基于CEEMDAN和混合灰狼算法优化SVM的水电机组故障诊断方法

为有效利用水电机组的振动信号诊断机组故障,提出了一种基于自适应噪声完备集合模态分解(CEEMDAN)和混合灰狼算法优化支持向量机(HGWO-SVM)的水电机组故障诊断方法.首先利用CEEMDAN方法对原始振动信号进行分解降噪,获得原始信号的各模态分量(IMF),并以IMF为基础构造各样本下机组信号的特征向量;接着在原始...     

基于MEEMD和KFCM的风机齿轮箱故障诊断

针对风机齿轮箱振动信号的故障特征提取与故障诊断问题,文章提出了一种基于MEEMD信号分解、样本熵和KFCM的齿轮箱故障诊断方法。首先,采用一种改进的集合经验模态分解方法(MEEMD)对采集的齿轮箱振动信号进行分解,得到了多个本征模态函数(IMF)分量;然后,计算每个IMF分量的样本熵作为齿轮箱故障诊断的特征向量;最后,使用核化的模糊聚类算法(KFCM)对齿轮箱故障样本进行聚类。通过实验数据对比表明:基于MEEMD-KFCM算法的风机齿轮箱故障诊断方法可以更加有效地识别齿轮箱故障。     

基于变分模态分解云模型和优化LSSVM的汽轮机振动故障诊断

针对汽轮机运行过程中的非平稳性和多分量性振动故障信号,提出一种基于变分模态分解相对熵云模型和优化最小二乘支持向量机(LSSVM)的汽轮机振动故障诊断方法。首先,利用变分模态分解按照预设尺度将故障信号分解为K个模态分量,根据各模态分量与原始信号的相对熵大小去除伪分量,提取最佳分量并将其输入云模型,采用逆向云发生器提取特征向量。然后使用改进果蝇优化算法动态调整搜索步长搜寻影响LSSVM识别精度的超参数最佳组合,最后将特征向量输入参数优化后的LSSVM进行故障识别,并与采用经验模态分解相对熵云模型和集合经验模态分解相对熵云模型的LSSVM识别结果进行了对比。结果表明:所提方法优于传统的信号分解方法,对汽轮机振动故障类别具有很高的识别准确率。     

基于VMD与GRU的抽水蓄能机组振动趋势预测

鉴于有效预测振动信号可为抽水蓄能机组的性能劣化及故障等预警提供重要依据的问题,提出一种基于变分模态分解(VMD)与门控循环单元神经网络(GRU)的抽水蓄能机组振动信号预测方法。首先,对原始的振动信号进行VMD分解,得到一组相对平稳且频率不同的本征模态函数(IMF),以减少不同频率信息间的相互影响;然后,针对各子序列分别构建GRU时序预测模型,并采用自适应矩估计算法(Adam)对各分量GRU预测模型进行优化;最后叠加各子序列预测结果得到抽蓄机组振动信号的预测值,并构建ANN、GRU、VMD-SVM、VMD-ANN 4种预测模型进行对比。试验结果表明,与所构建的4种预测模型相比,VMD-GRU预测模型在有效性及预测精度等方面效果显著,在实际工程中非常具有应用意义。     

HHT与RBF神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了一种Hilbert-Huang变换(HHT)和径向基(RBF)神经网络相结合的离心泵振动信号故障诊断新方法。首先,将离心泵振动信号时间序列数据经验模态分解(Empirical Mode Decomposition,简称EMD),然后经过Hilbert-Huang变换获得各模态(Intrinsic Mode Functions,简称IMF)的能量,并以“能量比”为元素,利用能量比构造离心泵振动信号的特征向量可以很好刻画不同振动故障信息;应用RBF神经网络建立了从特征向量到故障模式之间的映射实现故障的诊断,对于离心泵的正常状态、质量不平衡、转子不对中和基础松动故障具有很高的诊断率。实验研究结果表明,该方法可以有效地对离心泵振动信号进行诊断。     

基于优化VMD复合多尺度散布熵及LSTM的风力发电机齿轮箱故障诊断方法研究

以风力发电机齿轮箱加速度信号为研究对象,提出一种数据驱动的风力发电机齿轮箱故障诊断方法,该方法以灰狼优化的变分模态分解方法(AGWO-VMD)、复合多尺度规范化散布熵(NCMDE)及长短期记忆网络(LSTM)为基础,实现齿轮箱故障的快速诊断.首先将时域信号转换至角域;然后通过AGWO-VMD方法对角域信号进行自适应分解...     

基于EEMD-KECA的风电机组滚动轴承故障诊断

针对传统频域诊断算法不能充分挖掘出非线性、非平稳信号内部本质信息的问题,提出基于聚合经验模态分解(EEMD)的复合特征提取和基于核熵成分分析(KECA)的故障自动诊断算法。该方法首先采用EEMD将原始信号分解成若干特征模态函数(IMF),计算IMF能量和信号的能量熵构建复合特征向量并作为KECA的输入,之后建立KECA非线性分类器并引入一种新的监测统计量——散度测度统计量,实现故障的实时监测与自动诊断。采用KECA可实现根据熵值大小进行特征分类,具有较强的非线性处理能力,且不同特征信息之间呈现出显著的角度差异,易于分类。最后通过实际风电机组滚动轴承应用实例对算法进行验证,结果表明该方法可有效提取信号中的故障特征,实现对滚动轴承的故障诊断,相比神经网络分类方法具有更高的识别率。     

基于EEMD样本熵和SVM的振动故障诊断研究

通过特征提取最大限度地反应出不同故障种类的差别对故障的准确诊断具有重要意义。故采用EEMD样本熵用于汽轮机振动故障的特征提取。将振动信号利用EEMD分解得到IMF分量,计算IMF的样本熵作为多为特征向量,大大提高了不同故障之间的区分程度,并通过计算多维空间下各类故障之间的形心距体现出不同故障种类的区分程度。最后,将IMF样本熵作为SVM的特征向量,对故障进行诊断。选取汽轮机转子正常、质量不平衡、油膜涡动、动静碰摩、转子不对中5种样本进行诊断,并与能量特征提取方法进行对比,结果显示该方法具有更高的诊断准确性。     

基于变分模态分解和去趋势波动分析的柴油机振动信号去噪方法

为了解决柴油机工作时其振动信号的背景噪声对状态监测及故障诊断造成干扰这一问题,提出一种基于变分模态分解(VMD)和去趋势波动分析(DFA)的柴油机振动信号去噪方法。该方法首先利用变分模态分解将振动信号分解为若干分量,再利用去趋势波动分析分别计算各个分量的尺度指数,根据尺度指数的值选取具有长程相关性的分量进行信号的重构,以消除振动信号中噪声。将该方法应用于仿真信号和柴油机故障振动信号中,取得了良好的消噪效果。     

基于参数优化VMD和散布熵的高压油泵故障诊断

针对现有基于时域特征的高压油泵故障诊断准确率低的问题,笔者提出一种参数优化变分模态分解(VMD)算法和散布熵的特征提取方法,并采用支持向量机(SVM)进行故障诊断．首先,基于对高压油泵工作原理及典型故障的分析,利用AMESim平台搭建高压油泵仿真模型进行故障模拟和信号采集．然后,针对VMD效果受限于分解个数和惩罚因子选取的问题,采用改进灰狼优化(IGWO)算法对VMD进行参数寻优．通过计算各模态的散布熵值形成故障特征向量,最后,采用SVM对故障特征向量进行训练和诊断,实现高压油泵的故障诊断．该方法的故障诊断准确率可达到95%以上,能有效地实现高压油泵故障诊断．     

基于最大相关峭度解卷积和变分模态分解的风电机组轴承故障诊断方法

针对风电机组轴承故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(maximum correlatedkurtosis deconvolution,MCKD)和变分模态分解(variational mode decomposition,VMD)的轴承故障诊断方法。首先利用MCKD算法对轴承振动信号进行降噪,然后对降噪后的信号进行VMD分解,并利用峭度指标筛选出敏感本征模态函数(intrinsic mode function,IMF),最后通过分析敏感IMF包络谱中幅值突出的频率成分判断故障类型。仿真和实验分析结果表明该方法可成功地提取出故障特征频率,实现风电机组轴承故障的有效诊断。     

基于优化的VMD融合信息熵和FA_PNN的风电机组齿轮箱故障诊断

针对风电机组齿轮箱在故障信号处理、特征提取和故障诊断存在的问题,提出一种基于优化的变分模态分解(VMD)融合信息熵和萤火虫优化的概率神经网络(FAPNN)的风电机组齿轮箱故障诊断方法。首先利用皮尔逊相关系数法来确定VMD的分解数量和惩罚因子,并利用VMD分解齿轮箱振动信号获取多个固有模态分量,在此基础上融合时域、频域及时频域等信号故障特征熵,最后用FAPNN网络进行故障识别分类,仿真结果验证了所提出算法在风电机组齿轮箱早期故障诊断研究中的有效性和可行性。     

基于ＩＣＥＥＭＤＡＮ 和ＳＶＭ 的起伏振动气液两相流流型识别

针对起伏振动条件下气液两相流压差信号过于复杂难以识别的问题,提出一种基于改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与支持向量机（SVM）相结合的流型识别方法。采用ICEEMDAN对小波去噪后的压差信号进行模式分解,通过求取的各本征模态函数（IMF）与原始信号进行斯皮尔曼相关系数计算,选取相关系数较大的IMF分量进行希尔伯特变换,对变换后各IMF分量的瞬时幅度进行能量熵、奇异谱熵、功率谱熵的计算,构成特征向量,带入到支持向量机中进行流型识别。结果表明：该方法能够有效识别起伏振动状态下的泡状流、弹状流、搅混流、环状流,识别准确率可达95%。     

基于CEEMD样本熵的柴油机故障诊断

针对柴油机振动信号非线性、非平稳的特点,提出一种基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)样本熵和支持向量机(Support Vector Machines,SVM)的柴油机故障诊断方法。该方法首先采用CEEMD对柴油机振动信号进行自适应分解,然后计算包含有主要故障信息的固有模态函数(Intrinsic Mode Function,IMFs)分量的样本熵,并结合主元分析对其进行降维处理;最后将提取出的主元特征向量输入SVM以判断柴油机的工作状态和故障类型。对CZ4110柴油机不同工况的分析结果表明,该方法可有效地用于柴油机故障诊断。     

基于多特征提取与核极限学习机的汽轮机转子故障诊断

针对汽轮机转子发生的典型故障,提出一种基于多特征提取和核主元分析的核极限学习机诊断模型。首先,对测取到的各典型故障时的振动信号进行变分模态分解,获得不同尺度固有模态函数;其次,对各固有模态函数计算特征能量和样本熵组成特征向量;最后,对特征向量采用核主元分析法进行去噪和降维,并将其作为输入进行核极限学习机(遗传算法优化)模型的训练和测试。与基于单一特征向量的模型相比,多种特征提取能够增强模型的输入特征,而核主元分析方法能够明显减少信息冗余和特征向量的相关性,且节约时间成本,在一定程度上提高模型的预测性能,为汽轮机转子故障的诊断研究提供一种新的思路。     

基于EWT与排列熵的SVM汽轮机转子故障诊断

针对汽轮机转子振动信号在强噪声下难以提取瞬态冲击的故障特征的问题,提出一种基于经验小波变换(EWT)与排列熵相结合的特征提取方法。将转子故障振动信号进行经验小波变换,得到一系列本征模态函数(AM-FM),根据相关度原则选取故障信号敏感的本征模态函数计算其排列熵值构建故障特征向量。通过ZT-3转子模拟实验台获得振动故障信号,分别用EWT与排列熵和EWT与样本熵获得故障特征值,使用支持向量机(SVM)识别验证,结果表明:EWT与排列熵构建的特征向量识别率比EWT与样本熵高6.11个百分点,达到了较理想的识别准确率。     

基于EMD与SVM的柴油机故障诊断

对柴油机气阀间隙变化、断油等故障情况下的缸盖振动信号进行了测试分析.采用经验模式分解EMD方法对振动信号进行分解,得到固有模态函数IMF,对每一个IMF分量分别建立AR模型,以模型的自回归参数和残差的方差作为特征向量,用支持向量机SVM进行分类,判断柴油机的工作状态和故障类型.实验结果分析表明,该方法即使在小样本情况下也能准确有效地诊断柴油机故障,能实现故障的实时自动化诊断.     

基于EEMD和优化SVM的水电机组振动故障诊断

针对水电机组故障具有渐变性等特征,提出了一种基于总体平均经验模态分解(EEMD)和优化支持向量机(SVM)相结合的水电机组故障智能诊断方法。利用EEMD能对机组振动信号进行自适应分解成若干本征模式分量(IMF),并能有效抑制经典经验模式分解(EMD)的端点效应以及模式混叠现象。从IMF分量中提取出来的能量特征作为输入建立优化SVM,以此来判断机组的故障状态。通过实例分析表明:建立的混合智能诊断方法的分类正确率高,能有效诊断机组存在的故障。     

基于EEMD和LSSVM的船用柴油机故障诊断

针对船用柴油机故障诊断时振动信号的非平稳特性和难以获取大量样本的实际情况,提出一种总体经验模态分解EEMD和最小二乘支持向量机LSSVM相结合的诊断方法。运用EEMD方法对特定时段的振动信号进行分析,计算各内禀模态函数IMF,并求其包含时间信息的能量熵,以之作为特征向量输入到LSSVM分类器来判断柴油机的故障类型。经实例验证,该方法能在保持信号完整性的前提下有效提取故障特征,在小样本情况下具有较高的诊断精度、较快的诊断速度和较强的泛化能力,能有效应用于同类型机械的故障诊断。     

基于EEMD和模糊C均值聚类的风电机组齿轮箱故障诊断

针对风电机组齿轮箱中齿轮故障特征提取与故障诊断问题,提出一种基于集合经验模式分解(EEMD)、奇异谱熵和模糊C均值聚类的故障诊断方法。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)构成的特征模式矩阵。接着对该特征模式矩阵求奇异谱熵值,奇异谱熵值的大小能反映部件的工作状态和故障类型。最后,将得到的奇异谱熵值矩阵进行模糊聚类分析并得到分类结果。通过对齿面磨损、齿面剥落和正常3种齿轮状态分别使用EMD法和EEMD法进行故障分类对比,结果验证了该方法的有效性和可行性,同时证明EEMD法具有更好的分类效果。