基于VMD的Volterra模型奇异值熵的转子故障诊断方法

针对转子故障信号的非平稳性以及敏感故障特征无法有效提取的问题,将变分模态分解(variational mode decomposition, VMD)的Volterra模型和奇异值熵相结合,提出一种故障诊断方法。对影响VMD分解准确性的参数选取方法进行了深入研究,给出了相关问题的解决策略。首先,对不同工况下转子实测信号进行VMD分解,利用能量熵增量选取对故障特征敏感的固有模态函数(intrinsic mode function, IMF)进行相空间重构,以建立Volterra自适应预测模型,将模型参数作为初始特征向量矩阵。然后,对初始特征向量进行奇异值分解以获取奇异值熵和奇异值特征向量矩阵,用于描述转子的故障特征。最后,采用模糊C均值(fuzzy c-means, FCM)算法对转子工作状态和故障类型进行识别。试验结果表明,所提方法可有效实现转子故障的特征提取及类型识别。通过同经集合经验模态分解(ensemble empirical mode decomposition, EEMD)相比,证明了该方法具有更有效的故障特征提取性能,是一种可行的方法。     

变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法

提出了一种变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法。首先,对实测振动信号进行处理,得到VMD的参数;然后,对信号进行VMD分解,得到一系列限带内禀模态函数(BIMF)分量,筛选并叠加组成重构信号;第三步,计算重构信号的样本熵和均方根值作为特征向量,从而得到训练样本和测试样本的特征向量集;第四步,通过KFCM聚类方法对训练样本特征向量集进行聚类分析,得到四种类型信号的聚类中心;最后根据测试样本特征向量与训练样本聚类中心欧式距离最小的原则识别故障类型。此外,将振动信号用经验模态分解(EMD)方法进行消噪,再用KFCM聚类进行分类识别,将两种方法的识别效果进行对比,结果表明所提方法的故障识别效果要优于EMD消噪和KFCM聚类相结合方法的识别效果。     

基于变分模态分解的齿轮箱状态监测

针对传动系统振动信号可能存在的故障特征不明显造成的故障识别困难问题,提出了一种基于变分模态分解和奇异值分解的特征提取方法,并采用模糊C均值聚类进行状态识别与监测。首先将齿轮箱各状态数据进行变分模态分解,并将各模态奇异值作为特征值,通过模糊聚类进行状态识别,最后应用于齿轮箱状态监测。结果表明,对于人工无法识别的齿轮箱故障,该方法故障识别率在86%以上,基于该方法的状态监测可为齿轮故障预警及严重程度提供参考。     

基于VMD消噪处理的滚动轴承早期故障识别

提出了一种基于变分模态分解(VMD)消噪和核模糊C均值(KFCM)聚类相结合的滚动轴承早期故障识别方法。首先提出一种通过综合运用泄漏能量和互相关系数函数确定VMD预设尺度数K的新方法,弥补了VMD方法通常按经验选取预设尺度数方法的不足;然后对振动信号进行VMD分解得到K个限带的内禀模态函数(BIMF)分量,利用归一化的自相关系数函数能量集中比大于0.9的原则确定含有噪声的BIMF分量,并剔除这些含噪BIMF分量,再将剩余的BIMF分量叠加进行信号重构,实现了信号的消噪;最后计算各样本重构信号的均方根值和归一化能量值得到二维特征向量样本集,并输入到KFCM聚类器进行故障诊断。利用实测轴承故障数据进行验证,结果表明与经验模态分解(EMD)方法相比,可以有效地实现滚动轴承早期故障诊断。     

基于CEEMDAN奇异值熵和SVM的转子故障诊断

提出一种基于自适应白噪声完整经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)奇异值熵和支持向量机(support vector machine,SVM)的转子故障诊断方法。利用CEEMDAN方法首先对非平稳的转子振动信号分解得到若干个表征信号自身特性的固有模态函数(intrinsic mode function,IMF),并通过虚假IMF分量判别法,剔除对于故障特征不敏感的IMF,以保证故障信息提取的准确性和有效性,在此基础上产生初始特征向量矩阵。并对此矩阵进行奇异值分解得到矩阵奇异值,使其作为故障特征向量,通过归一化处理得到奇异值熵,并以此作为SVM的输入,对转子的工作状态进行识别。研究结果表明:该方法可有效应用于转子故障诊断,实现对转子工作状态和故障类型的有效诊断。     

基于VMD与KFCM的柴油机故障诊断算法

针对柴油机的故障诊断问题,提出了一种基于变分模态分解（variational mode decomposition,简称VMD）与核模糊C均值聚类算法（kernel fuzzy C-means clustering,简称KFCM）联合的故障诊断方法。首先,针对VMD算法中分解层数K的选择问题进行了自适应优化;然后,从优化VMD算法的分解结果中选取3个关键分量计算最大奇异值,并将其作为3维的特征向量输入KFCM算法中进行分类识别;最后,对仿真信号以及某型柴油机的模拟故障实验信号使用优化VMD、传统VMD和经验模态分解（empirical mode decomposition,简称EMD）方法分别进行分解与识别。结果表明,笔者提出的方法明显改善了模态混叠现象,提高了模式识别的诊断正确率,提出的联合算法具有更好的应用前景。     

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。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

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。     

SPA散布熵和GK聚类相结合的滚动轴承故障诊断

为充分利用振动信号的特征信息进行故障辨识,提出一种平滑先验分析(SPA)散布熵和GK聚类相结合的滚动轴承故障诊断方法.首先对滚动轴承振动信号进行SP A分解得到趋势项和波动项;然后分别计算趋势项和波动项的散布熵值构建特征向量;最后将特征向量输入至GK分类器中进行聚类识别.将该方法应用到不同工况下的滚动轴承实验数据中,分析结果表明,与传统的基于经验模态分解(EMD)散布熵和GK聚类的故障诊断方法相比,所提方法能够更加准确地实现轴承的故障判别.     

改进时频分析和特征融合在内燃机故障诊断中的应用

针对基于内燃机振动信号的故障识别诊断问题,首先提出一种基于阈值筛选的变分模态分解(VMD)、玛基诺-希尔时频分布(MHD)的时频分析方法,该方法针对Cohen类时频分布存在的交叉干扰项问题,通过阈值筛选法确定VMD算法的分解层数,从而将内燃机振动信号分解成一系列单分量模态信号,然后对单分量信号进行MHD时频表征及线性叠加得到时频聚集性优良、物理意义明确的振动信号时频谱图。再通过局部非负矩阵分解(LNMF)对时频图像特征进行提取,将提取的特征与振动信号时域参数进行特征融合,得到融合特征向量。对支持向量机(SVM)采用改进粒子群优化算法进行参数优选,然后对特征向量进行训练和测试,实现了内燃机的故障识别诊断。将该方法应用于内燃机气门间隙故障8种工况下缸盖振动信号的识别诊断试验,结果表明,该方法能够对不同工况振动信号进行有效识别分类。通过参数优选,最高识别率达到了99.17%,同时对比传统的最近邻分类器的分类结果,证明了该方法的优越性。     

基于PSO-VMD的齿轮特征参数提取方法研究

针对变分模态分解(Variational Mode Decomposition,VMD)中分解模态个数需要凭经验去预先设置这一问题,提出一种基于幅值谱的粒子群优化算法(Particle Swarm Optimization,PSO)对VMD参数进行优化的方法,并应用到齿轮故障特征参数提取中。首先,根据齿轮振动信号的特点,选取了幅值谱作为PSO的适应度函数,利用基于幅值谱的PSO求取VMD参数中的模态分解个数K和惩罚因子α;其次,使用参数组合[K,α]优化后的VMD来分解采集的齿轮数据,可得K个模态分量;最后,将K个模态分量构造出的矩阵进行奇异值分解,可得K个奇异值并将其构成特征向量,用特征向量构造欧氏距离分类器来诊断测试数据。所提出的方法应用到QPZZ-II故障仿真平台。试验结果表明,所提出的方法可以有效地提出齿轮故障的特征,得到的诊断率最高。     

VMD⁃SVD在机械故障信号欠定源数目估计中的应用

针对在观测信号数目小于机械故障振动信号源数目的欠定情况下,源信号的个数难以估计的问题,提出一种变分模态分解(Variational mode decomposition,VMD)和奇异值分解(Singular value decomposition,SVD)相结合的盲源数目估计方法.首先利用VMD对振动信号进行分解,得到若干本征模态函数分量(Intrinsic mode function,IMF),然后对IMF进行重新组合得到多维观测信号的协方差矩阵,最后依据奇异值分解的结果来对信号源数目进行最终确定.仿真信号分析验证了该方法的有效性,将该方法运用到轴承复合故障振动信号中,分析结果表明,该方法能够实现欠定情况下源数目的可靠估计.     

基于变分模态分解和奇异值差分谱的轴承故障诊断方法

为有效地提取出轴承故障的特征频率,提出了基于变分模态分解(VMD)和奇异值差分谱(SVDS)相结合的轴承故障诊断方法.该方法主要有三个步骤,一是通过VMD对轴承故障信息进行分解,并得到若干个不同频段的分量信号;二是选取有效的分量信号构建Hankel矩阵,并对该矩阵进行奇异值分解,由此得到SVDS曲线;三是通过SVDS曲...     

二次VMD筛选-MPE和FCM相结合的故障诊断方法

针对单向阀振动信号含有背景噪声,故障特征提取困难和诊断精度不高的问题,提出了二次变分模态分解(二次VMD)、多尺度排列熵(MPE)和模糊C均值聚类(FCM)相结合的故障诊断方法。首先,通过二次VMD对振动信号进行分解,再使用双阈值法筛选得到有用的本征模态函数(IMF)。其次,提取重构信号中具有敏感特性的MPE特征。最后,将故障特征输入至FCM得到聚类中心,并根据海明贴近度对待识别样本进行分类。通过多组对比实验,结果表明二次VMD筛选能有效去除噪声及虚假成分,MPE具有更好的敏感故障特征表征能力。同时,使用FCM对模糊特征进行聚类能够取得比传统支持向量机(SVM)更好的效果。     

基于优化集合EMD的滚动轴承故障位置及性能退化程度诊断方法

为了更有效地同时诊断出滚动轴承故障位置及不同性能退化程度,提出了对滚动轴承不同状态振动信号进行特征提取和智能分类的故障诊断方法.该方法对各状态振动信号进行集合经验模态分解,但其效果依赖于总体平均次数和加入噪声的大小这2个重要参数,因此,提出集合经验模态分解中加入白噪声的准则.将分解后的一系列固有模态函数结合奇异值分解获取各状态的奇异值,并组成特征向量矩阵.将其输入到改进的超球结构多类支持向量机进行分类,从而实现滚动轴承正常、不同故障位置及性能退化程度的多状态同时智能诊断.实验结果表明,提出的集合经验模态分解方法中加入白噪声准则,可避免人为确定分解参数,提高其分解效率.基于优化参数的集合经验模态分解结合奇异值分解的智能诊断方法比已有的基于经验模态分解结合自回归模型的诊断方法识别率高.     

基于EMD和AR奇异值的柴油机故障诊断

针对柴油机振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、自回归(Auto Regression,AR)模型和支持向量机(Support Vector Machine,SVM)相结合的柴油机故障诊断方法.运用经验模态分解方法对柴油机失火及气阀机构不同工况下的缸盖振动信号进行分析,计算各个内禀模态函数(Intrinsic Mode Functions,IMF)的AR模型参数向量以此组成初始特征向量矩阵,再计算此初始特征向量矩阵的奇异值,并将其作为支持向量机的输入特征向量以判断柴油机的工作状态和故障类型.试验结果表明:该方法在小样本情况下也具有较高的精度和较强的泛化能力.     

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.     

VMD和奇异差分谱在齿轮早期故障诊断中的应用

针对齿轮故障振动信号的多分量、多频率调制特性且早期故障振动信号信噪比低,故障特征微弱难以提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值差分谱的故障诊断方法。首先对采集到的齿轮故障振动信号进行VMD分解,得到一系列窄带本征模态分量(band-limited intrinsic mode functions,BLIMFS),由于噪声的干扰,从各个模态分量的频谱中很难对故障做出正确的判断;然后根据相关系数准则,选取与原始信号相关系数较大的分量构建Hankel矩阵并进行奇异值分解,求取奇异值差分谱,从差分谱中确定重构信号的有效阶次对信号进行降噪处理;最后对降噪处理后的信号进行Hilbert包络谱分析,即可从中准确地识别出齿轮的故障特征频率。仿真信号和齿轮箱齿轮故障模拟实验结果表明,该方法能够有效地降低噪声的影响,准确地提取到齿轮微弱的故障特征信息。