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MCKD和CEEMDAN样本熵的滚动轴承故障诊断

针对滚动轴承故障特征微弱以及振动信号的非平稳性,提出一种基于最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)和自适应白噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)样本熵相结合的滚动轴承故障诊断方法。首先采用MCKD算法降低滚动轴承信号内的噪声干扰,突出信号中的冲击特性;然后利用CEEMDAN方法对降噪信号进行分解,根据峭度-相关系数准则选择包含主要故障信息的敏感固有模态函数(intrinsic mode function,IMF)分量;计算各敏感IMF分量的样本熵构成高维特征向量;最后将高维特征向量作为支持向量机(support vector machine,SVM)的输入,对滚动轴承的工作状态和故障类型进行识别。通过实测滚动轴承故障信号的分析,证明了所提方法有效性,并为此类问题的解决提供了一种可行方法。     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.     

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。     

一种ELMD模糊熵和GK聚类的轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳、非线性特性,采用一种基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)模糊熵和GK(Gustafson-Kessell)聚类的滚动轴承故障诊断方法。首先通过对滚动轴承故障振动信号进行ELMD分解,得到若干的乘积函数(Product Function,PF)分量和一个残差。然后,通过PF分量和原始轴承故障信号的相关性分析,选取与原始信号相关性最大的PF分量,并求取PF分量的模糊熵值作为特征向量。最终,通过GK聚类对所得的特征向量进行识别分类。通过对滚动轴承正常状态、内圈故障、滚动体故障和外圈故障的轴承四种状态分析表明,基于ELMD模糊熵和GK聚类的方法能够准确有效的对轴承故障状态进行分类识别。     

基于改进的ITD和模糊熵的滚动轴承故障诊断方法

提出了改进的本征时间尺度分解方法(improved intrinsic time-scale decomposition,IITD)。针对从滚动轴承的非线性和非平稳振动信号中提取故障特征难的问题,在IITD基础上,结合模糊熵的概念,提出了一种新的滚动轴承故障诊断方法。首先采用IITD方法对滚动轴承振动信号进行分解,再对得到的前几个有意义的合理旋转分量计算其模糊熵,并将熵值作为特征向量输入支持向量机分类器,从而实现滚动轴承故障类别的诊断。实验数据分析结果表明,所提出的方法可有效地实现滚动轴承故障类别的诊断。     

基于自适应局部迭代滤波和模糊C均值聚类的滚动轴承故障诊断方法

为准确提取滚动轴承振动信号的故障特征,并对不同状态信号进行划分,提出了一种基于自适应局部迭代滤波(ALIF)和模糊C均值(KFCM)聚类的滚动轴承故障诊断方法。首先,将多模态信号自适应分解为多阶单一模态分量;然后,结合相关系数提取出含有最多故障特征信息的最优分量,计算其近似熵值并构建特征向量矩阵;最后,将得到的特征向量输入KFCM得到聚类结果。试验结果表明,与基于EMD,EEMD和KFCM聚类,以及ALIF和FCM聚类的方法相比,ALIF和KFCM方法的分类系数更接近1,平均模糊熵更接近0,聚类效果更好,对滚动轴承各类故障信号具有很高的识别度和良好的分类效果。     

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。     

基于经验模态分解、多尺度熵算法和支持向量机的滚动轴承故障诊断方法

针对滚动轴承振动信号的低信噪比、高复杂性及非平稳特性,提出基于经验模态分解、多尺度熵算法与支持向量机的故障诊断方法。对振动信号通过小波包降噪提高信噪比,然后利用经验模态分解得到多个本征模态函数分量,选择与降噪信号强相关的本征模态函数分量计算其多尺度样本熵,确认能区分故障类型的最佳尺度。将这一尺度下相应分量的样本熵作为特征向量,经过归一化处理后输入支持向量机进行故障分类。试验结果表明在小样本条件下可以准确识别滚动轴承故障类型,为滚动轴承的故障识别提供了一种高效诊断方法。     

H-K-ELM在滚动轴承故障诊断中的应用

针对滚动轴承振动信号的不规则性和复杂性,导致轴承状态难以有效识别的问题,提出基于分层核极限学习机(Hierarchical Kernel Extreme Learning Machine,H-K-ELM)的滚动轴承故障诊断方法。首先,将测得信号经集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)处理后得到一系列IMF本征模态分量,并提取各分量的排列熵PE值组成高维特征向量集;其次,利用高斯核函数的内积来表达ELM算法的隐含层输出函数,然后使用自动编码器对其分层,从而隐含层节点数自适应确定和隐含层阈值与输入权值满足正交条件;最后,将所得高维特征向量集作为H-KELM算法的输入,通过训练建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识。实验结果表明:H-K-ELM滚动轴承故障分类模型比ELM、K-ELM故障分类模型具有更高的精度、更强的稳定性。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

基于ITD分形模糊熵的轴承早期故障诊断

针对滚动轴承早期故障振动信号信噪比低、单一故障特征难以实现在整个复杂非线性状态空间上准确分类的局限,提出了基于本征时间尺度分解(intrinsic time-scale decomposition,简称ITD)和分形模糊熵的轴承早期故障智能诊断方法.首先,利用改进的ITD方法将包含大量背景噪声的非线性非平稳振动信号自适应地分解为不同频段的合理旋转(proper rotation,简称PR)分量;然后,提取蕴含故障信息的PR分量的分形维数和模糊熵,组成联合特征向量;最后,采用适合小样本模式识别的最小二乘支持矢量机(least squares support vectors machine,简称LSSVM)方法对故障类型进行分类.通过4种运行状态的滚动轴承实验表明,该方法能有效性地应用于滚动轴承早期故障智能诊断.     

总体局部特征尺度分解的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局部特征尺度分解(Ensemble Local Characteristic-scale Decomposition, ELCD)的排列熵及相关向量机的滚动轴承故障诊断方法。首先,对振动信号进行ELCD分解,获得一系列内禀尺度分量(Instrinsic Scale Component, ISC);其次,根据分解后ISC分量的峭度值选取主ISC分量,计算主ISC分量的排列熵并将其组合成特征向量;最后,将特征向量输入相关向量机进行训练与测试,从而识别滚动轴承的故障类型。对实验信号的分析表明,该方法能够有效的诊断出滚动轴承不同的工作状态,且效果较局部特征尺度分解方法好。     

基于EEMD模糊熵的PCA-GG滚动轴承聚类故障诊断

针对滚动轴承故障诊断中振动信号的熵特征向量维数高的问题,提出一种基于总体平均经验模态分解、模糊熵、主成分分析、GG(Gath-Geva)聚类算法相结合的滚动轴承聚类故障诊断法。采用经验模式分解与总体平均经验模式分解分别对滚动轴承的原始信号进行分解,得到若干个固有模式分量,并使用样本熵与模糊熵计算其熵值。通过主成分分析法对熵特征向量进行可视化降维,并作为模糊C均值、GK(GustafsonKessel)与GG聚类算法的输入,实现对滚动轴承的故障诊断。利用分类系数和平均模糊熵对上述聚类结果进行评价与对比。通过实验表明,所设计的模型能对熵特征向量进行可视化降维,且其故障识别聚类效果优于其他方法。     

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DLMD样本熵和模糊聚类的滚动轴承故障诊断

针对传统的局部均值分解(LMD)方法不能有效提取微弱高频信号成分的问题,提出了一种基于微分的微分局部均值分解(DLMD)方法,在此基础上,将DLMD、样本熵和模糊聚类分析相结合,提出了一种基于DLMD样本熵和模糊聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行微分局部均值分解,得到若干具有物理意义的乘积函数(PF)分量,然后求取各PF分量的样本熵并将其作为特征向量,最后通过模糊聚类对特征向量进行识别分类。实验结果表明,基于DLMD样本熵和模糊聚类相结合的方法能够准确、有效地对滚动轴承故障信号进行识别分类。     

滚动轴承故障程度识别与诊断研究

通过滚动轴承模拟故障试验台,获取了滚动轴承外圈、内圈和滚动体不同剥落程度时的振动信号,并对故障程度的识别与诊断进行了探索.采用经验模态分解方法对轴承信号进行分解,得到其固有模态分量,然后将前8阶分量的有效值作为特征向量输入BP神经网络,进行故障程度识别与诊断,滚动轴承3种类型不同程度的故障被准确地区分出来.     

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。     

EWT-多尺度模糊熵-VPMCD融合算法的轴承故障识别分类应用

针对振动信号提取轴承故障特征及识别分类的研究方式,提出了一种结合EWT-多尺度模糊熵-VPMCD的方法.首先,运用经验小波变换提取振动信号的模态分量.其次,引入信息论中的模糊熵算法,并加以多尺度粗粒度划分得到多尺度模糊熵特征描述.然后,用VPMCD对特征向量进行自适应选择预测模型训练.最终通过实验表明:模态分量多尺度模糊熵能够有效描述故障特征;VPMCD在少训练样本情况下获得了最低90％的分类准确率,相较一些常用的分类方法有着更好的性能表现.     

基于ITD模糊熵和GG聚类的滚动轴承故障诊断

提出了一种本征时间尺度分解模糊熵和GG模糊聚类的滚动轴承故障诊断方法。首先,将滚动轴承的振动信号进行ITD分解,得到若干个固有旋转分量和一个趋势项。然后,将PR分量分别与原始信号进行相关性分析,筛选出前3个含主要特征信息的PR分量,并将筛选的PR分量的模糊熵作为特征向量。最后,将特征向量输入到GG分类器中进行聚类识别。通过模糊熵、样本熵和近似熵对比,实验结果表明模糊熵能更好的表征故障信号的特征信息;通过GG聚类、GK 聚类和FCM聚类对比,实验结果表明GG聚类效果明显优于FCM、GK的聚类效果。因此,实验证明了基于ITD模糊熵和GG聚类的滚动轴承故障诊断方法的有效性和优越性。