基于Hilbert谱奇异值的轴承故障诊断

针对机械故障振动信号时频特征提取问题,提出一种基于Hilbert谱奇异值的特征提取方法,并将其应用于轴承故障诊断。该方法首先利用经验模式分解方法将振动信号分解为若干个内蕴模式函数之和,接着对每个内蕴模式函数进行Hilbert变换得到振动信号的Hilbert谱,然后对Hilbert谱进行奇异值分解,得到反映机械状态特征的奇异值序列,最后利用奇异值作为特征向量,使用支持向量机进行轴承故障诊断。轴承正常、内圈故障、滚动体故障、外圈故障实测信号实验结果表明,该方法能有效地提取轴承故障振动信号特征。

     

基于LMD与改进SVM的轴承故障诊断方法

针对轴承振动信号故障特征信息实际提取困难的问题,基于局部均值分解(LMD)与改进支持向量机(SVM)提出了轴承故障诊断方法.对所采集的轴承振动信号进行局部均值分解,得到若干乘积函数的分量.计算各乘积函数的能量,选取能量百分比值作为识别故障的特征值.针对支持向量机不能自适应选择核函数参数和惩罚因子的问题,利用细菌觅食优化算法对支持向量机进行参数优化.将特征值输入改进支持向量机模型,对轴承故障状态进行识别.试验结果表明,相对于传统支持向量机模型和隐马尔可夫模型,采用所提出的轴承故障诊断方法,对轴承故障的识别准确率提高7个百分点以上,由此验证了所提出的轴承故障诊断方法的可靠性.     

基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

基于EEMD-SVD与SVM的.轴承故障诊断

针对轴承振动信号具有非线性、非平稳性以及故障特征提取困难的问题,提出了一种基于EEMD-SVD与支持向量机的轴承故障诊断方法。首先,利用集成经验模态分解方法将轴承振动信号自适应地分解为多个本征模态函数分量。然后,根据峭度准则选取6个本征模态函数分量,并将其构成的矩阵进行奇异值分解得到特征向量。最后,将特征向量输入支持向量机进行故障诊断。利用凯斯西储大学的轴承数据进行了试验,并与BP神经网络进行了对比,结果验证了本文方法的有效性。     

滚动轴承声发射特征的单分类方法及其应用

提出基于支持向量数据描述(SVDD)的滚动轴承声发射特征的单分类智能诊断方法,适用于故障监测和诊断中缺少故障样本的情况。首先利用谐波小波优良的频域盒形特性,将滚动轴承声发射信号分解到相互独立互不重叠的若干频带内,然后求取主要频带内信号的能量并归一化处理,进而将归一化能量特征作为特征向量输入SVDD分类器中进行故障识别和分类。试验表明,该方法只需要正常轴承声发射特征作为学习样本,不需要其他非目标样本即可实现故障轴承的识别,与支持向量机分类方法比较具有更高的准确率。     

基于EMD幅值熵和支持向量机的滚动轴承故障诊断

针对滚动轴承早期故障特征微弱,无法对轴承状态进行有效辨识的特点,提出基于EMD幅值熵和支持向量机的故障诊断方法。首先通过经验模态分解的自适应性将振动信号分解为不同时间尺度的本征模态函数IMFs,然后从分解的IMFs中分别提取瞬时幅值香农熵构造故障特征集,最后通过支持向量机对提取的故障特征集进行分类识别。滚动轴承实验结果表明,所提方法相比基于EMD和AR模型的故障诊断方法效果更好,诊断识别率达到100%。     

基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法研究

针对自动扶梯由于长期处于高员载运行状态而引起主驱动轴轴承故障问题,提出一种基于EEMD-SVM的自动扶梯主驱动轴轴承故障诊断方法。使用集合经验模态分解(EEMD)对轴承异常的振动加速度信号进行分解来提取信号特征,然后基于支持向量机(SVM)构建故障诊断模型对信号进行诊断,从而确定故障状态。     

基于Winger分布和奇异值分解的轴承故障诊断

为了充分挖掘Winger时频谱有效信息,研究提出一种基于振动信号Winger分布和奇异值分解相结合的轴承故障诊断方法。首先运用Winger分布分析原始振动信号,然后基于奇异值分解的方法分析Winger谱矩阵,得到反映机械故障状态特征的特征序列,最后将振动信号的Winger谱奇异值作为特征向量,使用支持向量机(SVM)进行故障诊断。实验结果表明,该方法能有效的提取故障特征。     

基于变分模态分解近似熵和支持向量机的轴承故障诊断方法

针对滚动轴承振动信号的非平稳特征,以及现实中难以获得大量典型故障样本的情况,提出了一种基于变分模态分解的近似熵和支持向量机的故障诊断方法。首先,通过VMD将原始振动信号分解为若干个频率尺度的本征模态分量;然后,计算各个IMF分量的近似熵并组成特征向量;最后,将上述特征向量输入支持向量机进行训练,并判断轴承的工作状态和故障类型。分析结果表明:与EMD及LMD相比,VMD近似熵与支持向量机相结合后,诊断精度得到了较大的提高,更适用于轴承故障的自动化诊断。     

基于LMD能量特征的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的多载波多调制特性,提出一种基于局域均值分解(local mean decomposition,简称LMD)能量特征的特征向量提取方法,并与支持向量机相结合用于滚动轴承的故障诊断。首先,采用LMD方法将复杂调制振动信号分解为若干单分量信号乘积函数(production function,简称PF);然后,对反映信号主要特征的PF基于时间轴积分,得到各PF分量能量矩并构造特征向量;最后,将其输入多分类支持向量机中,用于区分滚动轴承的故障类型与故障程度。对滚动轴承内圈故障、外圈故障及滚动体故障振动信号的分析结果表明,该方法能有效提取滚动轴承各工作状态信号的故障特征,能准确识别故障类型,同时对故障程度的判断表现出较高的识别率。     

基于谐波小波包和OAO-RVM的滚动轴承故障诊断方法

结合谐波小波包和相关向量机设计了滚动轴承故障诊断方法,以实现轴承正常状态、内圈故障、滚动体故障及外圈故障状态的诊断。首先,利用谐波小波包对轴承的振动信号进行多层分解,根据各频段的小波分解系数计算各个频带能量,归一化之得到特征向量;其次,对传统的OAO-RVM模型进行简化,改进为新的OAORVM多模式分类模型;最后,利用滚动轴承试验台的振动数据对设计方法进行了验证。结果表明,设计的诊断方法在识别的准确率及算法计算效率方面均比传统的支持向量机诊断方法好。     

轴承退化状态的LCD-Hilbert相对谱熵识别

为有效地对轴承退化状态进行识别,结合LCD分解和Hilbert变换定义了LCD-Hilbert时频谱,同时利用相对熵可以较好表征振动信号概率分布差异的特性,提出基于LCD-Hilbert相对谱熵的轴承退化特征提取方法。通过仿真信号对定义的LCD-Hilbert相对频率能谱熵、相对瞬时能谱熵和相对奇异谱熵的合理性和有效性进行了验证。将这3个特征指标组成退化特征,对实测轴承内圈和外圈故障模式下的不同程度故障振动信号进行了进一步分析,并通过支持向量机对轴承退化状态进行了识别,结果验证了所提方法的有效性。     

基于改进的集合经验模态分解的电动机滚动轴承故障诊断研究

针对电动机轴承早期故障信号非线性非平稳性特征,造成故障信号特征提取和故障诊断困难,提出一种改进的基于添加自适应白噪声的完备集合经验模态分解与支持向量机结合的电动机轴承故障诊断方法。将美国凯斯西储大学测得的电动机轴承正常运行、滚动针体故障、外圈故障、内圈故障共4种信号分别用CEEMDAN和EEMD进行分解,得到多个模式分量,再将IMF能量法计算得到的特征向量引入支持向量机,进行电动机轴承故障识别。试验对比研究表明,该方法能更有效进行电动机轴承早期故障识别。     

基于Winger-SVD的轴承故障诊断方法

提出了一种基于振动信号Winger分布和奇异值分解相结合的轴承故障诊断方法。首先将振动信号进行Winger分布分析;然后将得到的Winger谱矩阵进行奇异值分解,得到反映机械故障状态特征的特征序列;最后将振动信号的Winger谱奇异值作为特征向量,使用支持向量机进行故障诊断。     

基于支持向量机的滚动轴承性能退化评估方法

由于损伤积累,轴承的性能会逐渐退化,为准确地评估滚动轴承性能退化状态,提出了一种基于支持向量机和小波包分解的方法。并利用具有不同故障程度的滚动轴承的振动信号,对该方法进行了验证。评估结果表明,该方法可以准确地评估轴承的性能退化程度。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

基于IMF频带能量特征和支持向量机的发动机故障诊断

本文对发动机缸盖振动信号进行EMD分解,对选取出的IMF分量进行快速傅里叶变换,对其频谱进行频带划分并将各频段信号的能量累加组成的向量作为故障分类的特征向量,应用支持向量机算法对发动机活塞不同程度的故障进行识别。实验结果表明:基于IMF频带能量特征和支持向量机的方法能够对发动机活塞不同程度的故障进行识别。     

基于EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。     

近似熵与支持向量机在发动机故障识别中的应用研究

针对发动机曲轴轴承极易磨损,导致发动机出现故障的问题,提出了一种基于近似熵与支持向量机相结合的故障诊断方法。发动机在工作过程中,早期故障特征信号微弱。基于此,引入近似熵算法,分别模拟发动机曲轴轴承4种磨损状态,测取各状态下多测点的振动信号样本,计算样本近似熵值,构建了不同状态近似熵故障特征向量。结合支持向量机算法,构造支持向量机故障分类模型,将近似熵特征量带入其中进行训练与测试,测试结果准确率达到97.5%,并与普遍使用的BP神经网络诊断方法进行了对比,结果表明该方法具有更高的诊断识别率,是一种有效且准确率较高的在线诊断方法。