可变负载的准零刚度隔振器特性

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点，提出了一种变分模态分解(variational modal decomposition, 简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, 简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择，采用粒子群优化算法(particle swarm optimization, 简称PSO)，对两种算法中的参数进行优化。首先，利用PSO优化VMD算法中的α和K，再基于VMD对微弱故障信号分解后的结果，选取最优模态分量；其次，利用PSO优化MCKD算法中的L和T，再基于MCKD算法加强最优分量信号中的故障冲击成分；最后，通过包络谱提取出轴承微弱故障特征。仿真和试验均表明，此方法能够自适应增强轴承微弱故障中的冲击成分，有效提取出被强噪声淹没的轴承微弱故障特征。     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。     

基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition,简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution,简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization,简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。     

信息熵和合成峭度优化的VMD和PSO-SVM的轴承故障诊断

为了解决变分模态分解参数人为确定的问题,并能够实现轴承故障的精确诊断,构建了一种信息熵和合成峭度优化的变分模态分解(VMD)和粒子群算法优化支持向量机(PSO?SVM)的轴承故障诊断方法.该方法首先运用合成峭度倒数与信息熵乘积的最小值原则对VMD参数进行优化,再由优化的参数对原始故障信号进行变分模态分解,得到既定的若干本征模态分量(IMFs),再选取信息熵与合成峭度倒数的乘积最小的IMF作为最佳IMF,再对其提取故障特征构成特征向量,输入P SO?SVM进行故障分类.最后,运用仿真信号和实际轴承数据验证了本文方法的有效性.     

基于变分模态分解和LFOA-RVM的轴承故障诊断

针对滚动轴承的故障诊断问题,提出了基于变分模态分解(Variational modal decomposition, VMD)、改进果蝇算法(Improved fruit fly optimize algorithm, LFOA)和相关向量机(Relevance vector machine, RVM)的滚动轴承故障诊断方法。该方法首先利用VMD将轴承振动信号分解成若干个本征模态分量(Intrinsic mode components, IMF),并计算IMF分量的均方根值和重心频率组成故障特征向量。为提高故障诊断精度,采用LFOA算法对RVM的参数进行优化,建立LFOA-RVM模型,然后对提取的故障特征进行训练和测试,以此来判断轴承的故障类型和故障程度。利用该方法对实测轴承信号进行了分析和诊断,并与其他几种方法进行了对比,验证了该方法的有效性。     

基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断

为充分提取非线性、非平稳的轴承故障信号特征信息，进而提高轴承故障诊断精度，提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先，使用VMD将轴承故障振动信号分解为了多个模态分量，通过评估原信号与模态分量信号的互相关程度，筛选了其有效模态，并对其进行了信号重构，实现了故障信号的降噪处理目的；然后，使用精细复合均值化代替了传统粗粒化方法，利用RCMMDE方法提取了重构信号的多尺度熵值，构成了特征样本集；最后，通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优，构建了最优的故障检测模型，并将特征样本集输入到WOA-SVM模型中进行了轴承故障诊断，并通过实验评估验证了模型的有效性。研究结果表明：该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上，并具有很强的鲁棒性。     

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。     

基于参数自适应特征模态分解的滚动 轴承故障诊断方法

针对强背景噪声下轴承故障信息难以有效提取的问题,提出一种基于参数自适应特征模态分解的滚动轴承故障诊断方 法。 首先,为了克服原始特征模态分解(FMD)需要依赖人为经验设定关键参数而不具有自适应性的缺点,提出基于平方包络 谱特征能量比(FER-SES)的网格搜索方法自动地确定 FMD 的模态个数 n 和滤波器长度 L;随后,采用参数优化的 FMD 将原轴 承振动信号划分为 n 个模态分量,并选取具有最大 FER-SES 的模态分量为敏感模态分量;最后,通过计算敏感模态分量的平方 包络谱来提取故障特征频率,从而判别轴承故障类型。 通过仿真信号和工程案例分析验证了提出方法的有效性。 与变分模态 分解(VMD)和谱峭度方法(SK)相比,提出方法具有更好的故障特征提取性能。     

基于平均自相关和优化VMD的轴箱轴承故障诊断

针对动车组运行过程中轴箱轴承振动加速度信号非平稳特性以及较大的背景噪声导致故障特征难以提取的问题,提出一种平均自相关结合参数优化变分模态分解（variational mode decomposition,简称VMD）的轴箱轴承故障诊断方法。首先,利用平均自相关对原始信号进行降噪,增强故障周期性冲击信息;其次,以故障特征频率能量比相反数为适应度函数,利用哈里斯鹰优化算法（Harris hawks optimization,简称HHO）优化VMD的模态分量数和二次惩罚系数,实现对降噪信号的自适应分解并提取出最佳模态分量;最后,计算其平方包络谱进行故障诊断分析。仿真和试验结果表明：该方法能够有效地降低背景噪声的影响,稳定地提取出周期性故障冲击成分,实现轴箱轴承故障的准确诊断。     

基于HMM和CS-VMD的滚动轴承故障诊断

针对滚动轴承故障信号非线性和非平稳的特点,为准确识别滚动轴承的故障类型,提出了一种基于隐马尔可夫模型(HMM)并利用布谷鸟搜索(CS)优化变分模态分解(VMD)的滚动轴承故障诊断新方法。首先,利用CS分别优化VMD的模态分解个数K和二次惩罚因子α;然后,设置寻优得到的最佳参数组合,将故障信号经VMD分解为一系列本征模态函数分量(IMFs);最后,依据相关系数重构信号,并从重构信号中提取特征向量输入HMM模型中训练及识别。通过对实验采集的轴承故障振动信号的分析,验证了此方法的有效性和准确性。     

基于VMD与增强包络谱的轴承早期故障诊断方法

针对滚动轴承的早期故障信号容易受到噪声的干扰,造成信号的信噪比较低等问题,结合VMD和增强包络谱两种算法的优势,提出了一种基于遗传算法优化VMD与增强包络谱的轴承故障诊断方法。首先,使用包络熵与平方包络谱峭度的组合作为遗传算法的适应度函数,对变分模态分解的参数进行了寻优,得到了最优的模态分量个数和惩罚因子组合;然后,使用最优参数组合对轴承故障信号进行了变分模态分解,得到了若干模态分量,并选择了最小适应度值对应的最优模态分量;最后,为验证该方法的有效性,采用无刷直流电机轴承和全寿命加速退化轴承两种实测信号进行了轴承故障类型识别分析。研究结果表明：相比传统方法,采用基于VMD与增强包络谱的方法,其输出信噪比平均提升了5.94 dB,对于全寿命轴承退化数据可提前600 min识别出轴承的早期故障;该方法具有输出信噪比高、适应性好等优点,在轴承的微弱信号检测和早期故障识别方面具有较好的应用前景。     

基于VMD和MRVM变负荷工况下的滚动轴承故障诊断

为了能够对变负荷工况下的轴承早期故障及损伤程度进行准确有效的诊断,提出了基于改进混沌果蝇优化算法的变分模态分解(variable mode decomposition,简称VMD)和基于嵌套一对一算法的多分类相关向量机(multi-class relevance vector machine,简称MRVM)的智能诊断模型。首先,使用改进混沌果蝇优化算法(improved chaotic fruit fly optimization algorithm,简称ICFOA)对VMD的本征模态函数(intrinsic mode function,简称IMF)个数和惩罚参数进行优化,搜索两个参数的最优组合值;其次,使用最优组合参数值对VMD算法的关键参数进行设定,并对已知的故障信号进行分解获得相应的IMF分量;然后,使用嵌套一对一算法构造高精度的多分类RVM学习模型,将IMF分量的二维边际谱熵值作为MRVM的输入特征向量;最后,使用不同载荷下的实验数据进行验证。实验结果表明,所提出的方法能够准确地对变载荷工况下的轴承故障进行诊断,其中轴承故障类型的诊断精度为100%,轴承故障程度的诊断精度为91.87%,诊断精度较高,鲁棒性强。     

基于参数优化VMD和多尺度排列熵的齿轮故障诊断

针对齿轮故障特征在单一尺度难以全面提取的问题,提出一种基于参数优化的变分模态分解和多尺度排列熵的齿轮故障诊断方法.利用改进的蝙蝠算法对变分模态分解中的参数K和a进行全局寻优,以局部极小包络熵作为适应度值,搜寻K和a的最优组合.经VMD分解得到既定的若干IMF分量,分别计算其相应的多尺度排列熵,构建故障特征向量,输入到极限学习机进行训练和识别,进而实现齿轮的故障诊断.实验表明,该方法具有非常好的分类性能,故障诊断效果显著.     

鲸鱼算法优化VMD-CNN在滚动轴承故障诊断中的应用

针对滚动轴承工作环境恶劣且采集到的振动信号具有非线性、非平稳性等特征,为了自适应提取故障特征以及提高轴承故障智能诊断准确率,提出基于鲸鱼算法（Whale Optimization Algorithm,WOA）优化变分模态分解（Variational Mode Decomposition,VMD）与卷积神经网络（Convolution Neural Network,CNN）相结合的故障诊断方法。首先,使用鲸鱼优化算法对VMD超参数进行寻优,找到VMD最优的分解层数与惩罚因子,并利用优化后的VMD对轴承原始信号进行分解。其次,用连续小波变换将分解得到的一维本征模态信号转化为相应的二维时频图。最后,将二维时频图作为二维卷积神经网络的输入,并对其输入的时频图进行深层特征提取与模式识别。实验表明,所提出的方法能高效提取故障特征,准确率高达99.78%。     

CEEMD-VMD与参数优化SVM结合的托辊轴承故障诊断

针对托辊轴承工作环境复杂、提取故障特征困难等问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition, CEEMD)和变分模态分解(Variational modal decomposition, VMD)相结合的降噪方法。首先,利用CEEMD将采集到的信号进行分解,依据相关系数和峭度筛选分量并进行重构,生成新的信号;然后,利用VMD将新的信号进行再分解,并基于包络熵和包络谱峭度组合的复合指标优选本征模态分量(Intrinsic mode functions, IMF);最后,提取相应的特征输入樽海鞘群优化支持向量机(Salp swarm optimization support vector machine, SSO-SVM)模型完成故障诊断。实验结果表明:对于正常轴承、轴承内圈故障、轴承外圈故障三种情况,诊断准确率达97.78%。与单一降噪方法相比,该方法可以有效提高故障信号的信噪比,降噪效果明显。     

基于自适应变分模态分解和调制信号双谱的滚动轴承故障诊断方法

针对滚动轴承振动信号的强非线性和非平稳特征,提出了一种基于自适应变分模态分解和调制信号双谱分析(AVMD-MSB)的故障诊断方法来提取滚动轴承故障特征。首先,利用AVMD自适应地选择VMD参数K和α并将振动信号分解为一系列本征模态函数(IMF),减少了基于经验或信号先验知识对VMD参数选择不当而造成的误差;然后,依据相关峭度指数对所有IMF分量进行加权重构,避免意外遗漏包含重要故障信息的IMF分量;最后,应用MSB进一步抑制信号中的残余噪声和干扰成分,以增强周期性故障脉冲,准确提取轴承故障特征。2组不同类型轴承的试验结果表明,AVMD-MSB的特征频率增强系数远高于AVMD-Envelope和常规VMD-MSB,在滚动轴承故障诊断方面具有更高的灵敏度和更强的鲁棒性。     

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...     

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。     

变分模态分解在转子故障诊断中的应用

针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。     

基于MED和变分模态分解的滚动轴承早期故障诊断方法

针对滚动轴承早期微弱故障特征容易淹没于环境噪声中而难以提取的问题,提出了最小熵解卷积(MED)降噪和变分模态分解(VMD)相结合的滚动轴承早期故障诊断方法。首先以峭度最大为准则利用MED对轴承振动信号进行降噪处理,然后采用新的高精度多分量信号分解方法——VMD将降噪信号分解为若干个分量,最后通过分析最大峭度分量包络谱中故障频率成分诊断轴承故障。轴承实验分析结果表明了该方法的有效性。