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EMD和球结构SVM的滚动轴承故障诊断

提出了一种基于经验模式分解(Emprical Mode Decomposition,简称EMD)和球结构支持向量机的滚动轴承故障诊断方法.该方法以EMD的能量特征向量作为输入来建立球结构支持向量机分类器,识别滚动轴承的故障类型,通过麦克斯韦的三角平面坐标色度图方法进行可视化验证,并且与小波包能量特征向量作为输入的球结构支持向量机诊断方法进行比较.结果表明,用EMD能量法作预处理更能准确地提取故障特征量,有更高的故障识别率.     

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。     

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。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

基于VMD能量熵与支持向量机的齿轮故障诊断

针对机械设备的齿轮运行受环境噪声影响严重以及难以获得大量故障样本的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)能量熵特征与支持向量机相结合的齿轮故障诊断方法。首先是利用变分模态分解对机械振动信号进行处理得到若干个模态分量,同时利用传统的经验模态分解(EMD)对相同信号进行分解再对比两种方法的分解效果,然后计算变分模态分解各模态分量的能量熵作为特征值,最后将特征值作为支持向量机的输入进行故障诊断。实验结果表明VMD可以较好的将复杂的振动信号分解并且一定程度抑制模态混叠现象的发生,以VMD能量熵特征与支持向量机相结合的方法可以迅速、有效的实现齿轮的故障诊断。     

基于EMD的内燃机滚动轴承故障诊断

滚动轴承是内燃机中重要的零部件之一,发生故障时必然会影响整个内燃机正常运转。为此应用经验模态分解(EMD)将信号分解为若干个固有模态函数(IMFs),然后选择包含故障信息较为丰富的IMF分量进行包络谱分析,识别轴承的故障特征频率,从而实现对内燃机滚动轴承的故障诊断。通过仿真分析和滚动轴承外圈模拟点蚀故障试验验证表明,该方法能够有效提取故障特征。     

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。     

基于经验模态分解包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征和传统包络分析法的缺陷,提出了一种基于经验模态分解包络谱的滚动轴承故障诊断方法.该方法首先采用经验模态分解将原始信号分解为若干个平稳的固有模态函数之和,然后求出包含主要故障信息的若干个固有模态函数分量的包络谱,再定义包络谱中故障特征频率处的幅值比为特征幅值比,最后以特征幅值比作为故障特征向量,输入神经网络,以神经网络的输出来判断滚动轴承的工作状态和故障类型.对滚动轴承内圈、外圈故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能有效地提取滚动轴承的故障特征.     

EMD和PCA融合在滚动轴承故障诊断中的应用

针对滚动轴承的特征提取问题提出了一种经验模态分解(Empirical Mode Decomposition,EMD)与主成分分析(Principle Component Analysis,PCA)相融合的算法。该算法先使用经验模态分解(Empirical Mode Decomposition,EMD)对故障信号进行分解,然后将得到的EMD与PCA结合提取特征。在滚动轴承故障识别中,将PCA提取的累计贡献率为95%及以上的特征主成分作为支持向量机(Support Vector Machine,SVM)的输入量,采用SVM实现故障分类。试验结果表明,融合算法故障诊断的准确率达到100%,优于单一算法PCA的诊断率。     

奇异值熵和支持向量机的齿轮故障诊断

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵和支持向量机的齿轮故障诊断方法.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式分量,将得到的若干个本征模式分量自动形成初始特征向量矩阵;然后,对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并对其进行归一化,求得奇异值熵,根据奇异值熵值大小可以判断齿轮的故障类型;最后,将奇异值故障特征向量作为支持向量机的输入,判断齿轮的工作状态和故障类型.试验结果表明,即使在小样本情况下,基于EEMD奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

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。     

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。     

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。     

VMD模糊熵和SVM在柱塞泵故障诊断中的应用

为有效提取非线性非平稳特性的柱塞泵故障特征,提高故障诊断准确率,提出了一种基于变分模态分解（Variational Mode Decomposition,VMD）模糊熵和支持向量机（Vupport Vector Machine,SVM）相结合的柱塞泵故障诊断方法。首先将信号经过VMD分解形成K个固有模态分量（Intrinsic Modal Component,IMF）;然后确定IMF个数,提出了基于峭度分析的IMF个数确定方法;其次取峭度值较大的IMF并计算其模糊熵,确定了各状态下相应的模糊熵;最后将模糊熵作为特征向量输入SVM进行故障识别,准确率可达98.3%。将该方法与经验模态分解（Empirical Mode Decomposition,EMD）模糊熵-SVM、VMD模糊熵-BP神经网络对比,结果表明,VMD模糊熵和SVM相结合的方法在柱塞泵故障诊断中具有优越性。     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。