基于VMD和排列熵的滚动轴承故障诊断研究

针对难以识别的轴承运行振动信号中的状态特征,提出变分模态分解(VMD)和基于峭度准则排列熵结合的滚动轴承故障诊断方法.VMD分解算法受限于分解参数,分析参数对结果的影响,并通过定一求二的方法确定VMD的参数,使用设置好参数的VMD算法分解4种滚动轴承状态内圈故障、外圈故障、滚动体故障以及正常状态下的振动信号,由于滚动轴...     

基于LSTM-SVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱的故障诊断中特征提取过分依赖人为经验和准确率不高的问题,提出一种基于长短时记忆网络(LSTM)与支持向量机(SVM)相结合的方法。对原始时域振动信号作傅里叶变换,利用LSTM神经网络自适应智能提取特征的优势,结合SVM的分类功能,实现对风电机组齿轮箱更加准确的故障诊断。仿真结果显示,该网络模型在经过16轮训练后准确率可以达到100%,使用测试集数据准确率也可以达到99.1%。     

VMD复合熵值法在齿轮故障诊断中的应用

针对齿轮实际工况复杂、故障特征难以提取的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)复合熵值法的故障诊断方法.首先,采用VMD方法对不同工况下齿轮振动信号进行分解,并对分解过程中关键参数的选择进行了研究;其次,根据频域互相关系数准则筛选出可有效表征齿轮状态特征的...     

基于排列熵和CHMM的齿轮故障诊断

针对齿轮故障特征提取和状态识别困难的问题,提出一种基于排列熵和连续隐马尔可夫模型(CHMM)的齿轮故障诊断方法。首先对提取的目标齿轮啮合信号作降噪处理,再采用排列熵算法进行分析,提取排列熵均值、方均根、最大值、最小值作为特征量输入到CHMM中训练和识别,通过对比最大对数似然概率值来确定齿轮的故障。最后在变速箱齿轮故障模拟试验台上,对正常、轻微磨损、严重磨损和断齿4种齿轮状态进行试验验证,结果表明该方法能有效地对齿轮故障进行诊断。     

电机轴承故障的多尺度排列熵特征提取与GK识别

为了有效提取电机轴承故障特征并准确识别出故障类型,提出了复合多尺度排列熵偏均值的特征参数提取和GK聚类的模式识别方法.在故障特征提取方面,使用自适应局部迭代滤波对振动信号进行分解,选择与原振动信号相关性较大的前3个分量,计算分量信号的复合多尺度排列熵偏均值作为特征参数,则每个振动信号得到了一个三维特征向量;在模式识别方...     

基于加权LS-SVM的闭环控制系统故障诊断研究

针对闭环控制系统故障诊断难的问题,利用加权最小二乘支持向量机(Weighted Least Squares Support Vector Machines,Weighted LS-SVM)设计了一个闭环控制系统的故障诊断系统.仿真试验结果表明,加权LS-SVM具有很高的建模精度、较强的泛化能力和很高的故障诊断准确度.并验证了该方法的有效性和先进性.     

基于近似熵与支持向量机的异步电机故障诊断研究

针对异步电机故障发生率高、故障类别难以有效识别的问题,提出一种基于近似熵与支持向量机的故障诊断方法。通过构造故障再现试验,分别测取4种不同状态类别的多测点振动信号样本。利用近似熵算法计算其近似熵样本值,得到4种不同状态类别的近似熵故障特征向量。结合支持向量机算法,构建支持向量机分类模型。近似熵特征量被划分为训练样本和测试样本,经验证其故障诊断准确率达97.5%,改进BP神经网络诊断方法的准确率为92.5%,结果表明：近似熵结合支持向量机方法具有更高的诊断精度。     

倒频谱法在齿轮箱故障诊断中的应用

基于LABVIEW的虚拟仪器平台建立数据采集系统,实现了对齿轮进行全生命周期实验过程中采集到大量振动信号数据,提出使用时域分析法（时域同步平均）与频域分析法（功率谱）相结合的信号处理方法对振动信号数据按齿轮可能出现的各种运行状态加以分类,从而有重点的应用倒频谱法对已经出现故障的齿轮箱振动信号进行分析,倒频谱的边频带频谱识别能力有助于研究啮合频率及边频特征,进而准确诊断出齿轮故障性质,并定位出故障齿轮。实验结果得到的齿轮各阶段运行状态数据在工程中很实用,具体涉及齿轮状态判断、故障阈值设定、故障识别及定位等用途。     

基于粒化散布熵和SSA-SVM的轴承故障诊断

针对轴承故障振动信号在单一尺度下提取故障特征信息不完备,导致故障诊断识别率较低的问题,提出基于粒化散布熵(FIG-DE)和麻雀搜索算法(SSA)参〖JP2〗数优化的支持向量机（SVM）的轴承故障诊断方法。利用模糊信息粒化对轴承振动信号进行粒化处理,得到fLow、fR、fUp3个尺度下的模糊信息粒;分别计算3组信号的散布熵;将所得的熵值组成特征向量矩阵,输入SSA-SVM进行轴承故障分类。结果表明：利用SSA-SVM进行滚动轴承故障诊断,准确率有明显的提高。     

基于邻域粗糙集与支持向量机的大型风机齿轮箱故障诊断

大型风机的齿轮箱故障诊断是保证风机正常、稳定运行,避免突发性事故的有效手段。针对大型风机齿轮箱振动进行实时监测,对其振动情况进行分析、诊断。对采集的信号采用时域方法进行研究,获取时域指标属性,运用邻域粗糙集约简知识对各个信息属性进行约简,再结合支持向量机进行样本训练,并对待测数据进行故障诊断。     

基于多类SVM与改进EMD的故障诊断

鉴于传统方法在智能故障诊断中存在着一些不足,提出了一种基于多类支持向量机(SVM)和改进的经验模式分解(EMD)的故障检测与诊断办法。首先通过采用窗口平均法的EMD将原始信号自适应分解到分布在不同频带的基本模式分量(IMF),再用特征归一化处理进行特征提取,然后输入多类SVM分类器进行分类,从而对设备的当前状况作出判断。经过实验证明,本方法可以有效地对轴承设备进行故障诊断。     

支持向量机在轴承故障诊断中的应用

支持向量机是建立在结构风险最小原理^[1]基础上，专门研究小样本情况下的学习规律。本文针对滚动轴承的加速度信号和声音信号的特点，选取识别能力好的时域无量纲指标作为支持向量机的特征矢量，对滚动轴承的四种典型故障进行模式识别。结果表明，支持向量机在滚动轴承故障诊断中有很出色的分类能力。     

基于ANCEEMD样本熵特征提取的行星齿轮箱智能故障诊断

以行星齿轮箱为研究对象,针对经验模态分解（EMD）存在模态混叠、易出现端点效应等缺陷,导致难以很好地解决行星齿轮箱振动信号耦合及非线性特征的提取问题。本文以自适应噪声完备总体经验模态分解（ANCEEMD）为信号处理方法,引入样本熵进行特征提取,应用群智能融合算法优化的神经网络模型对行星齿轮箱故障进行识别和诊断。对于混合蛙跳算法（SFLA）与粒子群优化算法（PSO）,实施“两层优化和内外循环”的融合机制,提出SFLA-PSO融合算法。开展了行星齿轮模拟故障实验,采集了行星齿轮箱的多种故障的振动信号,进行了样本熵特征提取,应用SFLA-PSO融合算法优化了BP神经网络模型,对行星齿轮箱故障进行识别诊断。结果表明：基于ANCEEMD样本熵特征提取的SFLA-PSO-BP诊断模型较PSO-BP和BP在行星齿轮箱故障诊断中的准确率分别提高了5%、15%。     

基于CEEMDAN能量熵和马氏距离的齿轮箱轴承故障诊断方法

针对齿轮箱轴承信号非平稳性及其故障特征难以提取的问题,提出一种自适应白噪声平均总体经验模态分解（CEEMDAN）能量熵和马氏距离相结合的故障诊断方法。首先采用CEEMDAN方法对非平稳的轴承故障信号进行分解,获得若干阶表征信号特性的固有模态函数（IMF）分量;然后计算各IMF分量的自相关函数和相关系数,以滤除信号内的噪声干扰和对故障特征不敏感的IMF分量;最后计算各敏感故障特征分量的能量熵,将其作为特征参数形成状态特征向量,并使用马氏距离判别方法对轴承的工作状态和故障类型进行诊断。通过对实测不同工况以及不同故障程度的齿轮箱轴承信号的分析,证明了所提方法的有效性。     

Morlet小波包络分析在齿轮箱故障诊断中的应用

齿轮箱是各种旋转机械设备中使用最为广泛的零部件之一。研究齿轮箱中轴承和齿轮的典型故障特征信息提取具有重要意义。在分析故障形成机理的同时,探讨齿轮箱振动信号预处理和故障特征提取方法,重点研究基于Morlet小波包络分析技术在齿轮箱典型故障特征提取中的应用。使用图形化编程语言平台LabVIEW编写数据采集和数据分析软件。实验验证了所提出方法在齿轮箱典型故障特征提取中的有效性和准确性。     

基于PSO参数优化的支持向量机齿轮箱故障诊断研究

为了解决支持向量机惩罚因子c和核函数g的确定只能依靠先验知识的缺点,提出了基于粒子群优化算法(PSO)的支持向量机参数优化的模型,通过PSO的寻优自动获得最优的支持向量机参数。并运用JZQ250型齿轮箱进行故障诊断,实验表明所提出的模型很好地解决了参数选择问题,使SVM性能有所提升。     

基于TSMAAPE与WOA-KELM的液压泵故障诊断北大核心

多尺度排列熵(MPE)是一种非线性动力学方法,广泛应用于旋转机械的故障诊断。然而,排列熵没有考虑具有相同排列模式的时间序列可能具有不同的振幅,并且粗粒化方法存在缺陷。为解决上述问题,提出时移多尺度振幅感知排列熵(TSMAAPE)。利用时移时间序列改善MPE中粗粒度时间序列存在的不足,同时引入振幅感知排列熵。通过与时移多尺度排列熵和多尺度振幅感知排列熵进行对比,验证TSMAAPE的鲁棒性。考虑到TSMAAPE在特征提取方面的优势,结合鲸鱼优化算法优化的核极限学习机,提出一种液压泵智能故障诊断方法。结果表明:该方法对液压泵的不同故障具有较好的分类准确率,在故障诊断领域有广阔的应用前景。     

基于精细复合多尺度模糊熵的往复压缩机轴承间隙故障特征分析方法

针对往复压缩机故障信号呈现非线性、非平稳等特点,提出了基于精细复合多尺度模糊熵(RCMFE)的往复压缩机轴承间隙故障特征提取方法。在精细复合多尺度熵的基础上,结合模糊熵概念,提出了RCMFE方法,应用其量化信号非线性特性形成故障特征。白噪声和1/f噪声仿真信号分析结果表明:RCMFE熵值对数据长度不敏感,未定义熵出现概率小。以往复压缩机传动机构轴承间隙故障为研究对象,应用RCMFE实现其故障信号特征提取,并与多尺度模糊熵、复合多尺度模糊熵进行对比,该方法特征区分度显著,支持向量机故障识别准确率高于其他方法。     

基于多尺度加权融合特征学习的转子故障诊断

针对一维振动信号表达故障特征信息不全面及转子故障信噪比低的问题,提出一种基于多尺度加权融合特征学习的转子故障诊断方法。首先,对时域振动信号的幅值进行标准化处理,利用对称点模式(SDP)原理将多传感器振动信息融合为二维SDP图像,通过选取适当的时间滞后系数和角增益,突出不同故障下SDP图像的特征;其次,构建了一种多尺度加权卷积神经网络(MSW-CNN)模型,利用3个不同的感受野分别提取图像特征,通过对多通道图像特征进行加权融合提高了模型的分类精度;最后,利用MSW-CNN模型对6种故障状态的SDP图像进行特征提取并分类。实验结果表明,与其他3种方法相比,所提方法的转子故障诊断精度更高,达到99.31%,在噪声干扰下的诊断精度为96.23%,验证了所提方法的有效性。     

轴承故障的排列熵特征提取与GK模糊识别方法

为了提高轴承故障诊断准确率,提出了参数优化多尺度排列熵的特征参数提取方法和加权GK模糊聚类的识别方法。在特征提取方面,以多尺度排列熵序列偏度最小为优化目标,使用多作用力微粒群算法优化多尺度排列熵参数,实现了排列熵特征参数在轴承不同故障状态下的完全分离;在故障识别方面,提出了加权GK模糊聚类的识别方法,使用ReliefF算法计算特征参数权重,为高敏感度特征参数赋予更大的权值,从而提高GK模糊聚类的聚集度。经轴承故障实验验证,文章提出的排列熵特征参数提取和GK模糊聚类识别方法在此次实验中能够精准识别轴承故障类型,说明文中提出的特征提取和模式识别方法具有一定借鉴意义。