理意义和数学特征．该算法还能在聚类过程中自动地确定分辨率参数,克服了对于噪声和外围点的敏感性．仿真实验证明,即使各类大小不一,数据集被强噪声所污染时,该算法仍能有效地估计各类中心．     

基于多重分形降趋算法与改进的K均值聚类滚动轴承故障诊断

针对滚动轴承振动信号非线性、非平稳的特点,提出采用多重分形降趋算法计算多重分形谱参数作为特征参数,对比分析了多重分形降趋波动分析法及多重分形降趋移动平均法提取轴承故障特征的优劣性.并提出改进的K均值聚类分析对多重分形降趋算法提取的特征参数进行分类,从而实现轴承故障诊断的目的.运用滚动轴承公开数据对方法进行验证,提取时域特征与多重分形谱参数进行对比分析,并对两种多重分形降趋算法的效果进行对比分析,验证了多重分形降趋波动分析法与改进K均值聚类相结合对轴承故障诊断的有效性,为轴承故障诊断方法提供了一种新的尝试.      

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EEMD多尺度样本熵的S700K转辙机故障诊断

针对S700K转辙机在运行过程中的故障诊断问题,提出一种基于集合经验模态分解(EEMD)的多尺度样本熵的信号分析及故障诊断方法。首先对S700K转辙机功率曲线进行EEMD分解,得到不同时间尺度的固有模态函数(IMF)分量,并提取每一个IMF分量的样本熵,由于样本熵能够有效区分不同信号的复杂度,故可获得转辙机不同状态下的特征参数。最后,利用这些不同运行状态下的特征参数构建特征模式矩阵,采用模糊聚类分析算法求解该矩阵的模糊等价矩阵。在模糊等价矩阵中,当λ(可变阈值)在[0, 1]范围内变动时,模糊等价矩阵转化为等价的布尔矩阵,由布尔矩阵可以得到动态聚类图并得到分类结果,从而实现故障诊断。研究结果表明:本文算法能准确提取故障特征且支持多种故障同时检测,有效提高了S700K转辙机故障诊断的精度与效率。     

基于小波包熵和聚类分析的滚动轴承故障诊断方法

为了提高滚动轴承震动信号故障诊断的准确性,该文提出了一种基于小波包熵和聚类分析的集合型故障诊断方法。用小波包对滚动轴承振动信号进行三层分解,并提取其能量特征。以振动信号的能量分布作为概率分布进行信息熵运算,提取振动信号特征。为了检测是否有故障发生,结合减法聚类的思想,提出采用密度指标最高原则优化初始聚类中心的K均值聚类算法进行聚类。为了检验所提方法的有效性,采用不同故障直径的滚动轴承数据进行实验。实验结果表明,新的聚类方法克服了传统K均值聚类对初始聚类中心敏感的缺陷,其结果可以作为滚动轴承早期故障诊断的依据。     

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.     

基于层次逆向散布熵和WELM的滚动轴承故障诊断

滚动轴承的故障信息一般包含在振动信号中,如何有效地从原始信号中挖掘出故障信息,是机械设备健康状况检测和评估的关键.为此,本文提出了层次逆向散布熵特征提取方法,以提高故障诊断的准确性.该方法利用逆向理论解决了散布熵的不足,能从原始信号中获得更多的故障特征.其次,从时间序列中分层提取高频和低频分量,可以提高对动态特征的描述能力.仿真和实验分别证明了层次逆向散布熵的优越性.实验结果表明,本文方法在提取故障信息方面明显优于多尺度逆向散布熵、多尺度排列熵和多尺度样本熵.     

基于EEMD的奇异谱熵在旋转机械故障诊断中的应用

针对旋转机械振动信号的非平稳、非线性等特点,提出一种基于集合经验模式分解(EEMD)的奇异谱熵信号分析及故障诊断方法.该方法利用EEMD有效抑制模式混叠现象的优点,首先对原始振动信号进行EEMD分解,得到各阶本征模态函数(IMF),然后将各阶IMF分量构成一个特征模式矩阵,并对该特征模式矩阵求奇异谱熵值.奇异谱墒值的大...     

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法.通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型.实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断.     

多尺度排列熵在涡旋压缩机故障诊断中的应用

针对传统的单尺度信号分析在故障特征的表达上有很大的局限性,引入多尺度排列熵,对不同尺度下的涡旋压缩机振动信号进行了定量分析,并通过马氏距离实施故障诊断.实验结果表明,与单尺度排列熵相比,多尺度排列熵能够对不同故障的复杂性进行准确的描述,反映了不同尺度下故障特征的变化趋势.此外,选择合适尺度下的排列熵作为故障诊断的特征参数,既节省了时间,又可以提高诊断的准确率.     

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HHT边际谱熵-马氏距离的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性,依据HHT(Hilbert Huang Transform)理论和非线性熵概念,提出了一种基于HHT边际谱熵和马氏距离相结合的轴承故障诊断方法。首先对采集到的正常及故障轴承振动信号作小波变换阈值去噪,然后通过HHT得到Hilbert边际谱。依据广义信息熵的概念定义了边际谱能量熵函数,基于所提取的特征函数,采用马氏距离对轴承故障类型进行分类。实验结果表明,该方法可以准确、有效地实现轴承的故障判别,为实际滚动轴承故障诊断提供一定的理论参考。