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-SVD和SVM的旋转机械故障诊断研究

旋转机械的振动信号具有非线性、非平稳特点,同时其早期的微弱故障信号易受噪声的干扰,因此在故障诊断中难以提取其故障特征,识别其故障类型,针对这一问题,提出了一种基于变分模态分解(VMD)-奇异值分解(SVD)和支持向量机(SVM)的旋转机械故障诊断方法.首先,对原始振动信号进行了VMD分解,并得到了其若干个分量信号;然后...     

一种改进的VMD及其在轴承故障诊断中的应用

针对VMD在实际工程中需要凭借人为经验设定本征模态分量(IMF)个数,提出了一种通过频谱极值点与自适应阈值之间的关系确定VMD中的最佳IMF数量的策略,称为自适应变分模态分解(Adaptive Variational Modal Decomposi-tion,AVMD),并将其结合最小二乘支持向量机(LSSVM)用于滚...     

基于VMD和PSO-SVM的汽车传动轴系故障诊断

针对传动轴系振动信号故障特征难以提取的问题和进行故障诊断时难以获得大量故障样本的实际情况,提出了一种基于VMD和PSO-SVM相结合的传动轴系故障诊断方法。首先,将传动轴系振动信号进行VMD分解,得到本征模态函数IMF;然后,计算IMF的能量值和对应的能量熵值;最后,用粒子群优化(PSO)优化支持向量机(SVM)的参数,并将归一化处理后IMF的能量值及能量熵值作为特征向量,输入到PSO-SVM中来判断传动轴系的工作状态和故障类型。实验结果表明,该方法故障诊断准确率达到94. 44%,可以准确、有效地对传动轴系进行故障诊断。     

基于变分模态分解和符号熵的齿轮故障诊断方法

为提高齿轮的故障诊断效果,提出了基于变分模态分解(Variational Modal Decomposition,VMD)和符号熵(Symbol Entropy, SE)的齿轮故障诊断方法。首先,利用VMD对齿轮故障振动信号进行分解,得到若干个本征模态分量(Intrinsic Mode Function,IMF);然后,计算IMF分量的符号熵,并将IMF符号熵组成齿轮故障特征向量;最后,将特征向量输入SVM进行故障诊断。齿轮故障诊断实测结果验证了该方法的有效性和优势。     

基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。     

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。     

信息熵和合成峭度优化的VMD和PSO-SVM的轴承故障诊断

为了解决变分模态分解参数人为确定的问题,并能够实现轴承故障的精确诊断,构建了一种信息熵和合成峭度优化的变分模态分解(VMD)和粒子群算法优化支持向量机(PSO?SVM)的轴承故障诊断方法.该方法首先运用合成峭度倒数与信息熵乘积的最小值原则对VMD参数进行优化,再由优化的参数对原始故障信号进行变分模态分解,得到既定的若干本征模态分量(IMFs),再选取信息熵与合成峭度倒数的乘积最小的IMF作为最佳IMF,再对其提取故障特征构成特征向量,输入P SO?SVM进行故障分类.最后,运用仿真信号和实际轴承数据验证了本文方法的有效性.     

基于VMD与SVM的电梯鼓式制动器故障诊断研究

传统的电梯制动器诊断方法存在操作繁琐、精度不高且易受环境影响等问题,为此,提出了一种基于变分模态分解(VMD)与支持向量机(SVM)的电梯鼓式制动器故障诊断方法.首先,采集电梯运行过程中制动器振动的加速度信号,并利用VMD对振动信号进行了分解;然后,根据频谱分析结果选取了模态函数(IMF),并通过计算样本熵,对制动器的...     

基于EEMD、模糊熵和SVM的齿轮故障诊断方法

齿轮故障信号具有不平稳特性,故障信号特征向量难提取,典型的齿轮故障数据样本少。针对这些问题,提出基于总体平均经验模式分解(EEMD)、模糊熵和支持向量机(SVM)相结合的诊断方法。首先通过传感器采集得到加速度信号,然后,通过EEMD降低模态混叠,并将加速度信号分解成多个稳定的本征模态函数信号(IMFs)。其次,利用模糊熵能够表现信号复杂程度并且稳定的性质,取多个稳定IMFs的前几项计算模糊熵。因为SVM能够在小样本集情况下建立决策规则,所以将IMFs的前几项模糊熵值作为特征向量输入SVM训练。最后,SVM算法与常用神经网络比较,对样本训练、测试并诊断故障,说明SVM算法优于神经网络。齿轮故障诊断实验结果表明,所提出的方法诊断准确率达92.5%,可实现齿轮故障信息提取和齿轮故障的有效诊断。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

基于VMD及模糊相关分类器的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)及模糊相关分类器的故障诊断方法。首先,对振动信号进行VMD分解,计算分解后分量与原信号的互信息值,利用互信息值提取无噪声分量,获得重构信号;其次,利用模糊函数在处理非平稳信号方面的优越性,结合相关系数提出模糊相关分类器;最后,将多组不同工作状态的重构信号输入模糊相关分类器,对多组数据进行训练与测试。实验结果表明,该方法能够有效的诊断出滚动轴承三种工作状态,且检测率较支持向量机及神经网络高。     

基于VMD与多特征融合的齿轮故障诊断方法

针对实际中工况复杂难以提取齿轮故障特征频率的问题,提出一种变分模态分解(Variational Mode Decomposition,VMD)与多特征融合的齿轮故障诊断方法。首先,对机械振动信号进行VMD分解并得到一系列的模态,其次,计算高频段的前4个模态的排列熵(Permutation Entropy,PE)和能量,最后,将排列熵和能量构成的高维特征向量作为最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的输入,对齿轮故障类型进行模式识别。试验结果表明:VMD可以较好地将复杂多分量信号各成分分开;排列熵和能量特征可以从不同尺度揭示齿轮故障信息;基于VMD与多特征融合的智能故障诊断方法识别精度高,可以为齿轮故障预警和严重程度提供参考。     

LMD能量熵和SVM相结合的滚动轴承故障诊断

为实现小样本情况下对滚动轴承进行故障检测和分析,提出了基于局部均值分解(LMD)的能量熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。利用LMD信号处理方法将滚动轴承振动信号分解成有限个乘积函数(PF)分量,通过计算PF分量的能量熵进行故障特征提取,然后将提取的特征输入到SVM分类器中进行训练及测试,最终实现对滚动轴承的故障诊断。实验数据显示,在仅有少量样本条件下,LMD能量熵和SVM相结合的方法能够精确地对滚动轴承的故障类型进行识别和分类,这表明该方法对滚动轴承故障诊断的有效性。     

VMD能量熵与随机森林相结合的齿轮故障诊断

针对齿轮故障的非线性、非稳定性特点和单个分类器在故障诊断中准确率低的问题,提出了一种基于变分模态分解(VMD)和随机森林(RF)的齿轮故障识别方法.首先,采用变分模态分解将振动信号分解成有限个本征模态函数(IMFs),并与总体平均经验模态分解对比其分解效果;其次,计算各模态函数的能量熵,将能量熵作为评判齿轮状态的标准,...     

深度支持向量机在齿轮故障诊断中的应用

针对齿轮箱故障诊断中存在的早期非平稳微弱故障信号特征提取困难,易受强背景噪声干扰,故障诊断精度较低等问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和深度支持向量机(Deep Support Vector Machine,DSVM)的齿轮箱故障诊断方法。首先,利用VMD将原始振动信号分解成若干个频率尺度的本征模态(Intrinsic Mode Function,IMF)分量,并根据峭度最大准则选取IMF分量对信号进行重构;构建多层支持向量机结构,在输入层利用支持向量机对信号进行训练,学习信号的浅层特征,利用"特征提取公式"生成样本新的表示,并作为隐藏层的输入,逐层利用深层SVM对新样本训练并学习信号的深层特征,最终由输出层输出诊断结果。最后,通过齿轮箱故障诊断实验验证了该方法的有效性。     

基于排列熵和SVM的自动机故障诊断

针对自动机运作时的瞬态冲击、非线性、非平稳信号特征,提出一种基于排列熵和支持向量机对小口径高速自动机进行故障诊断的方法。首先,引入排列熵对信号进行分析,发现排列熵能很好地反映自动机工作状态;其次,将排列熵特征量分别作为概率神经网络PNN和SVM的输入参数以识别自动机故障,结果表明:SVM相比于PNN可以提高分类正确率。同时证明基于排列熵和SVM在自动机故障诊断中的有效性。