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-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EEMD-HHT边际谱的轴承故障诊断

提出一种基于聚合经验模态分解 (ensemble empirical mode decomposition,EEMD)和Hilbert-Huang变换（HHT）边际谱的滚动轴承故障诊断方法。首先采用EEMD方法将轴承振动信号分解成若干个模态混叠得到较好抑制的固有模态函数（IMFs）,然后对各IMF进行Hilbert变换,求出轴承振动信号的总HHT边际谱,最后根据该边际谱的幅值特性,确定滚动轴承的故障特征。本文方法提供了一种滚动轴承故障诊断的有效工具。     

基于ITD和模糊聚类的齿轮箱故障诊断方法

为提高齿轮箱故障诊断的准确性与效率,针对其振动信号非线性和非平稳性的特点,提出将固有时间尺度分解(ITD)和模糊聚类(FCM)相结合的齿轮箱故障诊断方法。首先对齿轮箱振动信号进行固有时间尺度分解,提取包含主要故障信息的前4个固有旋转分量(PRC),求取PRC的特征能量作为故障特征向量。然后利用模糊C-均值聚类算法对齿轮箱故障进行识别与诊断,并将该方法应用到现场齿轮箱的诊断中。结果表明,诊断结果与实际情况完全相符,该方法比经验模式分解与模糊聚类相结合的方法具有更高的计算速度和精度,为齿轮箱故障诊断提供了一种新的有效方法。     

基于邻域粗糙集概念的一种滚动轴承特征提取方法

针对滚动轴承早期微弱故障识别率偏低的问题,提出一种基于EEMD、邻域粗糙集和模糊C均值聚类(FCM)算法相结合的滚动轴承特征提取方法.该方法将滚动轴承的原始信号进行EEMD分解得到若干个IMF分量,通过均方差和欧氏距离两个评价指标选取出敏感特征分量,构造原始特征数据集,对处理后的原始特征集属性进行NRS约简,剔除冗余属信息,最后将剩余属性的特征数据集作为模糊C均值聚类的输入,实现滚动轴承故障识别.为了对比本文方法对于滚动轴承的故障识别效果,分别添加了FCM、NRS-FCM和EEMD-FCM三种方法进行故障辨识,利用划分系数(PC)和划分熵(CE)对聚类结果进行评价与对比.通过实验表明:邻域粗糙集对于改进滚动轴承的故障识别效果十分明显,具有良好的应用前景.     

基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.     

基于变分模态分解和改进模糊支持向量机的汽轮机故障诊断方法

针对现有方法在汽轮机故障诊断中存在影响诊断结果的样本、诊断准确率不高等缺陷,提出了基于变分模态分解(VMD)和改进的模糊支持向量机(FSVM)相结合的故障诊断模型;采用VMD对信号进行分解,并计算出各模态分量的样本熵值作为特征值,构造特征向量;通过核模糊C均值(KFCM)聚类算法计算出不同特征向量的模糊隶属度值,并将其引入支持向量机(SVM)中形成FSVM故障诊断识别模型,同时采用粒子群算法(PSO)优化FSVM中的参数;通过本特利RK4型转子试验台模拟汽轮机故障,将得到的数据输入诊断模型中进行实验。结果表明,在保证诊断模型性能的前提下,与传统SVM相比,基于VMD和改进的FSVM方法可以有效提高汽轮机故障诊断的准确率,而且诊断时间更短。     

基于改进PSO-VMD的滚动轴承早期故障诊断

针对滚动轴承早期故障信号微弱导致分类识别率低的问题,提出利用复合多尺度模糊熵作为适应度函数的粒子群算法优化变分模态分解,得到多个本征模态分量;利用快速谱峭度图选择最优的本征模态分量,并组成特征向量;将特征向量输入SSA-SVM中进行故障分类。实验结果表明基于复合多尺度模糊熵的PSO-VMD和SSA-SVM的滚动轴承故障诊断更能有效地识别出滚动轴承的早期故障。     

齿轮噪声干扰及变转速下的滚动轴承故障诊断

齿轮噪声以及变转速运行是干扰滚动轴承故障诊断的常见因素,针对上述两种因素同时对滚动轴承故障诊断的干扰,引入了集合经验模态分解(EEMD)方法以去除轴承信号中的齿轮噪声,将齿轮峰值啮合倍频(IDMM)等效为滚动轴承的瞬时转频,阶比跟踪以去除转速变化对滚动轴承故障诊断的影响,并将此方法命名为基于EEMD和IDMM的滚动轴承故障诊断方法.仿真和实测信号分析证明该方法能有效去除齿轮噪声和转速变化对滚动轴承故障诊断的影响,同时提高故障特征阶比的幅值,节省转速测量装置.     

基于EMD与模糊聚类的桩缺陷特征提取与识别

针对桩基缺陷信号特征提取困难的问题,对缺陷信号进行经验模态分解(EMD)并求取信息熵,构建了一种基于信息熵的均值特征向量;针对特征向量元素数较多,不能真实反映信号的特征以及过多的特征影响识别效率的问题,引入模糊聚类的相关技术方法,对均值特征向量进行相空间重构,对重构矩阵进行模糊聚类,根据聚类的结果构建新的特征向量。通过实验仿真证明了该特征向量取得了很好的识别效果,具有实际应用价值,可以作为一种有效的特征类型;同时验证了通过模糊聚类进行特征向量降维的有效性。     

基于EMD-1(1/2)维谱熵的滚动轴承故障诊断

为了准确地诊断出滚动轴承的运行状态,将1(1/2)维谱熵引入滚动轴承故障诊断中。先对滚动轴承原始故障信号进行EMD(empirical mode decomposition)分解得到若干个固有模态函数(intrinsic mode function,IMF),进而再求取各个IMF的1(1/2)维谱熵值,作为表征滚动轴承故障类型的特征向量。将其作为Elman神经网络的输入参数,最后区分滚动轴承故障状态和故障类型。仿真分析和实验研究表明,该方法能够有效地提取出滚动轴承的故障特征,最后通过与小波包分析-BP神经网络故障诊断方法对比,显示出其具有更高的识别率,更加表明其可行性和有效性。     

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。     

基于声学特征的埋地管道堵塞故障的聚类识别方法

针对在实际工程应用中埋地排水管道不同程度的堵塞难以检测的问题,提出了一种基于声学特征的管道堵塞故障类型的聚类识别方法.首先对管道中采集的声学信号进行声压级变换,以增加不同故障类型之间的区分度,其次对声压级信号进行总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),利用皮尔逊相关系数选取前4个IMF分量并提取中心频率和能量占比作为聚类特征,之后采用主成分分析法(Principal Component Analysis,PCA)对特征向量进行降维,最后通过FCM((Fuzzy C-means))和GK(GustafsonKessel),GG(Gath-Geva)3种聚类学习方法对特征向量进行堵塞故障的聚类和识别.实验结果表明,该方法能有效识别排水管道内不同程度的堵塞故障,具有一定的工程实用价值.     

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ARMA模型双谱分布与FCM方法的轴承故障识别

针对滚动轴承信号非线性和非高斯性的特点,提出了基于自回归滑动平均(ARMA)模型双谱分布特征与模糊c均值(FCM)聚类分析的故障识别方法.首先,利用经验模态分解改善信号,对获得的信号主分量建立ARMA模型;然后,对ARMA模型进行双谱分析;最后,以阈值化的双谱分布二值图为特征向量,借助FCM聚类算法构建类模板与最近邻模板分类器,实现故障识别.滚动轴承实例诊断结果表明,该方法能准确地判断轴承的实际性态,是一种有效的故障识别方法.     

基于小波分析和支持向量机的轴承故障诊断

滚动轴承的故障诊断对于旋转机械的正常可靠运行具有重要意义。采集滚动轴承正常、内圈故障、外圈故障及滚动体故障四种工况下的振动信号,对振动信号进行三层小波包分解,将第三层的小波包系数进行重构并计算每个子频带系数的对数能量熵,得到滚动轴承在不同工况下的特征向量。基于抽取到的特征向量建立支持向量机模型,实现对滚动轴承不同故障类型的识别。支持向量机参数采用网格搜索法进行寻优,惩罚参数为2048,核函数半径为0.03125,模型在测试集上的预测准确率为100%。本文研究表明,小波包对数能量熵特征提取结合支持向量机是一种较为有效的滚动轴承故障检测方法。