基于改进变分模态分解与流形学习的滚动轴承故障诊断

滚动轴承早期损伤信号特征量缺失且易被环境噪声掩盖,根据分形理论,结合灰狼优化算法(GWO)提出改进变分模态分解方法(Improved Variational Mode Decomposition, IVMD),求解各模态多种非线性特征量,并采用随机近邻嵌入理论(t-distributed Stochastic Neighbor Embedding, t-SNE)进行降维分类,以实现无监督故障诊断。基于轴承损伤实验数据,验证所提方法的可靠性。结果表明：采用IVMD所获模态与多种非线性值构建的特征矩阵更具代表性,可诊断轴承微弱故障;与现有方法相比,所提方法聚类表现更清晰,分类准确率更高,且具有良好的鲁棒性。     

基于变分模态分解与卷积神经网络的轴承故障诊断

为解决滚动轴承在变载荷、大噪声背景下故障诊断困难及所建立智能模型泛化能力不足的问题,基于变分模态分解算法(Variational Mode Decomposition,VMD)及卷积神经网络(Convolutional Neural Network,CNN)技术提出VMD-CNN故障诊断模型.以标准轴承实验数据为研究对...     

基于工况辨识和变分模态分解的风电机组滚动轴承故障诊断

针对风电机组运行工况变化导致滚动轴承故障分类性能降低的问题,采用模糊C均值聚类进行运行工况识别,在子工况下进行相应的滚动轴承故障诊断.提出了基于变分模态分解(VMD)、AR模型以及奇异值分解的特征提取方法,将滚动轴承振动信号分解成若干个模态,采用每个模态AR模型参数、模型方差以及模态矩阵的奇异值作为特征向量,建立欧氏距离判别函数,来识别滚动轴承状态和故障类型.结果表明:该方法可以成功提取滚动轴承故障特征信息并正确判断出滚动轴承故障类型,对工况变化有更强的适应能力.     

基于改进变分模态分解与支持向量机的风力机轴承故障诊断

为研究风力机齿轮箱轴承振动信号非线性及故障诊断问题,采用改进变分模态分解方法对四种状态轴承振动信号进行处理,提出无量纲参数多重分形谱值因子,联合峭度值对分解所得模态分量进行选取,剔除无效信息分量并进行信号重组,采用分形维数研究重组信号的分形特征,并通过支持向量机进行模式识别。结果表明：基于样本熵优化的改进变分模态分解方法可获得高质量的模态信息;通过多重分形谱值因子及峭度选取并重组的信号具有良好的振动特性,其分形维数可通过信号非线性程度定量区分轴承工作状态;采用支持向量机对不同轴承工作状态的重组信号进行分类,结果具有较高的准确度。     

基于优化变分模态分解及分形理论的风力机轴承故障诊断研究

为实现强非线性特征风力机轴承振动信号的故障诊断,基于能量残差及粒子群优化算法提出优化变分模态分解方法(OVMD),通过峭度与相关系数对分解所获各模态进行筛选以剔除无效分量后重塑振动信号。引入分形理论,分别计算滤除无关模态前后轴承不同工作状态随负载变化时分形盒维数。结果表明:经OVMD分解后未滤除无关模态的信号在区分轴承不同工况时,各电机负载下盒维数出现混叠现象,干扰对轴承故障状态的判别与分类;而采用OVMD分解滤除无关模态后重组的信号,其分形盒维数在各种负载下均可实现对轴承工作状态的识别。     

基于混合变分模态分解模型的短期风速预测

针对风速时间序列不稳定导致其难以准确预测的问题,提出一种基于最优变分模态分解(OVMD)和蝙蝠算法(BA)优化最小二乘支持向量机(LSSVM)的短期风速预测模型。采用OVMD技术,将原始风速时间序列先分解为若干个相对稳定的分量序列,然后对各个分量分别建立LSSVM模型进行预测,并采用蝙蝠算法优化LSSVM中的参数,最后对优化的分量预测模型的预测值求和,即得到原始风速序列的预测值。算例分析表明,该模型具有较高的预测精度,能有效跟踪风速的变化规律。研究成果为短期风速预测提供了新思路。     

基于深度学习与支持向量机的滚动轴承故障诊断研究

针对滚动轴承运行环境复杂,传统故障诊断方法难以从强非线性信号中提取有效故障特征,且无法充分利用信号自身特征的问题,提出CNN-LSTM-SVM故障诊断方法。以滚动轴承加速度寿命实验数据为研究对象,基于卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆网络(Long Short Term Memory, LSTM)技术提取信号特征并结合支持向量机(Support Vector Machine, SVM)完成故障分类。结果显示：该方法具有良好外推性能,在变演变阶段下的平均准确率达到95.92%,与现有方法相比,至少高出11.34%,且在噪声环境下的诊断准确率均高于现有方法,稳定性更佳,体现良好的鲁棒性与泛化性。     

改进变分模态分解与去干扰包络因子的轴承故障分析

滚动轴承早期故障特征微弱且提取困难,考虑转频对故障包络信号的影响,提出改进包络谱特征因子(EDF),基于EDF提出优化变分模态分解方法(OVMD)。对滚动轴承正常、内圈及外圈状态进行OVMD分解,以EDF最大值作为筛选标准提取有效故障分量进行包络分析。结果表明:OVMD分解带有冲击分量信号,具有较高准确性,分解分量与原分量具有95%以上相似度;通过EDF最大值对分解分量进行提取,所获分量具有明显故障特征,并可排除转频对故障特征频的干扰;采用OVMD-EDF故障提取方法,并进行包络分析,可对不同故障程度的内圈、外圈故障进行精准故障诊断。     

基于自适应变分模态分解及多重分形谱的风力机轴承故障分析

风力机齿轮箱轴承故障信号具有典型非线性及非平稳特性,采用自适应变分模态法对4种状态下振动信号进行分解,提出基于分形盒维数-峭度阈值法(Adaptived Variational Mode Decomposition,AVMD)对处理所得分量进行筛选,选取富含故障信息的分量进行信号重构,采用多重分形去趋势波分析方法,分析重构信号的分形特征并识别其工作状态,结果表明:基于多重分形去趋势波分析法对非稳定轴承可进行有效地故障识别;轴承振动信号具有典型分形特征,在不同时间尺度下,标度指数、广义Hurst指数与多重分形谱均可反应轴承工作状态;3种多重分形谱参数对故障类型敏感度不同,谱函数最大值对应的奇异指数对内圈故障较为敏感,峰值占比对外圈故障较为敏感,分形谱宽对滚珠故障较为敏感。     

基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型

风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列叠加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。     

基于支持向量机的燃气轮机故障诊断

分析燃气轮机的8种典型常见故障,建立了基于支持向量机的故障诊断模型,用实例计算证明其有效性。同时和神经网络方法对比后发现：在小样本情况下,支持向量机方法的计算结果比神经网络要好,推广能力更强,而且效率高于神经网络。本方法针对故障诊断样本少的特点,为建立智能化的燃气轮机状态监控和故障诊断提供了一种新的途径,具有广泛的实用价值。     

基于内禀模态能量熵与支持向量机的转子故障智能诊断方法的研究

大型旋转机械转子的运转情况是生产过程中最重要的问题之一,在故障初期对故障识别并实现智能诊断具有重要的意义。然而大型旋转机械存在较大的非线性,并且故障样本较少,给特征提取和状态识别带来了很大困难。基于经验模态分解(EMD)后内禀模态函数的能量熵,提取各个内禀模态函数的能量作为特征向量,并以此作为支持向量机(SVM)的输入参数来输入支持向量机进行故障诊断。实验表明这种方法能够对故障状态与正常状态正确分类,实现故障的智能诊断。     

基于支持向量机的凝汽器故障诊断研究

分析了凝汽器工作过程及故障机理,建立了凝汽器典型故障集、征兆集及典型故障特征向量集合.建立了基于支持向量机的故障诊断模型,用实例计算证明其有效性.同时和神经网络方法对比后发现:在小样本情况下,采用支持向量机方法的计算结果比神经网络更优越,推广能力更强,而且效率高于神经网络.本方法针对故障诊断样本少的特点,为建立智能化的凝汽设备状态监控和故障诊断提供了一种新的途径,具有广泛的实用价值.     

基于改进自适应多元变分模态分解的轴承故障诊断方法研究

为解决多元变分模态分解(MVMD)经验参数设置对分解结果的影响,提出一种新的自适应多元变分模态分解(AMVMD)方法并将其应用于轴承的故障诊断方面.首先,将最小平均包络熵(MAEE)作为适应度函数,采用灰狼算法(GWO)寻求MVMD参数的最优解,并按照最优参数对原始信号进行分解.然后,计算各本征模态分量(IMF分量)的...     

基于多类支持向量机的变压器故障诊断模型

针对现有支持向量机诊断模型构造复杂、参数设计困难等问题,建立了基于多类支持向量机的变压器故障诊断模型,并提出一种实用的支持向量机参数寻优方法。该方法结合网格搜索,对训练样本进行分组交叉验证寻找给定范围内的最优参数,有效地解决了支持向量机的参数设计难题。实例计算表明,基于参数寻优建立的多类支持向量机模型在保证很高的故障分类正确率的同时,大大降低了二值支持向量机分层组合模型的构造及参数设计的复杂程度,具有很好的实用性和推广性。     

基于支持向量机的柴电混合动力故障诊断研究

对柴电混合动力系统级故障诊断进行了研究,利用仿真软件搭建了实时整车模型,并构建了基于支持向量机的柴电混合动力系统的诊断框架.采用一对一方法构建多分类器,故障识别准确率达到98％.构建了柴电混合动力系统故障诊断实时仿真平台,进行了基于支持向量机的柴电混合动力系统故障诊断实时仿真,验证了实时环境下基于支持向量机诊断算法能有...     

基于粗糙集与支持向量机的发动机故障诊断研究

在提取发动机气门机构故障特征的基础上,提出了采用粗糙集和支持向量机相结合的故障诊断方法。首先,基于粗糙集理论对故障诊断决策表进行属性约简,然后在最优决策属性的基础上使用支持向量机分类器对故障进行分类。实际诊断结果验证了采用粗糙集与支持向量机相结合的方法对故障进行诊断的可行性与有效性。