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VMD小波包能量熵的风电机组变流器故障诊断方法

变流器是实现风电机组并网运行的关键电力装备,在外界环境因素、内部电压电流应力作用下,其功率器件易发生机械或电气故障。该文提出一种基于变分模态分解(VMD)小波包能量熵与支持向量机(SVM)的永磁同步风电机组变流器故障诊断方法。首先,对风电机组网侧变流器的输出电流进行变分模态分解,得到多个固有模态分量;然后,利用小波包分解提取出各模态分量的小波包能量熵作为故障特征向量,以减少故障特征的维数。最后,将约简的故障特征向量输入SVM中进行训练和故障识别。研究结果表明,所提方法可对网侧变流器的典型单一和双开路故障进行诊断,对提升永磁同步风电变流器的可靠性和安全性具有现实指导意义。     

基于VMD和Choi-Williams分布的齿轮故障诊断

针对当前机械故障自适应时频分析存在模态混叠和时频分辨率低的问题,提出一种变分模态分解(Variational Mode Decomposition,VMD)和Choi-Williams分布(Choi-Williams Distribution,CWD)相结合的齿轮故障诊断方法。首先参考VMD分解后各分量的中心频率,确定模态分量个数,将采集到的齿轮故障信号分解为指定个数的多个单分量有限带宽固有模态分量(Band-limited Intrinsic Mode Functions,BLIMFS);然后结合峭度(Kurtosis,K)和互相关系数(Cross-correlation,CC)准则,去除虚假分量,筛选出真实的,包含丰富故障特征信息的模态分量;最后将筛选出的多个模态分量进行CWD时频分布表示,结合时频域表现出的频率与等时冲击特性,识别出齿轮故障特征。通过齿轮断齿故障仿真和实验分析,以及与EMD-WVD方法的应用效果对照,验证了文中所论方法的有效性和适用性。     

基于VMD和最小熵反褶积的齿轮早期故障诊断

针对强噪声环境下齿轮早期故障特征信号微弱,故障特征信息难以提取的问题,提出了变分模态分解(Variational Mode Decomposition,VMD)和最小熵反褶积(Minimum Entropy Deconvolution,MED)的诊断方法。首先,利用VMD对采集到的齿轮故障振动信号进行自适应分解,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;然后依据相关系数准则,选取包含故障特征信息较丰富的分量进行MED滤波处理以消除噪声影响,凸显故障特征信息。最后对降噪后的信号进行Hilbert包络解调分析,即可从包络谱中准确地识别齿轮故障特征频率。通过仿真信号和齿轮箱实验数据对所提方法进行了验证,结果表明,该方法能够有效地降低噪声的影响,准确地提取齿轮早期故障信号中微弱的特征信息。     

基于变分模态分解与随机森林的滚动轴承故障诊断CSCD

滚动轴承是常见机械设备的重要部件,其是否能正常运作,直接关联到设备生产的安全性以及效率的高低,因此,能够及时、准确地识别滚动轴承工作状态,显得至关重要。提出了一种阈值法确定变分模态分解中分解个数,该方法使得分解个数的确定更科学合理,同时提出基于变分模态分解和随机森林相结合的滚动轴承故障诊断方法,该方法利用变分模态分解方法将滚动轴承振动信号分解成若干个固有模态函数,轴承发生不同故障时,不同的固有模态函数内的统计特征和频带能量会发生变化,从不同的固有模态函数中计算出其对应的均值、变异系数与能量熵等特征值,最后分别采用支持向量机和随机森林算法实现判断滚动轴承信号类型。结果表明,利用变分模态分解和随机森林相结合算法具有更高的识别精度,可以有效识别滚动轴承的故障类型。     

基于SVD-SGWT和IMF能量熵增量的液压故障特征提取

针对随机噪声和虚假分量影响总体平均经验模态分解(EEMD)分解质量问题,提出基于奇异值分解(SVD)和第二代小波变换(SGWT)联合降噪预处理和本征模态分量(IMF)能量熵增量剔除虚假分量的改进EEMD方法。该方法首先对原始信号进行第二代小波变换,利用SVD对SGWT得到的高频系数进行降噪处理,克服了软、硬阈值法降噪的缺陷。然后对消噪处理的信号进行EEMD分解,通过IMF能量熵增量去除虚假分量;最后对主IMF分量进行Hilbert谱分析来提取信号的主要特征。仿真和实验结果表明,SVD和SGWT联合降噪故障信号信噪比显著提高,且失真度小,抑制了噪声对EEMD分解精度的干扰,能量熵增量能有效地去除虚假IMF,Hilbert谱中各频率成分清晰不混叠,成功提取了液压系统故障特征频率。     

双谱估计结合EEMD的齿轮故障特征提取

以实测齿轮箱振动信号为分析对象,对锥齿轮系统进行故障特征提取。通过总体平均经验模态分解(EEMD)将采集到的振动信号进行分解,对比分析原始信号功率谱密度特性和各本征模态函数(IMF)频谱特性,抽取相关频带的IMF分量进行信号重构;对重构信号利用直接法进行双谱估计,计算重构信号的双谱熵和非高斯性强度并分析其随试验时间的变化趋势。结果表明,双谱熵和非高斯性强度可以有效反映齿轮运行实时状况,可作为故障诊断和趋势预测的故障特征值。     

基于Internet技术的齿轮断齿故障诊断研究

在无线网络环境下实车试验模拟了故障的发生,测得齿轮断齿时的变速箱体振动信号。介绍了提取故障的远程诊断方法,基于Internet技术和Matlab Web Server功能实现了异地数据上传,并对数据进行了幅值域、频域分析,实现了断齿故障的异地诊断。     

基于小波包能量谱齿轮振动信号的分析与故障诊断

小波包是继小波分析之后提出的一种新型的多尺度分析方法,解决了小波分析在高频部分分辨率差的缺点,体现了比小波分析更好的处理效果.测试了齿轮传动系统在几种不同故障类型下的振动信号,利用小波包变换的分解和重构算法,有效地提取出齿轮故障特征信号,得到试验结果.通过比较时域分析、频域分析和小波包分析对齿轮振动信号进行的特征提取,...     

EEMD近似熵和SVM在柴油机传动系统中的故障诊断研究

柴油机发电机组结构复杂,故障类型多样,其动力传动部件兼具往复机械与旋转机械的振动特性。传统的频谱分析主要通过利用傅里叶变换将在时域内难于分辩的信号映射到频域内进行分析,这对于具有平稳特点的原始信号比较有效,但是对于柴油发电机组而言,频谱分析难以提取其频率分量,因此难以实现故障诊断。通过总体平均经验模式分解(EEMD)的方法获得其本征模式函数的近似熵,将该近似熵作为特征向量结合支持向量机(SVM)进行分类,从而实现柴油发电机组的故障识别。通过实验仿真和某柴油发电机组振动异常问题的实测试验表明,该方法可以准确有效的提取其故障信息和频率,为柴油发电机组传动机构故障诊断提供支持。     

基于BP神经网络的齿轮故障诊断系统研究

对ＢＰ神经网络在齿轮故障诊断中的模式表达、网络拓扑及其相关参数等问题进行了探讨;并利用ＢＰ 网络对齿轮四种典型的故障模式进行训练学习和诊断,取得了满意的效果。结果表明：ＢＰ 神经网络是实时地解决齿轮故障中复杂的状态识别问题的一种有效工具     

改进希尔伯特-黄变换的滚动轴承故障诊断

针对希尔伯特-黄变换中经验模态分解方法存在的端点效应和虚假固有模态函数的问题,提出一种改进希尔伯特-黄变换方法并将此方法应用于滚动轴承故障诊断中。首先,利用最小二乘支持向量机和镜像延拓相结合的方法来抑制端点效应;其次,采用敏感固有模态函数选择算法选出反映故障特征的敏感固有模态函数;最后,利用敏感固有模态函数的包络谱进行故障诊断。通过仿真分析和应用实例可看出,该方法能够有效提取出滚动轴承故障信号的特征信息并准确诊断出引起滚动轴承的故障原因。     

基于电机电流经验模态分解的行星轮故障诊断

在故障诊断领域,电机电流信号分析法(MCSA)已经逐渐应用于齿轮故障诊断中,但该方法在诊断行星轮缺齿故障时由于电流基频干扰较大,导致故障特征不明显,难以实现故障诊断.因此提出一种基于电流信号经验模态分解(EMD)的故障诊断方法.通过对电机电流信号进行EMD分解,选取合适的IMF分量经傅立叶变换求其频谱图,根据频谱图中是...     

基于LabVIEW的小波消噪在齿轮故障诊断中的应用

介绍了利用LabVIEW平台检测齿轮故障信号，叙述了在LabVIEW的环境内，使用MATLAB脚本节点对齿轮振动信号进行小波消噪和分解，提取齿轮故障特征信息，实现齿轮故障诊断。     

EEMD与HMM在齿轮故障诊断方法中的研究

为了解决EMD方法存在的模态混叠的问题,更加精确有效的利用振动信号进行齿轮的故障识别和诊断,提出一种将总体平均经验模态分解(EEMD)和隐马尔科夫模型(HMM)结合的齿轮故障诊断方法.首先对采集到的原始齿轮振动信号进行EEMD处理,获得包含主要故障信息的各阶固有模态函数(IMF)分量,以能量为元素,提取并构造特征向量,...