基于VMD与正交局部保持投影的齿轮故障诊断

为了提高齿轮非平稳、非线性振动信号故障特征的可辨识性提出一种变分模态分解方法与正交局部保持投影的齿轮故障状态识别模型。该模型首先利用VMD对齿轮故障振动信号分解,接着对含有敏感信息的本征模态函数进行特征初步提取并构造高维观测样本,再用流形学习OLPP算法对高维观测样本特征进行压缩和二次提取,最后选用随机森林与概率神经网络算法实现模式识别。结果表明:该模型可以有效的抑制噪声对数据内在本质结构的破坏,提高了故障诊断的准确率且具有很好的泛化学习能力。     

基于EMD降噪的递归图分析方法在齿轮故障诊断中的应用

为从齿轮振动信号中提取包含故障信息的特征量,提出了一种基于经验模态分解(EMD)降噪的递归图分析方法。该方法用EMD方法将振动信号分解为有限个固有模式函数(IMF)分量,选取包含故障信息的IMF分量建立递归图,从递归图中提取特征向量,运用高斯混合模型进行模式识别。将该方法运用于故障齿轮振动信号的识别,结果表明该方法具有较高的识别率,对齿轮故障能够有效地进行分类与诊断。     

基于CEEMDAN样本熵与SVM的滚动轴承故障诊断

提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)与IMF样本熵结合的滚动轴承故障特征提取方法。利用CEEMDAN算法对振动信号进行了自适应分解,将非稳定的振动信号分解成了若干个固有模态函数(IMF)分量。计算了包含主要故障特征信息的IMF分量样本熵,实现了故障特征量化。在此基础上利用SVM在少量数据样本的情况下具有较强的学习和分类能力,通过样本数据学习与待测样本的模式识别实现滚动轴承智能诊断。通过仿真与实验数据分析,证明该方法能够改善信号特征提取的效果,对故障类型的判断表现出较高的识别率。     

基于经验小波变换和流形学习的滚动轴承故障诊断研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于经验小波变换(EWT)和流形学习约简的故障特征提取方法。首先利用EWT将振动信号分解成不同特征时间尺度的单分量固有模态函数(IMF),然后从包含故障信息的IMFs中提取滚动轴承的时域统计特征、频域统计特征、AR模型自回归系数和功率谱熵,构造高维特征集;再利用线性局部切空间排列(LLTSA)流形学习算法将构造的高维特征集约简为故障区分度更好的低维特征集;最后利用支持向量机(SVM)对提取特征进行故障识别。实验结果表明该特征提取方法对滚动轴承故障诊断准确率更高。     

基于优化CNN的航空液压管路卡箍故障诊断

针对航空发动机液压卡箍-管路系统具有高度复杂性,导致卡箍振动信号存在非线性、非平稳性,从而难以提取出卡箍故障状态有效信息的问题,提出一种基于优化变分模态分解(VMD)与卷积神经网络(CNN)的卡箍智能故障诊断方法。基于优化的VMD将液压管路系统-卡箍振动信号分解成一系列固有模态函数;将含有卡箍故障信号明显的IMF输入到卷积神经网络训练模型,采用CNN进行自主特征学习和模式识别。并将该方法应用于实例中,结果表明:该方法不仅能有效地对信号进行分解,同时对不同类型的卡箍故障可达到精准识别和故障诊断。     

EMD分解与多特征融合的齿轮故障诊断方法

为解决齿轮振动信号在现实中难以获取大量典型故障样本和分类的精确度低的问题,提出基于EMD分解与多特征融合的齿轮故障诊断方法。首先,提取反映信号特征的各项参数指标作为特征向量;其次,利用经验模式分解(EMD)对原始信号进行分解,进而提取分解后各本征模式分量(IMF)的能量指标组成特征向量;然后,将其与信号特征各项参数融合成特征向量组合,并将其作为SVM多故障分类器的训练样本进行训练,实现齿轮的智能诊断。通过实验室轴承的故障诊断研究表明:该方法对于齿轮的各种状态具有很好的分类精确度,更加有效地识别齿轮故障类型。     

基于优化VMD和MHA-DenseNet的滚动轴承故障诊断北大核心

针对传统特征提取的故障诊断技术不能充分表征振动信号故障特征导致故障识别精度不高的问题,提出一种优化VMD和MHA-DenseNet的滚动轴承故障诊断方法。首先,采用麻雀搜索算法(SSA)对变分模态分解算法(VMD)的相关参数组合进行寻优;其次,采用优化VMD分解滚动轴承故障信号,获得的本征模态函数分量(IMF)作为神经网络输入数据;最后,构建多头注意密集神经网络(MHA-DenseNet)故障诊断模型来有效学习故障数据中的特征信息并完成滚动轴承的准确诊断。实验结果表明,提出的故障诊断方法识别率高达99.03%,相较于对比实验该方法提高了故障诊断的准确率。     

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解(EMD)进行信号处理和基于隐马尔科夫模型(HMM)进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数(IMF),计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。     

基于VMD-样本熵和SSAE的齿轮故障诊断

针对旋转机械中齿轮故障非线性、非平稳并伴有一定的噪声干扰的特点,文章提出一种基于变分模态分解(Variational mode decomposition, VMD)和堆叠稀疏自编码(Stack sparse auto encoder, SSAE)的齿轮故障诊断方法。将原始齿轮振动信号由一维转化为二维信号,对二维信号每一行进行VMD分解得到若干有限带宽的内禀模态分量(Bandwidth limited intrinsic mode function, BLIMF),比较各模态分量的样本熵,选择样本熵最大的模态分量构成特征向量。将特征向量作为SSAE的输入进行模式识别,最终实现齿轮故障的分类。通过实例验证及对比实验,结果表明该方法具有较高的分类精度和诊断效率。     

基于EMD与卷积神经网络的滚动轴承故障诊断

为增强滚动轴承故障诊断过程的智能性,提高故障诊断的准确率,并适应大数据故障诊断的需求。文章提出了一种基于经验模态分解(EMD)及卷积神经网络(CNN)的滚动轴承故障特征提取的方法。即将滚动轴承振动信号进行经验模态分解后得到若干个模态分量(IMF),与原始振动数据一起构成二维的特征图,输入卷积神经网络中进行学习训练。最后通过与其他多种方法进行对比验证可以得出,该方法对滚动轴承多种类型多种严重程度的故障有着很高的识别准确率,并且识别过程更具智能性。且增加训练样本的数量可以提高该方法的鲁棒性,更加适合处理针对大数据的故障诊断。     

滚动轴承故障信号处理方法与诊断试验研究

分析了滚动轴承故障振动信号的非线性、非平稳性特征,基于经验模态分解法（EMD）在处理此类信号中的优势,研究了滚动轴承故障信号的时频分析处理方法。通过EMD法将滚动轴承故障原始振动信号分解为多个平稳的IMF分量之和;选取前8个IMF能量值作为频域特征并结合时域特征构成故障振动信号特征集合,作为BP神经网络的输入;建立了滚动轴承故障诊断的BP神经网络模型,利用BP网络的自学习机制进行网络训练,得到了输入特征与故障模式之间的映射关系;通过对滚动轴承不同类别的故障诊断试验,验证了该方法的可行性。     

VMD复合熵值法在齿轮故障诊断中的应用

针对齿轮实际工况复杂、故障特征难以提取的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)复合熵值法的故障诊断方法。首先,采用VMD方法对不同工况下齿轮振动信号进行分解,并对分解过程中关键参数的选择进行了研究;其次,根据频域互相关系数准则筛选出可有效表征齿轮状态特征的固有模态函数(Intrinsic Mode Function,IMF)进行信号重构,为反映齿轮信号在不同尺度上的时-频细节复杂度特征,计算重构信号的样本熵、奇异值熵、功率谱熵和能量熵,形成高维状态特征向量;最后,将高维状态特征向量作为最小二乘支持向量机(Least Square Support Vector Machine,LS-SVM)的输入,对齿轮的工作状态和故障类型进行识别分类。通过实测齿轮信号的分析,结果表明,该方法能够有效实现齿轮故障的诊断。     

基于最佳小波包分解和HMM的齿轮故障模式识别

齿轮故障模式识别的关键问题在于对故障振动信号的特征提取。为了快速准确识别齿轮故障模式,提出了一种基于最佳小波包分解(OWPD)和隐马尔可夫模型(HMM)的识别方法。该方法对采集的振动信号进行小波包分解,再利用OWPD自动选择提取最佳小波包能量构造特征向量,输入HMM中进行训练与测试,实现了齿轮故障模式识别。实验结果表明该方法在齿轮故障模式识别方面的有效性和准确性。     

齿轮传动系统齿根裂纹早期故障识别

建立齿轮系统动力学模型,分析不同深度的齿根裂纹齿轮系统的振动响应和裂纹的故障特征,采用经验模式分解EMD(Empirical Mode Decomposition)方法与频域分析对齿轮早期裂纹故障实验中振动加速度传感器获取的齿轮箱振动信号进行分析。用EMD方法分别将0 mm、2 mm、4 mm的齿轮齿根裂纹故障信号分解为本征模式IMF(intrinsic mode function),对各IMF分量进行频域分析并与仿真信号对比。结果表明:仿真结果可清晰得到齿轮早期裂纹故障的特征频率,通过频谱分析,齿轮裂纹故障其对啮合频率的幅值影响不大,但随裂纹深度增加,啮合频率及其倍频附近的边频带幅值增加;与实验信号进行对比,现象均符合裂纹故障特征。由此可以看出EMD方法可以有效的实现齿轮裂纹早期故障的识别。     

变工况下采煤机故障诊断的迁移学习方法

针对采煤机故障诊断过程中有效故障样本不足问题,提出变工况下采煤机故障诊断的迁移学习方法。对原始振动信号作小波变换得到时频图,利用图像增强原理凸显故障的时频特征,并对图像进行归一化后组成故障样本;利用大量不同工况下的现有故障数据组成源域数据,对卷积神经网络进行训练,以初步获取故障诊断模型;将训练后的模型迁移至采煤机故障诊断实验台,以最大均值差异（MMD）作为优化指标,利用实验台中的样本继续训练模型,实现权值微调。结果表明：振动信号经小波变换和图像增强处理后,能有效凸显故障特征;利用实验台小样本微调权值,能有效实现采煤机故障诊断的模型迁移。     

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解（EMD）进行信号处理和基于隐马尔科夫模型（HMM）进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数（IMF）,计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。     

基于EMD和DHMM的刀具故障诊断

为了有效监测刀具的磨损状态,提出了一种基于经验模态分解(EMD)和离散隐马尔科夫模型(DHMM)的刀具故障诊断方法。首先对振动信号进行EMD分解,得到若干固有模态函数(IMF),选取前几个能量较大的IMF进行标量量化处理得到特征向量后,作为观测值序列输入已训练好的DHMM模型进行故障状态识别。此外,通过与支持向量机(SVM)故障诊断方法进行比较,结果表明,EMD-DHMM刀具故障方法能够更有效地识别刀具的故障状态。     

基于EMD与对数能量的滚动轴承故障诊断方法

滚动轴承在发生损伤时,产生周期性脉冲振动,提取冲击振动的周期特征是故障诊断的关键。为了提取滚动轴承的故障特征频率,根据滚动轴承的振动响应信号特征,提出基于经验模态分解(EMD)和对数能量的故障特征频率提取方法。首先通过经验模态分解找到包含故障信息的本征模态函数（IMF）,然后对IMF的短时能量进行积分并取自然对数,获得信号的对数能量变化曲线,最后通过对曲线的谱分析,找到轴承的故障特征频率。仿真和实验数据验证了该方法的有效性,并和Hilbert包络法与能量算子法进行了对比,表明该方法能更显著地突出故障特征频率。     

基于峭度准则VMD样本熵与PNN的齿轮故障诊断

为实现齿轮故障模式的有效识别,提出了基于峭度准则变分模态分解(VMD)的样本熵与概率神经网络(PNN)的齿轮故障诊断方法。首先,利用VMD将齿轮振动信号进行分解;然后,提取峭度最大及次大分量的样本熵并组成特征向量;最后,将特征向量分别输入BPNN和PNN实现故障模式识别。通过齿轮故障试验对该方法进行验证,结果表明,基于峭度准则VMD样本熵与PNN相结合时的故障诊断准确率达96.25%,高于与BPNN结合时的准确率;将所提方法与基于峭度准则EEMD,LMD,EMD样本熵分别与神经网络结合时的诊断准确率进行对比,则明显高于其他三种方法,证明了所提方法的可行性和有效性。     

基于改进的CEEMDAN与关联维数的石化轴承故障特征提取

针对石化机组轴承振动信号难以自动区分的问题,提出一种基于改进的自适应噪声完备集合经验模态分解(CEEMDAN)与关联维数的石化轴承故障特征提取方法。选取某故障诊断重点实验室实测的轴承故障数据中4种工况下的轴承振动信号进行测试分析,采用改进的CEEMDAN分解测得的振动信号得到多个模态分量IMF,对得到的高频分量进行叠加求和后求取数据的嵌入维数和延迟时间并进行相空间重构,结合G-P算法求不同嵌入维数下的关联维数进行特征提取。通过极限学习机进行实验,准确率达到92.5%,证明了方法的有效性。