基于VMD和Infogram的滚动轴承故障特征提取

带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。     

基于MCKD和VMD的滚动轴承微弱故障特征提取

针对滚动轴承早期故障特征非常微弱,易受随机噪声和其他信号干扰而难以提取等现象,提出了用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和变分模态分解(Variational Mode Decomposition,VMD)相结合的方法提取滚动轴承故障特征。首先用MCKD进行信号增强,然后利用VMD得到一系列模态,应用互相关系数和峭度准则筛选包含故障信息较为丰富的模态进行重构降噪,最后对重构信号进行包络解调提取故障特征。通过仿真分析和轴承故障模拟实验验证了该方法的有效性,可以精确地分离轴承故障振动信号的不同频率成分。     

VMD样本熵特征提取方法及其在行星变速箱故障诊断中的应用

针对行星变速箱故障特征微弱、信号传递路径复杂,传统样本熵特征难以区分其工作状态的问题,提出了结合变分模态分解(VMD)和样本熵的特征提取方法,深入研究了VMD算法中分解尺度和二次惩罚因子的优化策略,给出了基于敏感度最大原则的VMD分解各IMF与原信号相关系数阈值的确定方法。在行星变速箱故障模拟试验台采集不同试验工况下振动信号,考虑行星齿轮运行周期问题以获取可用数据。结果表明,与样本熵和EEMD样本熵相比,VMD样本熵具有计算效率高、对不同状态的区分能力强、采样频率对其计算结果影响小等特点,可用于行星变速箱的故障诊断。     

基于VMD的行星齿轮箱故障特征提取新方法

针对行星齿轮箱振动信号故障特征提取困难的问题,提出一种基于变分模态分解的行星齿轮箱故障特征提取方法。首先利用变分模态分解(VMD)算法对样本信号进行分解,得到若干本征模态函数(imf)。然后,计算各分量与样本信号之间的相关系数和欧氏距离,筛选出表征样本信号特征的有效分量,并计算其Teager能量算子,将计算结果进行重构。最后,针对多尺度模糊熵对信号局部差异不够敏感,提取重构信号的多尺度模糊熵和多尺度能量作为基本参数,进行参数融合构成新指标。将其应用于行星齿轮箱太阳轮和行星轴承故障分析,结果表明:新方法既可以区分行星齿轮箱太阳轮不同故障类型,又能有效识别行星轴承不同位置故障。另外,与现有方法对比,新方法区分效果更好。     

一种基于小波包样本熵和流形学习的故障特征提取模型

针对机械故障信号的非线性、故障征兆的多样性和复杂性等诊断问题,提出了一种基于小波包样本熵和流形学习的故障特征提取模型。该模型首先利用小波包的分解和重构,计算重构细节信号的样本熵,初步提取滚动轴承故障特征,然后利用流形学习法对初步的样本熵故障特征进行进一步的提取,在保留故障特征的整体几何结构信息的同时降低了特征数据的复杂度,增强了故障模式识别的分类性能。最后通过支持向量机对该模型提取的特征进行分类,通过比较初提取特征和再提取特征分类效果来验证该模型的优越性。     

基于加权相空间重构降噪及样本熵的齿轮故障分类

提出了一种基于加权相空间重构降噪及样本熵的齿轮故障分类方法,给出了加权相空间重构降噪及样本熵的原理及计算公式.该方法将一维的时间序列重构到高维的相空同,通过区分吸引子在高维空间的不同的属性与特征,对原始信号进行加权相空间重构降噪,再计算降噪后信号的样本熵从而实现对齿轮故障信号的分类.对该方法进行了仿真与实验研究,结果表明,降噪后的信号有效地抑制了噪声对实验结果的影响,使得样本熵能够对齿轮不同的工作状态进行有效区分.     

基于样本熵和分数阶傅里叶变换的滚动轴承故障特征提取

提出了一种基于样本熵和分数阶傅里叶变换的故障特征提取新方法。这种方法的核心思想是首先把原始数据空间中可分性较差的数据映射到合适的分数阶空间,然后计算并比较经过合适阶次分数阶傅里叶变换后数据的样本熵,从而实现故障的特征提取。实测数据的研究结果表明,用这种方法提取信号特征,能增强不同故障模式的可分性,可以容易地将正常滚动轴承、内圈故障、外圈故障和滚动体故障的信号区分。     

基于参数自适应VMD和MCKD的滚动轴承微弱故障特征提取

针对传输路径复杂和强噪声干扰条件下滚动轴承故障信号信噪比低、微弱故障特征难以提取的问题,提出一种将参数优化变分模态分解（Variational Mode Decomposition,VMD）与最大相关峭度解卷积（Maximum Correlated Kurtosis Deconvolution, MCKD）相结合的滚动轴承微弱故障特征提取方法。首先,利用经麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的VMD对故障信号进行自适应分解,构建加权峭度指标以筛选有效模态分量;然后对有效模态分量利用经SSA优化后的MCKD进行增强;最后,对增强后的信号进行包络解调分析,提取出轴承故障特征频率。实验和工程实际案例分析表明,所提出的方法能够自适应增强轴承信号中的微弱冲击成分,有效提取出强噪声背景下的滚动轴承微弱故障特征。     

基于VMD和Infogram的滚动轴承故障特征提取EI北大核心CSCD

带通滤波器参数(中心频率和带宽)选取是共振解调的关键,针对快速峭度图找寻的中心频率偏大、带宽过宽的问题,提出Infogram(信息图)用于确定滤波器参数;并利用变分模态分解(Variational Mode Decomoposition,VMD)预先对信号进行重构,以减少噪声对信息图的影响,增强其应用效果。对轴承故障振动信号进行变分模态分解得到有限个模态分量,根据模态选取准则确定包含故障信息较多的模态分量进行信号重构,再应用信息图确定最佳共振频带的中心频率和带宽,并对重构信号进行带通滤波和包络谱分析,识别轴承故障特征频率。仿真分析和轴承外圈模拟故障试验验证了该方法的有效性。     

基于VMD和1.5维Teager能量谱的滚动轴承故障特征提取

为准确提取非线性、非平稳的滚动轴承故障信号中的故障特征,提出基于变分模式分解(Variational Mode Decomposition,VMD)和1.5维Teager能量谱的滚动轴承故障特征提取方法;变分模式分解(VMD)是一种新的信号自适应分解方法,1.5维Teager能量谱具有1.5维谱良好的降噪效果和Teager能量算子强化信号瞬态冲击的优点。故障特征提取过程:首先,对滚动轴承故障信号进行VMD分解得到一组分量,根据峭度-相关系数准则筛选出2个冲击特征明显分量进行信号重构;再次,对重构信号进行1.5维Teager能量谱分析;最后根据能量谱图的分析,提取出滚动轴承的内圈和滚动体故障特征。仿真信号和试验信号的分析都验证了提出方法的有效性;通过与EEMD分解比较,采用VMD变分模式分解和1.5维Teager能量谱的分析方法更具有区分性,可以有效识别滚动轴承的故障特征。     

基于自适应MOMEDA与VMD的滚动轴承早期故障特征提取

轴承故障衍生早期,由于故障尺寸较小且易受环境噪声和信号衰减的影响,因此故障冲击信号往往非常微弱。变分模态分解(Variational Mode Decomposition,VMD)已经在轴承的故障特征提取中有一定的应用,但对于背景噪声较强时的滚动轴承的微弱故障提取效果并不理想。针对这一问题,将改进多点优化最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)与VMD相结合,研究了滤波器长度对MOMEDA效果的影响,提出基于进退法确定最优滤波器长度的自适应MOMEDA方法。利用自适应MOMEDA对信号降噪并避免传统MED迭代以及滤波后可能出现的虚假峰值。将自适应MOMEDA降噪后的信号使用VMD进行分解,然后依据谱峭度大小进行重构,对重构之后的信号进行故障特征提取,取得了较好的效果。最后通过实验验证了方法的可行性及有效性。     

基于改进VMD的风电齿轮箱不平衡故障特征提取

变分模态分解(Variational Mode Decomposition,VMD)是一种不同于递归式模态分解新方法,具有优良的频率剖分特性,但其在处理信号时受分量个数影响严重,通过主观经验难以合理设置该参数。针对该问题,利用奇异值分解清晰的信噪分辨能力,根据奇异值最佳有效秩阶次自动搜寻VMD的分量个数,提出了一种改进变分模态分解的风电齿轮箱不平衡故障特征提取方法。通过仿真信号及轴不平衡实验信号对该方法进行了验证,并将其应用于风电齿轮箱稳定工况下的现场故障诊断中,均成功提取出微弱特征频率信息,实现对齿轮箱不平衡故障的有效判别,具有一定可靠性。     

基于MCKD和VMD的滚动轴承微弱故障特征提取EI北大核心CSCD

针对滚动轴承早期故障特征非常微弱,易受随机噪声和其他信号干扰而难以提取等现象,提出了用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和变分模态分解(Variational Mode Decomposition,VMD)相结合的方法提取滚动轴承故障特征。首先用MCKD进行信号增强,然后利用VMD得到一系列模态,应用互相关系数和峭度准则筛选包含故障信息较为丰富的模态进行重构降噪,最后对重构信号进行包络解调提取故障特征。通过仿真分析和轴承故障模拟实验验证了该方法的有效性,可以精确地分离轴承故障振动信号的不同频率成分。     

基于改进排列熵的滚动轴承故障特征提取

排列熵能够有效监测振动信号中的动力学突变,衡量振动信号的复杂度,在旋转机械状态监测中获得成功的应用。将排列熵应用于滚动轴承故障特征提取中,并针对排列熵对振动信号幅值不敏感,无法反映振动信号中局部能量分布差异的问题,利用滤波信号的归一化瞬时能量改进排列熵,提出一种基于改进排列熵的滚动轴承故障特征提取方法。仿真和试验数据分析结果表明,该方法能够有效识别滚动轴承共振频带,准确提取滚动轴承故障特征。     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法.该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用...     

基于少次相干平均和样本熵的视听诱发脑电特征提取

针对脑电信号的非平稳性和非线性,采用少次相干平均结合样本熵的方法对视听诱发脑电信号进行特征提取.首先,对预处理后的脑电信号进行15次相干平均,获得视觉、听觉及视听觉诱发脑电的时域特征信号;然后,将该特征信号做为原始信号输入,构成m维矢量序列,计算相关导联在靶刺激、非靶刺激和自发脑电状态的样本熵值;最后,比较分析单一视觉、听觉和视听刺激下,不同状态脑电样本熵值,文中阐明了视听觉诱发下,大脑认知的复杂性和信息耦合性.结果显示:只进行少次相干平均即可有效提取视听刺激模式下脑电的样本熵特征量,减少了因长时间视觉刺激引起神经疲劳导致的误差.同时,靶刺激的出现可使脑电样本熵值增大,表明中枢神经系统与外周刺激发生信息耦合,导致了大脑系统复杂性的提高.该研究可以应用于神经认知科学和脑-机交互系统中.     

基于优化VMD与改进阈值降噪的滚动轴承早期故障特征提取

针对复杂工况和强背景噪声干扰下,滚动轴承早期故障信号微弱导致故障特征难以提取的问题.提出了优化变分模态分解(VMD)与改进阈值降噪的滚动轴承故障特征提取方法.首先,通过鲸鱼优化算法(WOA)优化VMD实现振动信号的自适应分解,建立了L-峭度和相关系数的最优模态分量选取准则;然后对选取的最佳分量进行改进阈值降噪;最后,对...     

基于样本熵的风力发电机早期故障检测

针对发电机定子匝间短路和转子断条等早期故障特征具有幅值小、非稳态、易受工况影响等特点,引入样本熵算法实现风力发电机定子电流和电磁转矩信号特征提取,并模拟不同负载条件下故障信号,实现定量参数分析。分析结果表明,样本熵算法适用于在变工况及噪声干扰条件下,对短数据参量进行分析并实现故障特征定量描述,可用于风力发电机早期故障检测和实时在线监测。     

基于VMD和改进多分类马田系统的滚动轴承故障智能诊断

为了有效提取滚动轴承的故障信号,选择合适的智能分类器识别故障状态,提出基于变分模态分解及多重马氏距离法的多分类马田系统的故障智能诊断系统。通过变分模态分解将振动信号分解为多个本征模函数并提取相关特征;并采用了多重马氏距离法的马田系统,以特征子集代替特征参与分类器的构建,以解决特征参数众多的问题;通过正交表和信噪比,筛选出各状态的敏感模态分量,并提出多分类马田系统,用于多类故障智能识别;将其应用于滚动轴承故障数据中,验证算法的有效性,并与其他算法对比分析。结果表明,基于变分模态分解及改进的多分类马田系统算法能简化诊断系统、训练耗时少,识别准确率高,是一种更为有效的故障智能诊断方法。     

基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。