基于CEEMDAN与VNWOA-LSSVM的供输弹系统早期故障诊断研究

由于供输弹系统早期故障信号成分复杂,故障特征微弱,故提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与以冯诺依曼拓扑结构(VN)改进鲸鱼算法(WOA)优化下的最小二乘支持向量机（LSSVM）的故障诊断方法。在对所测信号进行预处理即去趋势项和零点漂移后,通过CEEMDAN对供输弹信号进行分解,得出模态分量(IMF); 然后依据相关系数和峭度准则这两个标准来选取符合标准的IMF分量,提取这些分量的分布熵(DE)作为特征; 最后用VNWOA-LSSVM诊断模型,输入供输弹系统3种不同工况下的振动信号特征进行故障诊断,并且还对比了LSSVM、PSO-LSSVM、GA-LSSVM和WOA-LSSVM等方法对故障的识别率。实验结果表明：这些方法中经VNWOA优化后的LSSVM的识别率最高,高达94.03%。     

基于VMD_IWT近似熵与PSO_SVM的转子故障诊断

针对转子故障振动信号的非平稳性、非线性特征,提出了基于变分模态分解_改进小波阈值(VMD_IWT)近似熵与粒子群优化支持向量机(PSO_SVM)的转子故障诊断方法。首先对振动信号进行VMD分解,对分解后的各分量进行改进小波阈值处理;然后,提取降噪后信号的近似熵作为特征值组成特征向量;最后,将特征向量输入PSO_SVM进行故障分类识别。将该方法用于实际转子实验数据,并通过对比分析,分别证明了VMD、IWT和PSO_SVM方法的有效性,且文中所提方法的故障诊断准确率高达95%,证明该方法具有一定的实际应用价值。     

基于EMD-MPE与HMM的滚动轴承故障诊断

针对故障轴承的特征难以提取以及状态识别困难的问题,提出了基于经验模态分解(EMD)-多尺度排列熵(MPE)与隐马尔科夫模型(HMM)的滚动轴承故障识别方法。首先,运用EMD滤波降噪原理对滚动轴承振动信号进行降噪,而后将已降噪的信号进行多尺度排列熵分析并提取不同尺度下排列熵的较大值作为信号特征。最后,将特征信号向量输入已训练好的HMM模型进行故障类型判别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于EMD-MPE与HMM的滚动轴承故障诊断方法对滚动轴承的故障状态能够进行有效地识别。     

基于多域熵与FCM聚类的故障诊断模型

针对传统故障诊断中,特征的有效提取依赖于降噪的效果,提出一种基于多域熵与模糊C均值聚类的故障诊断模型。采集设备运行过程中的振动信号,分别计算其小波包能量熵、功率谱熵和近似熵,其反映了振动信息在小波域、频域以及时域内的复杂程度。将其作为设备运行特征向量,通过模糊C均值聚类对设备状态进行识别。利用轴承故障实验和转子故障实验验证基于多域熵与FCM聚类的故障诊断模型,结果表明该方法地对故障类别以及故障程度的识别分类具有良好的效果。     

基于MCKD与小波包熵的齿轮箱轴承微弱故障信号提取

针对齿轮箱轴承故障信号含有大量噪声而特征难以提取的问题。文章提出一种基于MCKD(最大相关峭度解卷积)和小波包熵值相结合的齿轮箱微弱故障信号提取方法。首先根据MCKD对故障信号进行降噪,突出信号中的有效冲击成分。然后进行小波包分解得到包含故障特征成分的末层节点信号,并以互相关系数-小波包熵值为准则对最后一层节点信号进行筛选并获取敏感节点信号,最后通过对敏感节点信号进行重构从而获得降噪后的轴承故障信号。实验结果表明该方法能够很好的滤除信号中的噪声并且准确地提取故障信号中的冲击成分,是对齿轮箱微弱故障特征提取的一种新方法。     

滚动轴承VMD能量熵与PNN故障模式识别研究

针对研究振动信号分析识别轴承状态的方法,在实践应用中受到各种噪声的影响很难达到准确识别预期目标的效果,提出了基于VMD能量熵特征与PNN神经网络结合的分类滚动轴承故障状态的方法。首先,通过运用变分模态分解(VMD)的信号预处理方法,实现振动信号的VMD降噪,同时利用集合经验模态分解(EEMD)对仿真信号进行对比两种方法的分解效果;然后,通过VMD能量熵和时域特征组成特征向量。最后,特征向量导入概率神经网络模型中准确识别滚动轴承故障状态。结果表明,该方法能将非平稳振动信号分解有效降噪且抑制模态混叠现象,同时能有效识别故障状态,对于在线监测机床健康状态领域的发展有重大的意义。     

基于粒化散布熵和SSA-SVM的轴承故障诊断

针对轴承故障振动信号在单一尺度下提取故障特征信息不完备,导致故障诊断识别率较低的问题,提出基于粒化散布熵(FIG-DE)和麻雀搜索算法(SSA)参〖JP2〗数优化的支持向量机（SVM）的轴承故障诊断方法。利用模糊信息粒化对轴承振动信号进行粒化处理,得到fLow、fR、fUp3个尺度下的模糊信息粒;分别计算3组信号的散布熵;将所得的熵值组成特征向量矩阵,输入SSA-SVM进行轴承故障分类。结果表明：利用SSA-SVM进行滚动轴承故障诊断,准确率有明显的提高。     

基于IUPEMD和RCMFE的往复压缩机气阀故障诊断

由于往复压缩机的振动信号非线性、非平稳性的特点,为进一步提高故障识别率,提出一种基于改进的均匀相位经验模态分解(IUPEMD)和精细复合多尺度模糊熵(RCMFE)的往复压缩机气阀故障诊断方法。采用IUPEMD方法对信号进行分解,通过不同的参数组合,利用正交性为指标选择最佳IMF分量,有效提高了IUPEMD对非平稳性信号的分解精度,减少模态混叠现象;以峭度为评价指标对分解后的IMF分量进行筛选,并重构信号,求解重构信号的RCMFE,提取故障特征向量;最后,将特征向量输入到支持向量机进行分类识别。试验结果验证了该方法的有效性和优越性。     

基于最优熵与EEMD的滚动轴承微故障诊断方法

滚动轴承是易损件,为了更好并及时检测出在信噪比低的情况下的轴承早期微故障振动信号,提出了小波包最优熵和EEMD相结合的方法。运用小波包最优熵对采集信号实现信噪分离,突出了小波包降噪效果明显;通过EEMD将信号分解成多个分量;最后以互相关、峭度准则提取故障信号分量以避免分量选择的盲目性。结果表明:该方法对轴承初期故障具有良好的降噪效果,可以准确快速地检测出轴承故障,从而表明该方法是有效且可行的。     

基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断

滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明：该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。     

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明：与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。     

轴承故障的排列熵特征提取与GK模糊识别方法

为了提高轴承故障诊断准确率,提出了参数优化多尺度排列熵的特征参数提取方法和加权GK模糊聚类的识别方法。在特征提取方面,以多尺度排列熵序列偏度最小为优化目标,使用多作用力微粒群算法优化多尺度排列熵参数,实现了排列熵特征参数在轴承不同故障状态下的完全分离;在故障识别方面,提出了加权GK模糊聚类的识别方法,使用ReliefF算法计算特征参数权重,为高敏感度特征参数赋予更大的权值,从而提高GK模糊聚类的聚集度。经轴承故障实验验证,文章提出的排列熵特征参数提取和GK模糊聚类识别方法在此次实验中能够精准识别轴承故障类型,说明文中提出的特征提取和模式识别方法具有一定借鉴意义。     

基于ICEEMDAN模糊熵与Bi-LSTM的工业设备健康状态预测

工业设备健康状态关系着工业生产能否正常进行,为此提出一种基于改进自适应噪声完备经验模态分解（ICEEMDAN）和双向长短期记忆网络（Bi-LSTM）的工业设备健康状态预测方法。ICEEMDAN用于将原始音频信号进行分解得到若干个固有模态函数（IMF）分量,通过计算相关系数选取最佳分量组进行信号重构,然后计算重构IMF分量的模糊熵值构造特征向量集合,最后再输入到Bi-LSTM网络进行模型训练和预测。实验结果表明：相较于其他模型,基于ICEEMDAN模糊熵和Bi-LSTM的工业设备健康状态预测方法,能够有效提取音频信号特征,并准确进行健康状态预测。     

基于ALIFD模糊熵和GK聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号具有非平稳性及非线性的特点，提出一种基于自适应局部迭代滤波分解（ALIFD）模糊熵和GK聚类的滚动轴承故障诊断方法。首先对滚动轴承故障振动信号进行ALIFD分解，得到若干个本征模态函数（IMF）分量，然后通过相关性分析筛选出前3个包含主要特征信息的IMF分量，并将筛选的IMF分量的模糊熵作为特征向量，最后利用GK聚类对所得的特征向量进行识别分类。将该方法应用于滚动轴承实验数据分析，并使用分类系数和平均模糊熵对分类性能进行评价，结果表明，与基于经验模态分解模糊熵和GK聚类的故障诊断方法进行对比，该方法具有更好的分类性能。     

基于CIELMD与RCMFE的往复压缩机轴承间隙故障特征提取方法

针对往复压缩机轴承间隙故障诊断振动信号强非平稳、非线性与特征耦合特性,提出基于复合插值包络局部均值分解(CIELMD)与精细复合多尺度模糊熵(RCMFE)特征提取方法。使用CIELMD方法分解不同轴承间隙故障信号,利用相关系数筛选包含主要故障信息的PF分量;通过RCMFE方法定量描述PF分量构成状态特征矩阵,为解决信息冗余问题,进一步使用文化基因算法优选矩阵中平均样本距离最大的元素,构成可分性良好的特征向量。往复压缩机轴承间隙故障模拟信号试验结果表明:该方法提取故障特征可分性强,故障识别准确率高。     

基于KECA和BO-SVDD的滚动轴承早期故障检测

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析（KECA）和贝叶斯优化（BO）算法优化支持向量数据描述（SVDD）的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测,结果表明：KECA能够有效地提取特征信息,减少冗余信息的干扰;该模型整体上能够较早检测出故障的发生,并且有较好的鲁棒性和泛化能力。     

基于CEEMDAN和RCMDE的往复压缩机轴承故障诊断方法

针对往复压缩机振动加速度信号的非线性、非平稳等特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和精细复合多尺度散布熵(RCMDE)的往复压缩机轴承故障特征提取方法。采用CEEMDAN方法对信号进行分解时,通过不同的参数组合,可得到不同的IMF分量;计算不同参数条件下重构后的信号的峭度值,选用峭度值最大的一组参数重新对信号进行CEEMDAN分解,并进行信号重构。对重构后的信号进行RCMDE分析,提取故障特征向量,并利用支持向量机(SVM)进行分类识别。将优选参数的CEEMDAN分解方法和原CEEMDAN分解方法进行对比,结果表明:优选参数的CEEMDAN分解方法能更好地提取往复压缩机周期冲击性信号,有利于提高故障诊断的精确度。     

基于WOA-VMD及综合评价指标的轴承故障诊断北大核心

针对轴承振动信号的冗余信息过多、故障特征提取率较低的问题,提出一种基于鲸鱼算法及综合评价指标优化变分模态分解(VMD)参数的轴承故障特征提取方法。首先构建了一种模糊熵与峭度倒数和的综合评价指标,作为鲸鱼优化算法(WOA)的适应度函数;其次对VMD的相关参数进行寻优;然后使用优化的参数对原始信号进行VMD分解,得到固有模态函数(IMFs),选取模糊熵与峭度倒数和最小的IMF作为目标模态;最后对目标分量进行希尔伯特包络谱分析来提取故障特征。在仿真信号实验和实测数据实验中与传统方法对比,结果表明,鲸鱼算法与综合指标的结合能选取最优VMD分解参数,故障频率提取率较传统方法有所提高。     

基于MIGA-VMD和t-SNE的轴承故障诊断方法

针对从汽轮机轴承的非线性、非平稳振动信号中提取故障特征困难而导致诊断识别率低的问题,提出一种基于MIGA-VMD和排列熵、t-SNE的特征提取方法.变分模态分解(VMD)在轴承故障诊断中的分解效果很大程度上取决于分解个数和惩罚参数的选取.为实现VMD相关参数的最优选择,采用多岛遗传算法(MIGA)对VMD参数进行优化....