基于AO-VMD的往复压缩机故障特征提取方法

采用原始VMD方法对往复压缩机故障进行诊断时,往复压缩机易损部件的振动信号存在非平稳、非线性这一问题,为此,提出了一种使用天鹰算法(AO),以各分量样本熵的最小值作为适应度函数,对变分模态分解(VMD)进行优化分解的往复压缩机故障特征提取方法。首先,对往复压缩机滑动轴承的故障进行了分析,对其不同状态下的振动信号进行了分析处理;然后,先使用小波消噪对振动信号进行了消噪处理,再分别使用原始VMD和AO-VMD新型分解方法对其进行了处理,并得到了BLIMF分量;最后,计算两种分解方法中各分量的多尺度样本熵(MSE)值,对不同状态的多尺度样本熵值进行了对比分析,从而实现了对往复压缩机各类故障的诊断。研究结果表明：AO-VMD方法利用AO强大的快速搜索和开发能力后,故障分类性能明显优于原始VMD分解方法,各类故障信号多尺度样本熵值区分明显;其省时方面效果显著,基于遗传算法优化VMD方法分解耗时427 s,而AO-VMD方法仅需165 s,满足故障诊断分解方法要求。     

基于LMD多尺度熵和LSSVM的往复压缩机故障诊断方法研究

针对往复压缩机振动信号的非线性和非平稳多源冲击性,提出一种基于局部均值分解(LMD)、多尺度熵(MSE)和最小二乘支持向量机的诊断方法。首先,利用LMD将不同状态振动信号分解为一系列乘积函数(PF)分量,然后根据各PF分量与原信号的互信息值,选择相关性较大且包含故障状态主要信息分量,计算其相应的多尺度熵值,并构造能够定量描述往复压缩机状态的特征向量,最后利用LSSVM作为模式分类器,对上述不同状态下的特征向量样本进行训练和识别,诊断得出往复压缩机气阀故障类型。进一步与小波多尺度熵、EMD多尺度熵方法所提取特征向量识别结果进行对比,结果表明:该方法具有更高的识别率,为往复压缩机故障诊断提供了一种新途径。     

基于DE-VMD和GMDE的往复压缩机轴承间隙故障诊断方法

针对往复压缩机轴承间隙故障特征提取困难、识别准确率不高等问题,提出了差分进化算法优化变分模态分解方法和广义多尺度散布熵相结合的往复压缩机间隙故障诊断方法。首先,采用差分进化算法对变分模态分解算法的两个核心参数进行了优化,并利用优化后的变分模态分解方法对轴承间隙振动信号进行了信号分解和重构处理;然后,研究了多尺度散布熵的粗粒化过程,通过将方差粗粒化代替均值粗粒化,进行了多尺度处理,构建了广义多尺度散布熵算法,利用广义多尺度散布熵算法对重构信号进行了故障特征提取分析;最后,设计了核极限学习机模型对故障特征向量集进行了分类识别,完成了往复压缩机轴承间隙不同故障状态的智能诊断研究。研究结果表明,该故障诊断方法的识别准确率高达97%,高效地实现了轴承不同种类故障的智能诊断目的。     

基于VMD-MDE和ELM的柱塞泵微弱故障诊断

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性。     

基于MHITD与MFE的往复压缩机故障特征提取方法

针对往复压缩机振动信号的非平稳和非线性特性,提出一种基于改进ITD(MHITD)方法与多尺度模糊熵(MFE)的往复压缩机轴承故障特征提取方法。MHITD方法解决了ITD方法分量波形失真的问题,其采用单调三次Hermite插值代替了ITD方法中的线性变换。利用MHITD方法将故障振动信号分解为一系列旋转分量之和,根据相关性系数筛选包含故障主要信息的分量。利用多尺度模糊熵对各分量进行定量描述,并以类间平均欧氏距离对尺度因子进行优选,得出可分性良好的特征向量。通过该方法提取往复压缩机故障轴承间隙故障的特征向量,与ITD和样本熵方法进行对比分析,验证了该方法的有效性。     

VMD改进多尺度排列熵和LLTSA的列车车轮损伤诊断

针对列车车轮损伤振动信号特征难以提取的问题,本文提出基于变分模态分解(VMD)改进多尺度排列熵和线性局部切空间排列算法(LLTSA)的车轮损伤诊断方法.首先利用VMD方法分解原始振动信号得到若干个模态分量,计算各模态分量的改进多尺度排列熵,然后采用LLTSA方法进行特征维数约简,并与等距映射流形算法(ISOMAP)降维结果对比,获得最优的低维特征向量,最后将低维特征向量作为核极限学习机(KELM)的输入进行分类辨识.实验分析结果表明,该方法能够成功识别出车轮损伤状态.     

基于变分模态分解与灰狼算法优化极限学习机的滚动轴承故障诊断

提出了基于变分模态分解(VMD)和灰狼算法优化极限学习机(GWO-ELM)的故障诊断方法。采用变分模态分解对轴承振动信号进行分解,计算分解后本征模态分量的模糊熵并构建多尺度特征向量,将其输入灰狼算法改进极限学习机中进行故障模式识别。通过西储大学滚动轴承故障数据分析了变分模态分解及模糊熵算法中的参数选择问题,并随该算法进行了噪声鲁棒性验证。滚动轴承现场故障数据的诊断结果以及与常规极限学习机(ELM)和多隐层极限学习机(M-ELM)的对比分析表明,GWO-ELM模型能够有效识别滚动轴承故障类型,而且具备较高的故障识别率和较快的诊断速度。     

应用多参量和高斯过程分类的故障诊断方法

由于齿轮箱振动信号的非平稳非线性等问题加大了故障诊断的难度,本文提出了一种基于互补集合经验模态分解(CEEMD)和多尺度排列熵(MPE)、样本熵(SE)相结合的故障特征提取方法。首先对齿轮箱振动信号进行互补集合经验模态分解,并根据相关系数原则对各模态分量进行筛选和重构,再利用多尺度排列熵对筛选出的模态分量进行特征提取,同时对重构后的信号提取其样本熵作为特征值;最后将提取出的多种故障特征融合输入到高斯过程分类器中进行实验验证,实验结果表明该方法提取齿轮箱振动信号的故障特征是有效的,高斯过程分类能快速准确地分辨出故障结果。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

基于VMD-VGG的滚动轴承故障诊断

针对滚动轴承信号重构误差大,信号来源复杂等问题,提出了变分模态分解(VMD)算法与VGG神经网络相结合的滚动轴承故障诊断方法。首先,为避免VMD在工程应用中人为参数设置不合理导致的模态混叠等现象,提出应用中心频率计算分离系数,选取最佳模态个数的策略;然后,对VMD分解后各模态分量的能量熵与频率峰值等进行数值分析,剔除能量熵较小的信号,并将各模态信号依据频率峰值进行重构,得到故障特征向量;最后,构建VGG故障诊断模型,实现滚动轴承的故障分类。轴承振动信号与电动机定子电流信号对所提方法的验证结果表明,VMD-VGG方法可以有效分解这2种故障信号,而且具有较高的故障识别精度。     

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LMD多尺度熵与SVM的往复压缩机轴承故障诊断方法

针对往复压缩机振动信号的非平稳和非线性特性,提出了基于LMD多尺度熵与SVM的往复压缩机轴承间隙故障诊断方法。利用具有保形特性的Hermite插值法替代传统LMD中滑动平均法构造均值与包络函数,提高LMD对非平稳信号的分解精度。以改进LMD方法对各状态振动信号进行分解,依据相关性系数选择其中代表故障状态主要信息的PF分量。利用多尺度熵对各PF分量进行定量描述,并以平均类间样本距离对尺度因子进行优选,得出可分性良好的特征向量。使用SVM作为模式分类器,诊断得出了轴承间隙故障类型。同LMD与样本熵以及LMD与近似熵方法所提取特征向量进行对比,结果表明该方法具有更高的识别准确率。     

基于LMD与多尺度排列熵的往复压缩机故障特征提取方法

往复压缩机是用于压缩和输送气体的机械设备,针对其振动信号特征,提出基于LMD与多尺度排列熵的往复压缩机轴承间隙故障特征提取方法。利用具有保形特性的Hermite插值法替代传统LMD中滑动平均法构造均值与包络函数,提高LMD对非平稳信号的分解精度;以改进的LMD方法分解各状态下的振动信号,依据相关性系数筛选包含故障状态主要信息的PF分量;利用多尺度排列熵对各PF分量进行定量描述,并以平均类间样本距离对尺度因子进行优选,得出可分性良好的特征向量;利用SVM识别轴承间隙故障的类型,以识别准确率为依据,通过与不同方法所提取的特征向量进行对比,验证了方法的有效性。     

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。     

变分框架下多尺度熵相关优化的模态分解在故障诊断中的应用

针对变分框架下,一种新的模态分解——变分模态分解(Variational Mode Decomposition,VMD)的最优模态分量选择和关键参数辨识问题,借鉴折半查找的思想,提出应用多尺度熵相关系数和频域相关系数来改进VMD的上述关键环节,并通过轴承故障信号仿真研究其频域分解的数据特点,揭示其滤波本质;轴承故障信号仿真及工程应用的结果表明,相对于经验模态分解(Empirical Mode Decomposition,EMD)和总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),改进后的VMD(IVMD)去噪效果更为明显,是一种有效的自适应频域模态分解方法,可更为准确地提取出微弱特征频率信息,实现轴承故障的正确识别。     

改进SSA-VMD算法及其在往复压缩机故障诊断中的应用

针对麻雀搜索算法(SSA)在迭代后期种群多样性减少,导致算法易陷入局部极值解的问题,引入t分布变异策略对SSA进行改进,并采用改进的SSA对变分模态分解(VMD)进行参数优化,以得到VMD算法的最优参数组合。将改进的SSA-VMD算法与精细复合多尺度模糊熵(RCMFE)结合,开展往复压缩机轴承间隙故障特征提取研究。结果表明,相比原SSA-VMD算法,改进的SSA-VMD算法在进行RCMFE特征分析时具有更好的可分性,故障识别准确率更高。     

基于VMD与多特征融合的齿轮故障诊断方法

针对实际中工况复杂难以提取齿轮故障特征频率的问题,提出一种变分模态分解(Variational Mode Decomposition,VMD)与多特征融合的齿轮故障诊断方法。首先,对机械振动信号进行VMD分解并得到一系列的模态,其次,计算高频段的前4个模态的排列熵(Permutation Entropy,PE)和能量,最后,将排列熵和能量构成的高维特征向量作为最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的输入,对齿轮故障类型进行模式识别。试验结果表明:VMD可以较好地将复杂多分量信号各成分分开;排列熵和能量特征可以从不同尺度揭示齿轮故障信息;基于VMD与多特征融合的智能故障诊断方法识别精度高,可以为齿轮故障预警和严重程度提供参考。     

变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法

提出了一种变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法。首先,对实测振动信号进行处理,得到VMD的参数;然后,对信号进行VMD分解,得到一系列限带内禀模态函数(BIMF)分量,筛选并叠加组成重构信号;第三步,计算重构信号的样本熵和均方根值作为特征向量,从而得到训练样本和测试样本的特征向量集;第四步,通过KFCM聚类方法对训练样本特征向量集进行聚类分析,得到四种类型信号的聚类中心;最后根据测试样本特征向量与训练样本聚类中心欧式距离最小的原则识别故障类型。此外,将振动信号用经验模态分解(EMD)方法进行消噪,再用KFCM聚类进行分类识别,将两种方法的识别效果进行对比,结果表明所提方法的故障识别效果要优于EMD消噪和KFCM聚类相结合方法的识别效果。     

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ICEEMDAN和IMWPE-LDA-BOA-SVM的齿轮箱损伤识别模型

针对齿轮箱振动信号中的背景噪声过大影响故障特征质量，进而降低故障识别准确率的问题，提出了一种基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)、改进多尺度加权排列熵(IMWPE)、利用线性判别分析(LDA)、蝴蝶优化算法(BOA)优化支持向量机(SVM)的齿轮箱故障诊断方法(ICEEMDAN-IMWPE-LDA-BOA-SVM)。首先，采用ICEEMDAN对齿轮箱振动信号进行了分解，生成了一系列从低频到高频分布的本征模态函数分量；接着，基于相关系数筛选出包含主要故障信息的本征模态函数分量，进行了信号重构，降低了信号的噪声；随后，提出了改进多尺度加权排列熵的非线性动力学指标，并利用其提取了重构信号的故障特征，以构建反映齿轮箱故障特性的故障特征；然后，利用线性判别分析(LDA)对原始故障特征进行了压缩，以构建低维的故障特征向量；最后，采用蝴蝶优化算法(BOA)对支持向量机(SVM)的惩罚系数和核函数参数进行了优化，以构建参数最优的故障分类器，对齿轮箱的故障进行了识别；基于齿轮箱复合故障数据集对ICEEMDAN-IMWPE-BOA-SVM方法进行了实验和对比分析。研究结果表明：该方法...