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PF能量特征和优化神经网络的轴承诊断

内圈点蚀、外圈压痕和滚动体磨损是滚动轴承常见典型故障,为实现其快速、准确诊断,提出基于振动信号局部均值分解(local mean decomposition,简称LMD)的PF分量能量特征和神经网络相结合的滚动轴承诊断方法.对振动信号进行局部均值分解,将其分解为若干个乘积函数(product function,简称PF)分量之和,以获得的PF分量能量特征作为神经网络输入进行滚动轴承的故障类型的识别,同时引入遗传算法对神经网络结构参数进行优化,提高故障识别诊断速度和准确率.结果表明,该方法用于轴承典型故障诊断有较高的诊断速率和故障识别率.     

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。     

LMD能量熵和SVM相结合的滚动轴承故障诊断

为实现小样本情况下对滚动轴承进行故障检测和分析,提出了基于局部均值分解(LMD)的能量熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。利用LMD信号处理方法将滚动轴承振动信号分解成有限个乘积函数(PF)分量,通过计算PF分量的能量熵进行故障特征提取,然后将提取的特征输入到SVM分类器中进行训练及测试,最终实现对滚动轴承的故障诊断。实验数据显示,在仅有少量样本条件下,LMD能量熵和SVM相结合的方法能够精确地对滚动轴承的故障类型进行识别和分类,这表明该方法对滚动轴承故障诊断的有效性。     

改进LMD和排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号的复杂特性和局部均值分解(Local Mean Decomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(Permutation Entropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(Production Function,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。     

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%。     

基于局部均值分解的光纤周界安防系统振动信号识别

在光纤周界安防系统中,为有效识别各种光纤振动信号,提出了一种基于局部均值分解的两级光纤振动信号模式识别方法。首先,提取光纤信号的时域特征,计算信号的短时能量和短时过零率判断是否有振动发生;其次,对于已判定的光纤振动信号,采用局部均值分解方法将振动信号分解为若干个乘积函数分量,提取分量信号的能量分布特征;最后,将第一级提取的时域特征与局部均值分解提取的特征相结合,构成特征向量输入支持向量机进行分类识别,判断振动信号类型。实验结果表明,该方法可以有效识别光纤振动信号的类型,提高了识别率。     

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。     

基于改进HHT能量熵和SVM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳性以及故障诊断过程中试验样本总量少的特点,提出一种基于改进希尔伯特-黄变换能量熵和支持向量机相结合的滚动轴承故障诊断方法。首先,利用改进经验模态将不同状态下滚动轴承的振动信号分解成一系列固有模态函数,并采用敏感模态函数判别算法找出对故障信息敏感的固有模态函数;其次,将敏感模态函数分量的能量熵作为输入建立支持向量机;最后,利用支持向量机对滚动轴承的工作状态和故障类型进行识别。试验结果表明,该方法可有效应用于滚动轴承的故障诊断,为该类信号的故障诊断提供了一种切实可行的方法。     

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-SVM的齿轮箱故障诊断方法

为了解决齿轮箱的故障诊断问题,提出了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)和支持向量机(Support Vector Machine,SVM)的齿轮箱故障诊断方法。该方法首先对齿轮箱振动加速度信号进行MED降噪处理,对降噪后的信号在幅域、频域和能量域进行特征参量提取,建立特征向量,以此作为输入建立多分类支持向量机,通过交叉验证方法优化模型参数,判断齿轮箱的故障类型。实测齿轮箱振动信号的故障诊断结果表明,该方法能有效识别多种齿轮和轴承的故障类型,优化模型参,数有助于提高故障识别准确率。     

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％.     

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RLMD和Kmeans++的轴承故障诊断方法

为了提升轴承故障诊断性能,提出了一种基于鲁棒局部均值分解(RLMD)和Kmeans++的轴承故障诊断方法.利用RLMD方法对轴承振动信号进行分解,得到乘积函数(PF),根据PF分量与原始振动信号的相关程度选择敏感PF分量,叠加敏感PF分量构成重构信号;通过计算原始振动信号和重构信号的时域、频域统计特征形成轴承故障特征集;利用线性判别分析(LDA)提取轴承故障的Fisher特征;通过Kmeans++聚类的方法对故障特征进行聚类,得到各工况轴承的聚类中心;通过计算测试样本与聚类中心之间的汉明贴近度来实现轴承故障诊断.利用含有不同信噪比的仿真轴承故障数据和Paderborn大学轴承数据中心的轴承故障数据评价所提出方法的有效性.结果表明,该方法即使在样本数较少的情况下也能够准确地识别出不同类别和级别的轴承故障.     

基于EEMD能量熵和支持向量机的轴承故障诊断

提出了一种基于总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。首先通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);轴承发生不同的故障时,信号在不同频带内的能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断轴承的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于轴承的故障诊断。     

基于LMD和改进CNN的轴承故障诊断方法

针对传统轴承故障诊断方法在实际工况、嘈杂环境中对轴承故障识别准确率较低的问题，提出了基于局部均值分解(LMD)和改进的卷积神经网络(CNN)轴承故障诊断方法。对振动信号进行局部均值分解得到若干乘机函数分量，选择合适的分量生成重构信号作为网络输入，提出一种改进的卷积神经网络框架，提高多变量时间序列的诊断效率，选用凯斯西楚大学滚动轴承数据进行试验验证，运用k-折交叉验证来评估模型性能，并通过模拟工业环境的噪声验证了的抗噪性能。结果表明，相较与传统诊断模型在噪声环境下对滚动轴承故障诊断有更好的识别效果。     

基于改进层次基本熵融合SMA-SVM模型的轴承故障诊断方法

针对煤矿机械轴承的故障特征提取和故障状态识别问题，提出了改进层次基本熵(IHBSE)特征提取融合黏菌优化(SMA)—支持向量机(SVM)分类模型的煤矿机械轴承故障诊断方法。首先，引入了能够同时分析信号低频和高频信息的IHBSE方法，并将其用于捕捉不同状态下，煤矿机械轴承振动信号中的多维故障特征，构建了特征向量；然后，采用具有优异全局寻优性能的黏菌算法，对支持向量机的惩罚系数和核函数的最佳值进行了搜索，提出了黏菌算法—支持向量机(SMA-SVM)模型；最后，利用部分特征样本对诊断模型进行了训练，并采用训练完毕的具有最佳参数的SMA-SVM分类器，进行了轴承故障类型和严重程度的判断。研究结果表明：所提出的煤矿机械轴承故障诊断方法可以有效地识别煤矿机械轴承的运行状态，分类准确率达到了1,而在多次实验下的平均准确率也高于0.98,对实际工程应用具有一定的参考价值。     

基于变分模态分解与随机森林的滚动轴承故障诊断CSCD

滚动轴承是常见机械设备的重要部件,其是否能正常运作,直接关联到设备生产的安全性以及效率的高低,因此,能够及时、准确地识别滚动轴承工作状态,显得至关重要。提出了一种阈值法确定变分模态分解中分解个数,该方法使得分解个数的确定更科学合理,同时提出基于变分模态分解和随机森林相结合的滚动轴承故障诊断方法,该方法利用变分模态分解方法将滚动轴承振动信号分解成若干个固有模态函数,轴承发生不同故障时,不同的固有模态函数内的统计特征和频带能量会发生变化,从不同的固有模态函数中计算出其对应的均值、变异系数与能量熵等特征值,最后分别采用支持向量机和随机森林算法实现判断滚动轴承信号类型。结果表明,利用变分模态分解和随机森林相结合算法具有更高的识别精度,可以有效识别滚动轴承的故障类型。     

基于局部特征尺度分解与基本尺度熵的轴承故障诊断

为了准确进行轴承故障诊断,提出了基于局部特征尺度分解与基本尺度熵的故障特征提取及诊断方法。首先,分析了基本尺度熵提取轴承振动信号蕴涵的故障信息的合理性,针对基本尺度熵的参数选择问题,提出了基于相空间重构理论的延迟时间和嵌入维数选择方法;然后,运用局部特征尺度分解对基本尺度熵进行自适应多尺度化,充分提取了故障特征;最后,将原始信号的降噪数据及有用分量的基本尺度熵作为特征向量,通过支持向量机进行故障诊断。以轴承振动试验信号为例进行了验证,结果表明,所提方法能有效识别正常、内圈故障、外圈故障及滚动体故障等4种状态。     

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。