基于DS⁃VMD及相关峭度的滚动轴承故障诊断

为了自适应确定变分模态分解(variational mode decomposition,简称VMD)的有关参数,减少轴承振动信号处理过程中对先验知识的依赖,提出了一种基于微分搜索(differential search,简称DS)的VMD参数自适应寻优算法,结合相关峭度指标实现轴承故障特征自适应提取。首先,采用DS算法对VMD的相关参数进行自适应寻优,并对信号进行VMD;其次,计算各本征模态函数(intrinsic mode functions,简称IMF)的相关峭度值,并利用该指标对各分量进行加权重构;然后,对重构信号进行包络谱分析以提取轴承故障特征;最后,将所提出方法与通过经验模态分解(empirical mode decomposition,简称EMD)方法及人为确定参数的传统VMD进行对比。仿真信号和实验数据分析表明:DS算法可有效确定VMD相关参数组合,且所提出方法可以更加准确、有效地识别出滚动轴承故障特征频率;与快速峭度图方法对比,所提出方法依然可以获得更好的结果。     

基于VMD与Hilbert谱的旋转机械碰摩故障诊断方法

为了有效地诊断旋转机械中的碰摩故障,提出了基于变分模态分解(variational mode decomposition,简称VMD)与Hilbert谱分析的故障诊断方法。首先,利用VMD将碰摩故障信号自适应地分解为若干个不同频率段的本征模态函数(intrinsic mode function,简称IMF),并与集合经验模态分解(ensemble empirical mode dcomposition,简称EEMD)的处理结果进行对比分析;然后,在VMD分解的基础上,利用Hilbert谱对故障信号的时频特性进行分析。实验结果表明:与传统的频谱分析相比,该方法不但可以准确反映故障信号的频率成分,而且可以反映频率随时间的变化情况;与EEMD相比,该方法可以有效抑制模态混叠,更加准确地反映故障信息,从而验证了该方法的可行性与有效性。     

基于k值优化VMD的滚动轴承故障诊断方法

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了一种基于能量的变分模式分解(variational mode decomposition,简称VMD)模态数k优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足。首先,对振动信号进行VMD预分解,分别在不同k值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数k选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率。将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有一定的应用价值和实际意义。     

基于VMD的自适应随机共振在滚动轴承早期故障检测中的应用

针对滚动轴承早期微弱故障难以检测的问题,提出一种基于变分模态分解(Variational mode decompsition,VMD)的自适应随机共振轴承故障检测方法。首先对滚动轴承的振动故障信号进行VMD分解,得到有限个本征模态函数(Intrinsic mode function,IMF),选取包含故障特征的IMF分量并进行信号重构;将重构信号输入随机共振系统,采用以改进加权峭度为目标函数的量子粒子群算法,优化系统结构参数,得到最佳共振输出,从而实现降噪和增强故障特征的目的,最后通过输出信号的自相关包络谱提取故障特征频率。实测数据的分析结果验证了该方法的有效性和优势。     

滚动轴承的VMD-LSSVM故障识别方法

滚动轴承是工程设备中的关键部件,对滚动轴承进行故障识别方法研究有重要的意义。为了解决滚动轴承振动信号分析能力薄弱的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与最小二乘支持向量机（Least square support vector machine,LSSVM）的滚动轴承故障识别方法。以凯斯西储大学滚动轴承实验数据为研究对象,获取4类故障7种滚动轴承状态实验振动数据。进行VMD分解,得出最佳分解本征模态函数（Intrinsic mode function,IMF）个数4,然后计算4个IMF样本熵（Sample entropy,SE）得到相应特征量,输入LSSVM模型进行状态识别。实验表明,基于VMD-LSSVM的方法比EMD(Empirical mode decomposition)-HMM(Hidden Markov model)和EMD-LSSVM方法有更高的识别率。     

变分模态分解在转子故障诊断中的应用

针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。     

基于平均自相关和优化VMD的轴箱轴承故障诊断

针对动车组运行过程中轴箱轴承振动加速度信号非平稳特性以及较大的背景噪声导致故障特征难以提取的问题,提出一种平均自相关结合参数优化变分模态分解（variational mode decomposition,简称VMD）的轴箱轴承故障诊断方法。首先,利用平均自相关对原始信号进行降噪,增强故障周期性冲击信息;其次,以故障特征频率能量比相反数为适应度函数,利用哈里斯鹰优化算法（Harris hawks optimization,简称HHO）优化VMD的模态分量数和二次惩罚系数,实现对降噪信号的自适应分解并提取出最佳模态分量;最后,计算其平方包络谱进行故障诊断分析。仿真和试验结果表明：该方法能够有效地降低背景噪声的影响,稳定地提取出周期性故障冲击成分,实现轴箱轴承故障的准确诊断。     

基于VMD与KFCM的柴油机故障诊断算法

针对柴油机的故障诊断问题，提出了一种基于变分模态分解（variational mode decomposition，简称VMD）与核模糊C均值聚类算法（kernel fuzzy C-means clustering，简称KFCM）联合的故障诊断方法。首先，针对VMD算法中分解层数K的选择问题进行了自适应优化；然后，从优化VMD算法的分解结果中选取3个关键分量计算最大奇异值，并将其作为3维的特征向量输入KFCM算法中进行分类识别；最后，对仿真信号以及某型柴油机的模拟故障实验信号使用优化VMD、传统VMD和经验模态分解（empirical mode decomposition，简称EMD）方法分别进行分解与识别。结果表明，笔者提出的方法明显改善了模态混叠现象，提高了模式识别的诊断正确率，提出的联合算法具有更好的应用前景。     

基于VMD和对称差分能量算子解调的滚动轴承故障诊断方法

针对滚动轴承早期故障振动信号非平稳、强噪声,故障频率难提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和对称差分能量算子解调的滚动轴承故障诊断方法。首先,利用VMD方法将滚动轴承待分析信号分解成若干个模态分量;其次,根据峭度最大准则来选取被对称差分能量算子解调的模态分量,解调后获取待分析信号的幅值、频率信息并计算包络谱。实验结果表明:与传统能量算子相比,所提方法能突显故障特征频率并有效抑制虚假干扰频率,更有利于滚动轴承故障诊断。     

基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition,简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution,简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization,简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。