优化VMD与NLM结合的信号去噪

为解决人体心电信号易出现噪声干扰的情况,提出一种自选取参数的变分模态分解(variational mode decomposition)与非局部均值(no.local means) ECG信号去噪方法.针对人为选取变分模态分解参数不准确的问题,运用一种自适应的参数确定方法,根据不同的原始信号,确定不同的参数并对信号进行...     

经验模态分解与样本熵在并网型光伏逆变器故障诊断中的应用

摘要：针对光伏并网逆变器电路中故障信号的非线性、非平稳特点,提出一种基于经验模态分解(EMD)和样本熵(SampEn)的故障诊断方法。首先,利用经验模态分解对逆变器的三相输出电压进行分解,得到有限个本征模式分量(IMF),从中选取包含故障主要信息的前几个本征模式分量提取故障信息。然后,计算本征模式分量的样本熵,从而得到用于故障诊断的特征向量;最后,将逆变器开路故障进行分类和编码,将故障特征向量输入BP神经网络进行模式识别,从而达到故障诊断的目的。在Matlab环境下对光伏并网逆变器的故障诊断进行了实验,实验结果证明了文中方法能实现对光伏并网逆变器的故障诊断,且与小波包变换相比,该方法具有诊断效率高和准确度高等特点。     

一种参数优化VMD多尺度熵的轴承故障诊断新方法

现有基于变分模态分解算法(VMD)的轴承故障诊断方法,由于其参数K需要依据先验知识预先设定,缺乏对K值最优设定的理论支撑,难以保证故障特征提取及故障诊断的精确性.针对上述问题,提出一种基于参数估计优化的VMD与多尺度熵(MSE)的石化装备轴承特征提取及诊断新方法.首先,针对VMD分解参数K的难以实现最优设定问题,利用局部均值分解(LMD)自适应分解分量的频率分布特征,构建一种实现K值有效估计的方法;其次,在VMD分解的基础上,提出一种MSE和线性判别分析(LDA)协同特征提取方法,完成特征模型构建;然后,针对轴承故障特征样本过少,利用支持向量机(SVM)对提取故障特征进行识别;最后,利用石化装备实验室仿真平台的轴承故障数据进行实验,验证算法的有效性和工程实用性.对比分析表明,所提出的算法可以很好地提取故障特征且故障识别精度较高,具有较好工程操作性和扩展性.     

基于经验模态分解和支持向量机的滚动轴承故障诊断

本文针对滚动轴承的故障诊断问题,首先提出一种自适应波形匹配的延拓方法对经验模态分解(EMD)存在的端点效应进行改进,然后基于改进的EMD和粒子群优化算法(PSO)优化的支持向量机(SVM)设计了一种两阶段的滚动轴承故障诊断方法.离线阶段对典型的正常、故障振动信号进行EMD分解并提取能量信息作为特征,送入PSO–SVM进行训练并保存模型待用,在线阶段对实时的振动信号进行EMD分解并提取特征,利用离线阶段训练好的模型进行诊断并输出诊断结果.使用美国西储大学轴承数据对该方法进行了验证,实验结果证明了该方法的有效性.     

小样本条件下基于SGMM模型的滚动轴承故障诊断研究

由于机械设备故障时间短,信号捕获难度高等原因的存在,会导致小样本故障集出现,但小样本往往是机械故障诊断的关键;针对小样本条件下传统滚动轴承故障诊断诊断算法存在检测率偏低等问题,提出一种基于SGMM模型的滚动轴承故障诊断算法;先确定与故障建模策略相关的提取任务,预估潜在的机械故障状态变化;对故障信号进行变分模态分解,得到最小熵解卷积结果,并满足端点效应的处理需求,实现对机械故障位置的精确定位与诊断;实验结论表明,SGMM模型更注重对故障脉冲成分的连续检测,在以峭度作为衡量标准的条件下,该方法增强故障冲击力的作用更强,能更早诊断出轴承类机械元件的早期故障状态,平均故障检测率能够达到99.4%。     

基于鲸鱼算法优化LSSVM的滚动轴承故障诊断

针对轴承振动信号中的故障特征难以提取的问题,提出一种基于改进的鲸鱼算法优化最小二乘支持向量机(least square support vector machine, LSSVM)的故障分类方法.首先,利用变分模态分解(variational mode decomposition, VMD)对原始信号进行分解,使用中心频率法解决VMD中分解参数K值的选取问题;其次,计算每个IMF分量的多尺度排列熵值,提取信号故障特征;再次,针对鲸鱼算法(whale optimization algorithm, WOA)收敛速度慢和精度低的问题,引入冯诺依曼拓扑结构和自适应权重进行改进,可以适当地调整全局搜索能力和局部搜索能力之间的平衡;最后,采用改进后的鲸鱼算法优化LSSVM核函数的参数和惩罚因子,建立滚动轴承故障诊断模型,并利用美国凯斯西储大学提供的轴承数据集进行仿真实验.实验结果表明,所提方法的故障分类性能更好,准确率更高.     

基于变分模态分解与最小熵解卷积的齿轮故障诊断

为了准确地进行齿轮故障诊断,结合变分模态分解和最小熵解卷积,给出了一种新的故障诊断方法。首先,以包含啮合频率的分量的包络峭度最大作为原则,确定变分模态分解的分量个数;然后,将齿轮振动信号运用变分模态分解,得到多个分量;选取包含啮合频率的分量作为敏感分量;接着,应用最小熵解卷积,将敏感分量降噪;最后,应用包络分析技术进行故障诊断。通过齿轮断齿故障振动数据的分析,验证了方法的有效性。     

基于BO-DKELM的滚动轴承故障诊断

滚动轴承作为旋转机械中的必需元件,其任何故障都可能导致机器乃至整个系统发生故障,从而导致巨大的经济损失和时间的浪费,因此必须要及时准确地诊断滚动轴承故障。针对传统极限学习机中模型参数对滚动轴承故障诊断精度影响较大的问题,提出了一种基于贝叶斯优化的深度核极限学习机的滚动轴承故障诊断方法。首先,将自动编码器与核极限学习机相结合,构建了深度核极限学习机(Deep kernel extreme learning machine, DKELM)模型。其次,利用贝叶斯优化(Bayesian optimization, BO)算法对DKELM中的超参数进行寻优,使得训练数据集和验证数据集在DKELM模型中的分类错误率之和最低。然后,将测试数据集输入到训练好的BO-DKELM中进行故障诊断。最后,采用凯斯西储大学轴承故障数据集对所提方法进行验证,最终故障诊断精度为99.6%,与深度置信网络和卷积神经网络等传统智能算法进行对比,所提方法具有更高的故障诊断精度。     

基于DE-LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断难以获得大量样本的问题以及LS-SVM 模型参数选择方法易陷入局部最优的缺点,提出了一种集合经验模态分解能量熵和差分进化算法（DE）优化最小二乘支持向量机相结合的轴承故障诊断方法。首先原始振动信号采用EEMD分解得到一组固有模态函数（IMF）,从有效本征模态函数IMF分量中提取的能量特征作为输入建立支持向量机,通过计算不同振动信号的能量熵值大小来判断轴承的故障损伤程度。为了提高模型的诊断精度,采用差分进化算法对LS-SVM的结构参数进行优化,并与LS-SVM和PSO-LSSVM模型相比较。结果表明,DE-LSSVM 模型的故障分类准确性得到了提高,可以有效应用于滚动轴承故障诊断中。     

基于SE-ResNeXt的滚动轴承故障诊断方法

针对滚动轴承在故障诊断过程中信号特征提取困难导致诊断准确率低、鲁棒性差的问题,提出一种基于Squeeze-Excitation-ResNeXt(SE-ResNeXt)网络的滚动轴承故障诊断方法;将采集的一维轴承振动信号作为输入,进行滑动窗口采样与标准化处理,通过压缩、激励操作进行特征重标定,扩大模型感受野,并级联聚集残差变换网络自适应提取故障信号特征;在模型训练过程中选择最优压缩率为1/8以及8个组卷积,引入Relu函数加快网络收敛,使用全局平均池化替代全连接层避免过拟合现象,构造能够自主进行表征学习的最优故障诊断模型;通过仿真实验表明:与目前的深度学习算法相比,SE-ResNeXt网络能够准确的实现轴承故障诊断,并在高噪声的环境下仍具有较好的鲁棒性。     

基于自动搜峰和shannon熵的车辆轴承多普勒畸变故障声信号校正研究

针对传声器采集的运动声源信号存在多普勒畸变问题,提出一种基于自动搜峰和shannon熵的滚动轴承多普勒畸变故障声信号校正方法。首先对所采集的声音信号进行短时傅里叶(STFT)时频分析;然后利用自动搜峰方法进行瞬时频率估计,设置shannon熵来提高瞬时频率估计精度,并得到拟合的瞬时频率曲线,进而得到信号重采样时间点;最后对原信号进行时域重采样,从而使畸变信号得以矫正。通过仿真和动态滚动轴承内外圈故障声信号的实验验证了此种方法的可行性。     

基于参数联合优化VMD-SVM的工业机器人旋转部件故障诊断方法

针对因工业机器人旋转部件故障诊断模型最优参数难以自适应确定导致故障识别率低的问题,提出了一种参数联合优化的VMD-SVM的工业机器人旋转部件故障诊断方法;提出了一种基于遗传变异的改进灰狼算法,该算法采用Logistic混沌映射进行种群初始化,将非线性因子引入位置更新公式,并利用遗传变异策略解决算法陷入局部最优时的停滞现象;基于该算法对VMD和SVM进行参数联合优化;利用参数优化的VMD对故障信号进行分解,对所得的本征模态函数计算改进样本熵以构成特征向量,再输入至参数优化的SVM完成工业机器人旋转部件的故障诊断;仿真和实验结果表明,本文方法能够准确地进行故障诊断,在信号无噪和含噪的条件下准确率最高均达100%,较EMD、LMD、DTCWT、VMD等四种方法具有更优的指标。     

基于多尺度空间的直升机滚动轴承故障诊断

针对直升机系统与传递路径复杂,采集信号中成分多样,传统方式提取的特征难以有效反映信号健康状态,影响滚动轴承诊断精度等问题,在传统时域指标的基础上,结合多尺度空间对特征空间重叠和信号跨尺度复杂性问题上的优势,构建多尺度指标作为故障分类的依据。根据ReliefF算法对原始高维多尺度特征迭代计算得到权重,利用权重值进行特征选择,同时减轻计算成本。权重最大的一部分特征将作为随机森林模型的输入,利用其多分类器集成学习的优势,进行滚动轴承故障分类诊断。通过滚动轴承公开数据集来说明所提方法的优势和可行性。数据处理结果表明,多尺度特征较原始时域特征具有更好的分类性能,并且随机森林在该算法中较其他分类模型分类效果更好。     

基于GA改进DHMM和KPCA-RS的滚动轴承智能诊断方法研究

为实现滚动轴承故障智能诊断,提出了一种基于核主元分析法(KPCA)、粗糙集(RS)和遗传算法(GA)改进离散隐马尔科夫模型(DHMM)的智能诊断方法。通过使用混合核函数的KPCA和RS对时域、频域参数进行约简,构造敏感性高、稳定性强,并能准确表征轴承状态的特征参数矩阵。应用GA优化了DHMM,克服了DHMM训练算法容易陷入局部极小的缺点。最后应用GA优化的DHMM训练算法得到的滚动轴承各状态下的DHMM,并通过比较测试样本在各DHMM下的对数似然概率,实现了轴承故障类型的有效识别。实验结果表明,该方法可以有效地识别滚动轴承的状态,具有较强的适用性。     

基于最优提升小波局部熵的轴承故障特征提取

为了解决轴承故障诊断中,传统无量纲指标没有考虑其他噪声干扰,且分析结果有一定偏差等问题,提出一种基于提升小波分解的局部熵无量纲指标特征提取方法.该方法采用最优提升小波进行分解,并结合局部熵提出一种无量纲指标,对滚动轴承振动实验信号进行故障特征提取,并与常用无量纲指标进行对比,验证了该方法的有效性.     

基于MFCCS和改进VPMCD的滚动轴承故障诊断

将梅尔倒谱和系数(MFCCS)与改进的基于变量预测模型的模式识别算法(VPMCD)相结合,提出了一种滚动轴承故障的诊断方法.将语音信号识别中最常用的特征参数梅尔倒谱系数(MFCC)应用到轴承故障诊断领域,提出了适用于滚动轴承故障识别的特征参数梅尔倒谱和系数.同时,采用主成分分析(PCA)方法来解决VPMCD方法中求解得到的预测模型方程系数与理想系数存在偏差的问题.然后,使用改进的VPMCD算法对特征参数进行训练,再利用预测模型对待诊断样本数据进行模式识别和诊断,并用实验室模拟试验台的数据,对该方法进行了验证,实验结果能够有效区分轴承的故障种类,证明了方法的有效性.