基于相空间重构的光纤周界信号识别算法研究

文章将相空间重构和复小波包变换引入入侵信号类型的识别,对原始信号进行相空间重构,以便更深地反映光纤入侵振动数据混沌特性的内在动力性属性。以相空间重构嵌入维数作为复小波包变换数据输入长度,避免输入信号长度的随意性。采用复小波包提取重构信号的能量分布特征构成入侵信号识别的特征集,以主成分分析对原始特征集降维,通过网格参数寻优算法得到支持向量机(support vector machine,SVM)回归模型的最优参数,以最优参数进行SVM入侵类型识别。实验结果表明,该方法能正确监测入侵事件且误报率与漏报率低。     

CEEMD与广义形态差值滤波结合的故障诊断方法研究

为了提取滚动轴承早期微弱故障特征信息,提出一种互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与广义形态差值滤波结合的故障诊断方法.该方法首先对振动信号进行CEEMD分解成若干不同尺度的本征模函数(Intrinsic Mode Function,IMF)分量,利用相关系数-峭度准则来选取故障信息丰富的IMF分量信号,并对其进行重构;然后采用广义形态差值滤波器对重构后的信号进行滤波,以滤除噪声干扰;最后利用Teager能量算子(Teager-Kaiser Energy Operator,TKEO)对去噪后的振动信号进行分析,提取振动信号的故障特征.滚动轴承振动信号分析试验结果证明了本文方法的有效性.     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

基于GOA优化支持向量机滚动轴承故障诊断

针对滚动轴承早期故障难以辨别,提出了一种采用变分模态分解法(visual molecular dynamics, VMD)提取特征,基于蚱蜢算法(grasshopper optimization algorithm, GOA)和优化支持向量机(support vector machines, SVM)的故障诊断方法。首先采用贪心策略预处理滚动轴承的振动信号数据,然后基于变分模态分解处理振动信号数据得到多个本征模态分量(intrinsic mode function, IMF),其次计算各IMF分量的能量和相关时频特征构成多模态特征矩阵,最后利用蚱蜢算法优化的支持向量机进行故障的诊断和识别。通过实验测试大量数据得出的滚动轴承故障诊断结果表明VMD-GOA-SVM不仅可以识别滚动轴承不同的故障类型,同时相比传统方法亦有较高的准确度和运行效率。     

基于GA优化的VMD-SVM识别角度头故障特征

提出一种基于遗传算法优化的变分模态分解（variational mode decomposition,VMD）-支持向量机（support vector machine,SVM）方法来识别机床角度头故障特征。首先采用遗传算法对VMD算法的输入参数进行优化,将优化后的VMD算法用于振动信号的分解,得到各本征模态函数（IMF）后,求得对应的能量熵;然后通过SVM算法筛选出有效故障数据,再利用峭度和相关系数相结合的方法将其中的IMF筛选出来并重构信号;最后,对该信号作频谱分析,分析相关特征信息,识别并诊断出故障。根据仿真和实验结果,所提方法对于故障角度头的有效信号筛选正确率高,对于噪声抑制效果良好,特征提取快速有效,可用于机床故障诊断领域。     

基于CEEMD-SVD-LSSVM的矿浆管线核心设备故障诊断

针对单向阀振动信号包含背景噪声、故障特征提取困难和诊断准确率不高的问题,提出互补集合经验模态分解(CEEMD)、奇异值分解(SVD)和最小二乘支持向量机(LSSVM)相结合的故障诊断方法.首先,用CEEMD分解单向阀振动信号,并用能量分析法及互相关分析法来选取有用的本征模态函数(IMF).然后,根据SVD法提取相应的故障特征,并输入LSSVM进行故障诊断.通过与集合经验模态分解(EEMD)、支持向量机(SVM)等的比较,表明该方法不仅消除了模态混叠和信号噪声,而且能有效地提取单向阀的故障特征,得到更高的诊断准确率.     

一种优化的VMD算法及其在语音信号去噪中的应用

针对非连续、 非平稳语音信号中含有噪声的问题, 提出一种基于参数优化的变分模态分解去噪算法. 首先, 利用灰狼优化算法搜寻变分模态分解算法的最优分解参数组合——分解模态数K和惩罚因子α, 通过使用获得的参数组合分解语音信号以获得K个特征模态函数分量IMF; 其次, 利用相关系数选择有效模态分量, 并用小波阈值处理无效模态分量; 最后, 重构小波阈值处理后的模态分量和有效模态分量以对语音信号进行去噪. 实验结果表明, 该算法与其他经典算法相比能有效提升信噪比, 降低均方误差, 提高语音信号的质量.     

基于改进的经验模态分解的后视镜驱动器故障诊断方法

针对电动后视镜驱动器振动信号非平稳非线性及信噪比低,提取传统特征难以有效识别样本故障状态的问题,提出了一种改进的集成经验模态分解算法(EEMD)。使用EEMD对振动信号进行了分解,利用相关系数与峭度系数筛选有效本征模态函数(IMF)分量。应用自回归模型(AR)功率谱估计方法,建立最佳阶次的AR模型,对有效IMF分量进行谱估计,并得到有效IMF分量的AR谱与AR累加谱。将AR累加谱的特征频率点与振幅作为特征向量,使用支持向量机(SVM)进行机器学习与分类。研究结果表明:EEMD-AR-SVM模型在实验中的分类准确率达到了93.9%,平均耗时46.1 s,达到了工业中自动检测的标准。     

内燃机优化VMD-CWD时频表征与BSNMF编码识别诊断方法

针对内燃机振动响应信号强耦合、弱故障特征的问题,提出一种基于参数优化VMD-CWD内燃机振动时频表征与BSNMF分块编码识别的故障诊断方法.利用变分模态分解(VMD)将内燃机振动信号分解成一组本征模态函数(IMF),并叠加IMF分量信号的Choi-Williams分布(CWD)获得时频聚集性良好,无交叉项干扰的振动谱图像.针对VMD分解过程中的参数选取问题,引入功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性.为了实现内燃机振动谱图像的自动识别诊断,在稀疏非负矩阵分解(SNMF)的基础上提出一种更容易收敛的分块稀疏非负矩阵分解算法(BSNMF),用来对内燃机振动谱图进行特征提取,并采用支持向量机对提取的特征参数直接进行模式识别.将本文方法应用于内燃机故障诊断实例中,结果表明:该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机气门机构故障的自动诊断.     

改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

采用滑动平均多元多尺度色散熵的液压泵故障诊断方法

为了提高色散熵的信息提取能力，在兼顾计算效率和效果的前提下，引入多维嵌入重构理论，借鉴滑动平均的思想，更新了传统多尺度算法的粗粒化方式，提出了滑动平均多元多尺度色散熵(moving average multivariate multiscale dispersion entropy，MA_mvMDE)用以提取液压泵故障特征。首先，利用均匀相位经验模态分解（uniform phase empirical mode decomposition，UPEMD）将振动信号分解为多个本征模态分量（intrinsic mode functions，IMF），再采用相关系数法筛选敏感分量，将包含大量故障信息的模态分量作为多通道数据计算其MA_mvMDE值来提取故障特征。接着，采用MCFS方法选择故障敏感特征实现降维。最后，通过随机森林分类器完成故障识别。采用液压泵故障振动数据验证了该方法能够准确诊断不同类型和不同程度的故障。     

基于参数优化变分模态分解与支持向量机的齿轮箱故障诊断

齿轮箱故障振动信号具有非线性、非平稳的特点,在故障早期难以实现故障特征的提取和故障类型的识别。本文提出磷虾群算法（krill herd algorithm, KHA）-变分模态分解（variational mode decomposition,VMD）-多尺度排列熵（multi-scale permutation entropy,MPE)与支持向量机(support vector machine,SVM)相结合的齿轮箱故障类型识别算法。首先对采集到的齿轮箱振动信号利用KHA优化的VMD进行分解,选取有效分量进行重构,然后求取其MPE作为特征向量,最后将特征向量输入SVM进行故障类型的识别。通过实测数据的分析表明,故障类型识别准确率达到了99.14%,该方法在机车车辆、发电机组等装备的齿轮箱状态监测和故障诊断中具有一定的参考价值。     

SVM与PSO相结合的电机轴承故障诊断

针对电机轴承故障问题,提出一种基于支持向量机(SVM,support vector machine)与粒子群优化(PSO,particle swarm optimization)相结合的电机轴承故障诊断方法。结合振动信号的时域与小波包能量特征,使表征振动信号的特征具有较好的可靠性和敏感性,提高了故障的诊断准确率。采用PSO算法对SVM的惩罚参数和径向基核函数参数进行寻优,并与其它参数寻优算法进行比较分析。实验表明,研究提出的轴承故障诊断方法不仅对电机轴承的外圈故障、内圈故障和滚珠故障有很好的识别效果,而且还对每一类故障的严重程度有较好的区分,具有较强的实用性。     

基于CEEMDAN能量熵的故障特征提取方法

作为武器装备的重要组成部分,复杂机械设备发生故障会严重影响其性能,如何将故障特征有效提取出来尤为重要。针对复杂机械设备振动信号非平稳非线性的特点,本文提出利用自适应噪声集合经验模态分解（CEEMDAN）结合能量熵的方法提取信号故障特征,并以某型装备柴油机为例进行验证。通过构建多分量调制信号,分析比较了EMD、EEMD、CEEMD以及CEEMDAN四种算法的分解效果。利用CEEMDAN对振动信号进行分解,提取相关性较大的IMF分量的能量熵作为特征向量,输入到支持向量机中进行模式分类。研究表明,CEEMDAN能够一定程度上抑制了模态混叠问题,对于不同类型的故障能够有效的识别。     

一种用于机床角度头故障诊断的双重降噪方法

角度头是数控机床必不可少的加工附件,由于长期处于恶劣的加工工况下,极易受到损坏。采集角度头的振动信号时,环境中大量的随机噪声会湮没故障特征信息,从而造成角度头故障特征提取困难。针对此问题,提出了一种基于总体平均经验模态分解（ensemble empirical mode decomposition,EEMD）及自相关的双重降噪方法。该方法采用自相关滤波方法对振动信号进行降噪预处理,再对降噪后的信号进行EEMD分解,随后采用遗传算法对EEMD输入参数优化,依据相关峭度系数准则筛选分解得到的固有模态函数（intrinsic mode function,IMF）分量进行信号重构。最后,对重构信号进行时频分析,提取角度头故障特征。对仿真和实测信号分析的结果表明,本文方法能够有效抑制噪声干扰,可准确提取到角度头的故障特征信息,为机床角度头的故障诊断提供依据。