改进蝙蝠算法优化支持向量机的故障诊断方法

提出了一种基于变分模态分解（VMD）和时移多尺度散布熵（TSMDE）的故障特征提取结合改进的蝙蝠算法（IBA）来优化支持向量机（SVM）的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机（IBA-SVM）,实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法（PSO）优化支持向量机（PSO-SVM）的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。     

广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断

针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵（GCMWPE）与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射（S-Isomap）算法进行有效的二次特征提取。采用天牛须搜索优化支持向量机（BAS-SVM）诊断识别故障类型。将所提方法应用于滚动轴承实验数据分析过程,结果表明：GCMWPE特征提取效果优于多尺度加权排列熵、复合多尺度加权排列熵和广义多尺度加权排列熵;GCMWPE与S-Isomap相结合的特征提取方法可在低维空间中有效区分滚动轴承不同故障类型;BAS-SVM的识别正确率和识别速度优于粒子群优化支持向量机、模拟退火优化支持向量机和人工鱼群优化支持向量机;所提方法能够有效、精准地识别出各故障类型。     

基于变分模态分解和多尺度排列熵的故障诊断

为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量化各模态分量的故障特征,取各模态分量多尺度排列熵的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类中心,采用欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据,通过分类系数与平均模糊熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比,结果表明,所提方法具有更好的分类性能,其故障诊断精度更高。     

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VMD多特征融合与PSO-SVM的滚动轴承故障诊断

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。     

基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。     

基于WOA-VMD联合MOMEDA的轴承外圈故障特征提取方法

滚动轴承工作环境较为复杂，在复杂的环境因素影响下，其故障特征信号容易受到噪声的影响，导致其难以被识别。针对这一问题，提出了一种基于鲸鱼优化算法(WOA)的变分模态分解(VMD)联合多点最优最小熵解卷积(MOMEDA)的滚动轴承外圈故障特征提取方法。首先，利用变分模态分解(VMD)对仿真信号进行了分解，使用鲸鱼优化算法(WOA)确定了最佳分解层数以及各分量的样本熵；然后，以样本熵最小值为目标寻优，得出了包含故障信号的最佳分量，对得到的最佳分量进行了MOMEDA重构，从重构信号的包络谱中获得了仿真信号故障特征频率及其倍频；最后，为了验证WOA-VMD联合MOMEDA的有效性，在实验台上采集数据，对滚动轴承的外圈故障信号进行了特征提取。实验结果表明：使用该方法可以高效地进行信号的分解寻优，能较为准确地得到仿真信号的故障频率(100 Hz)和实验台提取信号的近似故障频率(87.5 Hz),验证了该方法的有效性。研究结果表明：低信噪比的工况条件下，采用WOA-VMD联合MOMEDA的方法可以有效地提取滚动轴承的故障特征信号，并能从重构信号中提取故障特征频率。     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

ALIF-MMPE结合DAG-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断中非平稳振动信号下的有效故障特征提取问题,提出一种基于自适应局部迭代滤波、多元多尺度排列熵和有向无环图算法支持向量机的滚动轴承故障诊断方法。自适应局部迭代滤波通过构建自适应滤波函数,能够有效抑制噪声和模态混叠,经自适应分解后得到若干本征模态函数。仿真结果表明其效果优于经验模态分解。然后利用多元多尺度排列熵对包含显著故障信息的本征模态函数进行信息融合和特征提取,组成故障状态特征集。采用主成分分析对故障状态特征集进行降维,随机抽取部分样本带入有向无环图算法支持向量机中进行训练,其它则作为测试样本进行故障识别和诊断。试验故障诊断结果表明:自适应局部迭代滤波下多元多尺度排列熵优于多个本征模态函数下的多尺度排列熵和经验模态分解下的多元多尺度排列熵;本文方法能准确地识别滚动轴承不同的故障类型及故障程度。     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究

针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态分解对微弱故障特征不敏感的缺陷;以最小熵反褶积-集合经验模态分解特征提取方法为输入的超限学习机分类模型,在少量样本的情况下可以有效地对轴向柱塞泵松靴故障进行检测与诊断。     

基于改进层次全局模糊熵和MCFS的滚动轴承损伤识别

针对传统的多尺度特征提取方法无法捕捉振动信号高频故障信息的问题,提出了一种基于改进层次全局模糊熵(IHGFE)全局全频段特征提取、多聚类特征选择(MCFS)特征降维和支持向量机分类的滚动轴承故障诊断方法。首先,提出了能够捕捉振动信号低频到高频的全局特征的IHGFE非线性动力学方法,并将其用于滚动轴承的故障特征提取;然后,利用MCFS对初始特征向量进行了维数约简和优化,构建了低维且对故障敏感的故障特征向量;最后,建立了基于支持向量机的多故障分类器,实现了滚动轴承损伤的智能化识别,并通过两个滚动轴承实验进行了对比分析。研究结果表明：IHGFE的分类准确率和识别稳定性均优于对比方法,证明了其在特征提取中能够在一定程度上解决现有方法无法同时考虑信号的高频特征和全局特征的问题,可为进一步扩展模糊熵方法在滚动轴承损伤识别中的应用提供参考。     

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。     

基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法

为克服多尺度样本熵的不足,更精确地提取滚动轴承非线性故障特征,将一种新的非线性动力学分析方法--精细复合多尺度散布熵引入到滚动轴承的故障特征提取。在此基础上,提出了一种基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断新方法。通过滚动轴承实验数据分析,将所提方法与基于多尺度样本熵和多尺度散布熵的故障诊断方法进行了对比,结果表明：所提方法不仅能精确地识别滚动轴承故障类型和故障程度,而且故障识别率高于另两种方法。     

VMD结合小波包信息熵和GJO-SVM的电机轴承故障诊断

针对电机滚动轴承故障特征难以提取从而导致诊断准确率低的问题,提出了一种基于变分模态分解(Variational Modal Decomposition, VMD)结合小波包信息熵(Wavelet Packet Information Entropy, WPIE)的特征提取方法,并采用金豺优化(Golden Jackal Optimization, GJO)算法优化后的支持向量机(Support Vector Machine, SVM)进行电机滚动轴承的故障诊断。首先,利用VMD将采集到的信号进行分解,依据局部极小包络熵筛选出最优本征模态(Intrinsic Mode Function, IMF)分量;其次,利用小波包将最优IMF分量再分解,并提取信息熵作为特征向量矩阵;最后,采用GJO算法对支持向量机中的惩罚参数和核参数进行寻优选择,建立GJO-SVM故障诊断模型,将特征向量矩阵输入金豺算法优化支持向量机(GJO-SVM)故障诊断模型中进行故障诊断。将VMD结合小波包信息熵特征提取与VMD结合近似熵特征提取进行对比试验,试验结果表明,VMD结合小波包信息熵特征提取精度提高了2.5%,其...     

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。     

MED和分层模糊熵在滚动轴承故障诊断中的应用

针对单一的小波包能量特征难以实现滚动轴承故障准确诊断的局限性,提出了一种新的基于最小熵解卷积(Minimum Entropy Deconvolution,MED)、小波包能量谱和分层模糊熵的滚动轴承故障诊断方法。采用MED算法抑制噪声,突出故障冲击特征;分别提取小波包分解后不同频段能量谱和分层模糊熵融合作为特征向量,通过支持向量机完成了对于滚动轴承的故障分类。将提出的方法应用于滚动轴承实验数据进行分析,通过对比结果验证了所提方法有更高的分类准确性和更大的实用性。     

参数优化变分模态分解和多域特征融合的行星变速箱故障诊断

为提高行星变速箱的诊断精度,提出了基于参数优化变分模态分解和多域特征融合的行星变速箱故障诊断方法.首先,为提高变分模态分解(VMD)对信号的分解效果,以天牛须搜索(BAS)为优化方法进行VMD参数的优化.其次,以参数优化VMD完成信号的分解,并筛选出分解所得本征模态函数(IMF)中包络熵最小的IMF.再次,计算包络熵最小IMF的时域、频城和尺度域特征组成高维多城故障特征集,而后通过监督局部切空间排列(SLTSA)完成特征集的降维.最后,通过支持向量机对故障特征进行识别,得到诊断结果.行星变速箱故障诊断实例验证了方法的有效性.     

EEMD样本熵在轴承故障SVM识别中的研究

滚动轴承故障支持向量机(SVM)智能识别的关键技术是故障信息的提取。由于小波变换和经验模态分解分别存在非自适应和模态混叠的缺陷,采用总体平均经验模态分解(EEMD)和样本熵来提取滚动轴承故障信息。实验中采集了3种工况和3种点蚀直径下的滚动轴承振动信号并进行小波降噪,降噪后信号用EEMD分解为若干个IMF分量,用样本熵表征主要分量的复杂性,同时设计了以EEMD样本熵作为训练和识别样本的SVM滚动轴承故障分类识别器。实验结果表明该方法在小样本的情况下能准确识别轴承正常和内圈、外圈、滚动体故障,并且随着样本数量增加识别准确性提高。