基于LCD-Hilbert谱奇异值和QRVPMCD的滚动轴承故障诊断方法

针对多变量预测模型的模式识别（Variable predictive model based class discriminate,简称VPMCD）方法在参数估计中存在的缺陷,采用分位数回归（Quantile Regression,简称QR）代替原方法中的最小二乘法进行参数估计,克服最小二乘回归中强假设、易受异常值影响等问题,以此提高模式识别的精度。因此,提出了基于分位数回归的多变量预测模型模式识别方法（Quantile Regression -Variable predictive mode based class discriminate ,简称QRVPMCD）。采用局部特征尺度分解（Local characteristic-scale decomposition,简称LCD）方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取单分量信号的Hilbert谱奇异值组成故障特征向量,并以此作为QRVPMCD的输入进行滚动轴承故障诊断。对不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明了该方法的有效性。     

基于谱质心直方图-SVM的滚动轴承故障诊断

轴承早期故障信号的信噪比较低,较难识别。为提高轴承早期故障诊断的准确率,分析了现有方法和视觉信息处理方式的相似点,从视觉信息处理的角度进行研究,提出一种基于谱质心直方图的滚动轴承故障特征提取方法,将所提出方法用于滚动轴承不同运行状态下的故障特征提取,将所提取特征作为支持向量机的输入特征向量从而实现对滚动轴承不同运行状态的智能分类。实验证明,谱质心直方图提高了轴承早期故障诊断准确率,准确率平均提高了2 %,优于Mel频率倒谱系数特征。     

基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法

针对强噪声条件下滚动轴承故障冲击特征难以提取的特点,提出了一种基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法。首先通过傅里叶分解将非平稳的原始轴承故障振动信号分解为若干个固有频带函数,然后运用互相关系数法筛选固有频带函数进行信号重构,并对重构后的信号进行奇异值差分谱降噪,最后对联合降噪后的信号进行Hilbert包络谱分析,准确地识别出故障特征频率,进行故障诊断。仿真分析和试验都很好地验证了该方法的有效性。     

滚动轴承故障诊断的研究

针对滚动轴承故障信号的非平稳和调制特点,使用小波分解,对包含故障信息的信号进行分解、重构。应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断出滚动轴承故障模式。小波分解和Hilbert变换结合对滚动轴承局部损伤故障的检测是有效的。     

基于LCD与奇异值能量差分谱的齿轮故障诊断方法

齿轮是机械传动中的重要组成部分,其故障的发生已经成为影响设备可靠、稳定运行的主要因素。提出一种基于改进局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)与奇异值能量差分谱(Energy Difference Spectrum of Singular Value,EDSSV)的齿轮故障诊断方法。首先,利用支持向量回归(Support Vector Regression,SVR)对信号进行延拓处理,抑制LCD分解过程中产生的端点效应,分析改进后LCD算法的精确性和可靠性;然后结合奇异值能量差分谱降噪理论,有效剔除各ISC中噪声成分,重构信号频谱,提高信噪比;最后计算分解得到的内禀尺度分量(Intrinsic Scale Component,ISC)模糊熵(Fuzzy Entropy,FE)特征集,利用支持向量机(Support Vector Machine,SVM)进行分类。实验研究表明,提出的基于改进LCD与奇异值能量差分谱的齿轮故障诊断方法能有效诊断出齿轮故障类型。     

基于双树复小波和奇异差分谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号中包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先利用双树复小波将非平稳振动信号分解为几个不同频段的分量;然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,根据奇异值差分谱最大突变点来确定奇异值个数进行重构;最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取轴承故障的故障信息,提取出了故障特征,验证了方法的可行性和有效性。     

基于奇异值分解和独立分量分析的滚动轴承故障诊断方法

针对强背景噪声下难以提取滚动轴承早期故障信号中故障特征频率的问题,提出奇异值分解和独立分量分析相结合的滚动轴承故障诊断方法。该方法首先利用相空间重构将一维时域矩阵拓展到高维矩阵,得到吸引子轨迹矩阵;然后对轨迹矩阵进行奇异值分解降噪,依据奇异值差分谱阈值原则选取相应阶次分量进行重组构造虚拟噪声通道;接着将重组信号和观测信号进行独立分量分析分离;最后利用能量算子解调方法提取出有效的故障特征分量,进而识别故障类型。滚动轴承故障诊断实验和仿真结果表明该方法有效可行。     

基于CEEMDAN与奇异值分解的往复机械故障诊断方法研究

往复机械振动信号非常复杂,通常存在较强的非平稳、非线性特征,使得对其进行振动信号分析、故障识别存在困难。对此提出一种基于改进的总体经验模态分解(CEEMDAN)与奇异值结合的故障特征识别方法,对原始信号进行CEEMDAN分解,得到本征模式函数的奇异值,将得到的奇异值作为特征向量输入支持向量机进行特征分类,从而实现故障模式的识别。通过对实验室模拟故障与往复泵动力端故障模式识别实例分析来论证方法有效性。研究结果表明,该方法适用于提取往复机械振动信号冲击特征和多故障模式识别。     

基于奇异值分解和相关峭度的滚动轴承故障诊断方法研究

为了从复杂的轴承振动信号中提取微弱的故障信息,将相关峭度引入滚动轴承故障诊断领域,结合奇异值分解(Singular Value Decomposition,SVD)和相关峭度,提出了一种新的滚动轴承故障特征提取方法。该方法首先利用SVD对轴承振动信号进行分解,然后根据相关峭度选取SVD分解后的分量,提取出滚动轴承的弱故障信号。通过对轴承内圈故障的仿真和实验研究验证了该方法的有效性。     

基于奇异谱分解和两层支持向量机轴承故障诊断方法#br#

为了解决轴承故障诊断数据样本量少,背景噪声干扰大和准确率不高的问题,提出一种基于奇异谱分解(Singular spectral decomposition,SSD)和两层支持向量机(Two-layer support vector machines,TSVM)的轴承故障诊断方法SSD-TSVM。该方法首先采集信号构建信号矩阵,然后对矩阵进行奇异谱分解,得到奇异谱分量(Singular spectralcomponent,SSC)和残差。根据改进的峭度准则选取奇异谱分量,进行矩阵重构,完成重构后进行特征提取,生成特征向量矩阵作为TSVM的输入。在输入层完成降维处理生成新的特征向量矩阵,在输出层进行轴承故障类型分类。最后分别采用西储大学公开轴承数据集和实验室风机轴承数据集进行验证。与多种其他故障诊断方法对比表明,SSDTSVM方法在轴承故障诊断方面具有更高的准确率。     

基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法。首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

基于改进变分模态分解的滚动轴承故障诊断方法

提出一种改进变分模态分解的轴承故障信号诊断方法。使用改进的奇异值分解降噪方法对信号进行降噪,然后对信号进行变分模态分解;利用分量信号的能量之和占原信号能量的比值,判断变分模态分解的分解效果,从而找出最佳分解层数;根据分量信号间的相关系数,判断中心频率相邻的分量信号是否来自信号中的同一调制部分;最后通过主要分量的包络谱找出故障特征频率,判断故障类型。通过对仿真信号和实际轴承故障信号进行处理,成功提取微弱频率特征信息,验证了该方法的有效性。     

基于Hilbert边际谱的滚动轴承故障诊断方法

Hilbert-Huang变换是一种新的自适应信号处理方法，它适合于处理非线性和非平稳过程。通过对信号进行Hilbert-Huang变换，可以得到信号的。Hilbert边际谱，它能精确地反映信号幅值随频率的变化规律。针对滚动轴承故障振动信号的非平稳特征，提出了一种基于Hilbert边际谱的滚动轴承故障诊断方法。该方法在Hilbert边际谱的基础上定义了特征能量函数，并以此作为滚动轴承的故障特征向量，建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承的内圈、外圈故障信号的分析结果表明本方法可以有效地提取滚动轴承故障特征。     

一种基于层次熵和SVM的轴承故障诊断方法

针对样本熵在分析时间序列复杂度上的局限,在样本熵和多尺度熵的基础上提出一种新的基于层次熵（Hierarchical Entropy）的滚动轴承故障特征提取方法。首先用层次分解方法对实验数据进行分解,然后采用分解节点上的样本熵值作为特征向量,利用支持向量机（support vector machine,简称SVM）对故障进行识别。实验数据分析结果验证该方法的有效性。     

基于最优Morlet小波和SVD的滤波消噪方法及故障诊断的应用

分析了传统的小波去噪方法和小波变换的滤波特性.利用小波变换技术、奇异值分解技术和Morlet小波良好的时域和频域特性,提出了基于最优Morlet小波和SVD的滤波消噪方法.首先,采用最小Shannon熵方法确定出最优Morlet小波;然后,利用奇异值分解技术确定出最佳变换尺度a;最后对信号进行滤波消噪处理,从而提取信号中的有用成分.实验结果表明,该方法具有良好的去噪性能,用于故障特征提取是有效的.     

基于DEMD和模糊熵的滚动轴承故障诊断方法研究

提出一种基于微分的经验模式分解(DEMD)模糊熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。首先对信号进行基于微分的经验模式分解,得到若干具有物理意义的本征模函数(IMF)分量,再利用相关度准则对固有模式分量进行筛选,计算所选分量的模糊熵,组成故障特征向量,然后将其作为支持向量机的输入来识别滚动轴承的状态。并将该方法与基于EMD模糊熵和SVM相结合的方法进行比较,实验结果表明该方法对机械故障信号能够更有效准确地进行识别分类。     

基于最大幅值变分模态分解和均方根熵的滚动轴承故障诊断

针对变分模态分解中模态个数的设定会对分解结果产生重要影响的问题,提出一种求取最优分解层数的方法,该方法以瞬时频率的幅值特性为依据,通过分析变分模态分解过程中,各分量最大幅值之间的关系来确定最佳分解参数;均方根熵可以反映不同振动信号的能量值,以信号均方根熵为故障特征参量,通过优化支持向量机建立故障分类模型,实现故障模式分类。将基于最大幅值变分模态分解和均方根熵的故障诊断方法应用于滚动轴承实测信号中,实验结果表明基于最大幅值变分模态分解和均方根熵的方法能够有效识别滚动轴承运行状态,识别准确率高达98.75%。