基于优化VMD与欧氏距离的柴油机故障识别

为实现利用单一通道信号通过同一方法区分多种发动机故障的目的,笔者对现有算法进行了优化以提取振动信号中的故障特征。首先,针对变分模式分解（variational mode decomposition,简称VMD）的分解层数选择困难问题,文中以几种不同类型故障的频率特征为基础,优化了其中心频率迭代初始值,在保证准确性的前提下提高了算法的计算效率与简便性;然后,利用鲁棒性独立分量分析（Robust independent component analysis,简称Robust ICA）对VMD处理结果再次分解,分析发动机中可能存在的不同振源的同频率信号,并将两个阶段分解结果重构信号的四阶累积量作为故障判定指标。结果表明：以模糊C均值聚类（fuzzy C-means clustering,简称FCM）确定的聚类中心为参考点,利用各个工况点与喷油故障聚类中心的欧氏距离区分故障类型,取得了较高的正确率。     

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。     

基于改进VMD的滚动轴承故障诊断

为了降低环境噪声对滚动轴承故障特征信息提取结果的影响,并且提高诊断的准备率,提出了基于改进VMD的滚动轴承故障特征提取方法。首先应用VMD算法对采集的轴承原始信号进行分解,根据能量差曲线确定最佳的分解层数k;然后依据峭度准则,选取峭度值最大的分量作为敏感分量进行后续的分析,最后采用Hilbert算法对选取分量进行解调分析;从最后得到的谱图中便可准确地提取到故障特征频率。通过对仿真和实验室信号的分析,证明了改进VMD算法的有效性与可行性。     

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。     

基于稀疏分解的盲源分离算法在轴承损伤识别中的应用研究

本文研究了一种用于滚动轴承故障诊断的单通道盲源分离算法,本方法并不需要依靠人为经验选择轴承故障敏感的特定频率区间,可实现自适应的故障诊断。经过模拟及实验环境验证,证明了本方法具有较高的准确性和有效性,在生产工作中对于轴承损伤识别判定具有指导意义。     

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％.     

基于粒子群优化KFCM的风电齿轮箱故障诊断

针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。     

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IVMD与改进KELM的发动机故障诊断

为从含有较强噪声的缸盖振动信号中提取有效的故障特征并进行故障分类,提出了采用独立变分模态分解(independent variational mode decomposition,简称IVMD)与改进核极限学习机(improved kernel extreme learning machine,简称IKELM)的发动机故障诊断方法。首先,根据频谱循环相干系数选取匹配波形对信号进行端点延拓,并利用变分模态分解(variational mode decomposition,简称VMD)将延拓后信号分解为一系列固有模态分量,有效抑制了VMD中的端点效应;其次,选取有效分量作为输入观测信号,进行核独立成分分析,进一步分离干扰噪声与有效信号,并消除模态混叠,得到相互独立的有效故障特征频带,进而提取各频带的自回归模型参数、多尺度模糊熵和标准化能量矩构建故障特征向量集;最后,建立基于社会情感优化算法的IKELM分类模型,对故障特征进行分类,实现发动机故障诊断。仿真和实验结果表明,所提出的方法可有效抑制VMD的端点效应,提高信号分解精度,消除噪声干扰并分离出相互独立的有效故障特征频带,增强特征参数辨识度,最终提高发动机故障诊断速度与精度,发动机故障诊断平均准确率达到99.85%。     

基于改进半监督模糊C-均值聚类的发动机磨损故障诊断

为解决在少量油液样本条件下发动机磨损故障诊断难的问题,提出一种改进半监督模糊C-均值聚类算法(Improvedsemi-supervised fuzzy c-means clustering algorithm,ISS-FCM).定义一种优化的目标函数,将无标签样本与训练样本间的平均距离度量考虑在内并赋予其一定权值,以...     

基于模糊核聚类和引力搜索的风电齿轮箱故障诊断

为了诊断风电齿轮箱已知类别和未知类别的故障,提出了基于模糊核聚类和引力搜索的故障诊断方法。首先建立以训练样本分类错误率为目标的聚类模型,利用模糊核聚类对训练样本进行分类;然后利用引力搜索算法求解聚类模型,获得最优分类结果下每个类的类心;最后根据新样本与各类心之间的核空间样本相似度判断属于已知故障或者未知故障。结果表明,该方法准确度高,可有效用于风电齿轮箱故障诊断。     

基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

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。     

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。     

A New Method of Wind Turbine Bearing Fault Diagnosis Based on Multi-Masking Empirical Mode Decomposition and Fuzzy C-Means Clustering

Based on Multi-Masking Empirical Mode Decomposition(MMEMD) and fuzzy c-means(FCM) clustering, a new method of wind turbine bearing fault diagnosis FCM-MMEMD is proposed, which can determine the fault accurately and timely. First, FCM clustering is employed to classify the data into di erent clusters, which helps to estimate whether there is a fault and how many fault types there are. If fault signals exist, the fault vibration signals are then demodulated and decomposed into di erent frequency bands by MMEMD in order to be analyzed further. In order to overcome the mode mixing defect of empirical mode decomposition(EMD), a novel method called MMEMD is proposed. It is an improvement to masking empirical mode decomposition(MEMD). By adding multi-masking signals to the signals to be decomposed in di erent levels, it can restrain low-frequency components from mixing in highfrequency components e ectively in the sifting process and then suppress the mode mixing. It has the advantages of easy implementation and strong ability of suppressing modal mixing. The fault type is determined by Hilbert envelope finally. The results of simulation signal decomposition showed the high performance of MMEMD. Experiments of bearing fault diagnosis in wind turbine bearing fault diagnosis proved the validity and high accuracy of the new method.     

经验模态分解和Laplace小波在机车柴油机齿轮系故障诊断中的应用

针对机车柴油机配气齿轮系故障信号呈现时变非平稳特征且信噪比低的特点,提出基于经验模态分解和Laplace小波的机车柴油机声信号分析方法,并成功用于工业现场.简要介绍信号经验模态分解的基本原理与算法,以机车柴油机实际声信号为例,分析其抑制噪声干扰的能力.经验模态分解相当于自适应滤波器组,可将信号分解成不同频带的固有模态函数(Intrinsic mode functions,IMF).试验表明对表征齿轮故障的IMF分量进行功率谱分析,能有效检测齿轮故障.根据滚动轴承故障信号表现为单边冲击衰减震荡,故障特征频率包含的能量少且容易受噪声干扰的特点,提出采用基于Lanlace小波的相关滤波实现冲击特征波形准确识别,提取故障特征频率的轴承诊断方法.机车柴油机运行测试试验证明,上述方法能准确诊断各种类型的配气齿轮传动装置故障.     

基于变模式分解降噪的滚动轴承故障诊断研究

变模式分解(Variational Mode Decomposition,VMD)是近年出现一种新的自适应分解方法,对其最小化可以把一个信号分解为固有模式。基于此,提出了变模式分解(VMD)降噪。首先通过VMD将故障信号分解为一系列模式,计算各模式与原信号的相关系数,再根据相关系数选择相应的分量进行重构以达到对原信号降噪的目地,之后通过差值形态滤波对重构信号进行解调以提取故障特征。为验证降噪的必要性和有效性,对比了直接差值形态滤波提取特征。仿真信号和对滚动轴承的实验证明了方法的有效性。     

基于变分模态分解和ANFIS的齿轮故障诊断

针对齿轮振动信号的传递路径复杂,噪声污染严重,故障特征信息微弱等问题,提出了基于变分模态分解和自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)的故障诊断方法。将原始振动信号利用变分模态分解得到不同尺度的本征模态函数后,通过提取各模态函数的排列熵,构造出表征模态分量信息的特征向量,并将提取的特征向量输入自适应神经模糊推理系统进行训练,建立齿轮故障诊断模型。最后通过齿轮实验故障数据对模型进行验证,并与支持向量机(Support Vector Machine,SVM)识别方法进行对比,结果表明,提出方法具有很强的学习能力,能够有效地对齿轮故障进行诊断,提高故障识别的准确率,识别效果明显优于SVM。