基于EMD重构和SVM的滚动轴承故障诊断方法研究

针对滚动轴承振动信号非平稳性和故障特征难以提取的问题,提出一种基于经验模态分解重构和支持向量机相结合的故障诊断方法。首先,采用经验模态分解,将滚动轴承振动信号分解成一系列固有模态函数;其次,根据伪固有模态函数剔除法选取对故障特征敏感的模态函数进行信号重构;最后,以重构信号的有效值和峭度值作为支持向量机分类器的输入来识别滚动轴承的工作状态和故障类型。试验结果表明,该方法能有效地识别和诊断出滚动轴承的运行状态和故障类型,具有很高的工程实用价值。     

齿轮箱振动源信号分离与故障诊断研究

对齿轮的运行状态进行监测能够有效消除设备的潜在故障,避免大的事故发生.然而由于工作条件恶劣,很难采集到齿轮箱真实可靠的振动信号.由此,提出了一种基于独立分量分析（ICA）和支持向量机（SVM）相结合的齿轮故障诊断方法.首先利用ICA从被噪声污染的齿轮箱振动信号中分离出真实振动源信号,以提取可靠的齿轮状态高阶统计特征信息;而为了准确监测设备运行状态,采用支持向量机（SVM）对所提取的特征进行学习与智能分类,以检测齿轮早期故障.结果表明,通过齿轮箱故障实验分析,所提出的方法能够有效提取齿轮振动源信号,准确识别与诊断齿轮裂纹、点蚀以及断齿等故障状态,且精度比未进行源分离高10%,具有较好工业应用价值.     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于双树复小波包和AR谱的滚动轴承复合故障诊断方法

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于双树复小波包和自回归(autoregressive,AR)谱的故障诊断方法.首先,利用双树复小波包变换将复杂的、非平稳的复合故障振动信号分解为若干个不同频带的分量;然后,对包含故障特征的分量进行希尔伯特包络;最后,对包络信号求其AR功率谱,由此实现对复合故障特征信息的分离和故障识别.实验结果表明:该方法可有效地分离轴承复合故障的特征频率,验证了该方法的可行性和有效性.     

EWT与GS-SVM在断路器机械故障诊断中的应用

针对高压断路器故障诊断中振动信号识别的难点,提出了经验小波变换与支持向量机相结合的故障诊断方法,并在k折交叉验证(k-fold cross-validation,k-CV)思想下采用网格搜索寻找SVM分类器的最优内部参数。首先通过EWT将原始多分量振动信号分解得到一组单分量的固有模态函数(intrinsic modal functions,IMF),然后结合希尔伯特变换与信息熵理论计算信号的特征熵向量,最后在训练集上利用GS与k-CV得到最佳SVM分类器,并用测试集评价该分类器,测试集识别率达100%。实验表明,相对于EWT-PSO-SVM、EMD-GS-SVM故障诊断模型,在小样本数据下EWT-GS-SVM具有模型健壮、识别率高、收敛速度快的综合性能。     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

双树复小波包和谱峭度在齿轮故障诊断中的应用

针对故障齿轮振动信号的非平稳和调制特性,提出了基于双树复小波包变换和谱峭度的齿轮故障诊断方法.首先,利用双树复小波包变换将原始振动信号分解为若干个不同频带的信号分量,选择与原始信号相关系数大的分量进行阈值降噪并重构;然后,对降噪后的信号利用谱峭度所得的峭度图选择最佳的带宽和频带中心进行相应的带通滤波处理;最后,将带通滤波后的信号作平方包络和傅里叶变换,即可得到信号的包络解调谱,从而提取故障特征信息.通过对试验和工程实际的齿轮故障信号分析表明:双树复小波包变换和谱峭度结合的方法可有效地提取齿轮故障特征信息,进而实现故障识别,验证了方法的可行性和有效性.     

LLDE-SVM的滚动轴承故障诊断方法

由于采集到的滚动轴承振动信号含有噪声,以及信号本身的非线性、非平稳特性,为了能够准确的识别出滚动轴承的故障状态,提出了局部线性判别嵌入(LLDE)和支持向量机(SVM)相结合的故障诊断模型。该模型首先采用相空间和流形学习相结合对振动信号进行降噪处理;构建的高维特征空间可以通过LLDE有效的进行降维和特征提取,再通过SVM进行训练构建模型,最后进行故障识别。通过对实验数据进行分析,验证了该方法能够有效地识别出故障类型,可以应用于滚动轴承振动信号的故障诊断。     

基于IMF信息熵与SVM的转子振动故障智能诊断方法

提出了基于内禀模态信息熵与支持向量机的转子振动故障诊断方法。采用EMD方法将转子振动信号分解为若干个内禀模态分量,由各个内禀模态分量的信息熵构成转子状态的特征参数。采用支持向量机分类器对故障类型进行分类。通过转子试验台的仿真实例证明了该方法的有效性。另外,在特征提取环节对比采用了传统的Fourier变换法,结果体现了EMD方法在非线性和非稳态信号处理上的优越性。     

基于小波包与支持向量机结合的齿轮故障分类研究

文章通过对齿轮系统在不同的运转状态下故障类型进行试验测试分析,采集了有关的振动测试信号,对振动特征信号进行了小波阈值去噪,运用小波包方法对信号进行分解,然后对分解后的各层信号进行重构,并计算各层的能量,将它作为故障特征,在此基础上将各层信号特征作为输入,运用支持向量机对它们进行分类,将所得结果与神经网络分类的结果进行了比较。研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波与支持向量机结合的方法,对于单一故障和复合故障都能够进行很好地区分与诊断,其诊断成功率均在92%以上。该方法不仅可对实际工程工作的齿轮系统进行故障诊断,而且可用于其它故障诊断领域。     

基于KPEMD与INFO-SVM的柱塞泵故障诊断

针对难以从转辙机柱塞泵的非线性振动信号中有效提取故障特征以及各分量之间存在模态混叠现象等问题,提出了一种非线性自适应正交经验模态分解(Kernel Principal Empirical Mode Decomposition, KPEMD)与向量加权平均算法优化的支持向量机(INFO-SVM)结合的故障诊断方法。首先通过KPEMD方法将原始信号分解为多个IMF分量,根据相关系数筛选出故障信息丰富的敏感分量;其次提取敏感分量的时域频域特征及能量熵构造混合特征样本集;最后输入到INFO-SVM多分类器中进行故障识别。利用柱塞泵实验数据进行对比分析,结果表明：KPEMD能够有效减弱模态混叠现象,充分提取故障信息,INFO优化SVM的识别准确率优于其它常用算法的优化结果。本方法能有效识别出转辙机柱塞泵的不同故障类型,诊断准确率达到98%。     

异步电机转子断条故障诊断研究

针对异步电机转子断条故障诊断中,原始信号包含的故障特征成分能量微弱,其提取过程较为繁琐,给断条故障的及时诊断带来不便,提出一种基于经验模态分解(Empirical Decomposition Mode,EMD)能量熵,主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machine,SVM)相结合的新诊断方法,无须提取信号中的故障特征频率就能对电机断条故障做出准确的判断。该方法选取振动信号经过PCA处理后的EMD能量熵作为新的故障识别分类的特征量,然后支持向量机模型便可以根据断条故障前后振动信号EMD能量熵内在变化规律对转子正常和断条故障时的两种振动信号进行准确分类。通过实验分析表明,该方法操作便捷且简单,能够将转子正常和发生断条故障时的两种振动信号数据全部准确的识别分离,达到对转子断条故障进行有效识别诊断的目的,验证了方法的实用和有效性。     

基于声振联合特征熵的断路器故障诊断方法

针对断路器机械故障复杂、诊断困难的现状,提出了一种基于声振联合分析的断路器故障诊断方法。利用小波包和特征熵理论对采集到的振动和声音信号进行分解和特征提取,故障状态与正常状态之间的差异由特征熵矩阵之间的偏差来反映。将形成的特征熵矩阵作为支持向量机的输入特征向量,对断路器的卡涩和螺丝松动故障进行了分类识别,并与传统的单一信号故障诊断方法进行了比较。结果表明:以声振联合特征熵矩阵作为输入的支持向量机,在分类的效果上明显优于单信号,更适合在断路器故障识别中应用。     

基于改进EMD频率族分离法的齿轮磨损故障诊断

针对齿轮磨损故障信号非平稳性的特点,提出一种基于改进经验模态分解(EMD)频率族分离的齿轮磨损故障诊断方法。该方法采用改进经验模态分解方法将齿轮磨损振动信号分解成若干阶表征齿轮自身信息的固有模态函数(IMF),各阶IMF对应齿轮箱振动信号的各个频率族,通过对各频率族分量的分析来提取齿轮磨损振动信号的故障特征。仿真分析表明该方法能有效应用于齿轮故障分析,试验研究证明了基于改进EMD的频率族分离法能够有效地提取齿轮磨损故障特征信息。     

基于K-L变换和支持向量机的滚动轴承故障模式的识别

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征,采用K-L变换对其提取状态主特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明,K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径。     

线性自适应小波理论的齿轮箱故障诊断方法

针对早期齿轮箱故障信息淹没在背景组分中的问题,提出了基于线性自适应小波理论的齿轮箱故障诊断方法.该方法基于希尔伯特变换(HT)和自适应小波变换(AWT),能从低频的调制振动信号中区分并识别不同程度的裂纹故障.首先用希尔伯特变换提取调制振动信号的包络值以显示调制频率.然后利用自适应小波变换来处理由希尔伯特变换得到的调制信号,其中在自适应小波处理希尔伯特变换后的调制信号的过程中利用粒子群算法(PSO)对过程参数进行优化.实验结果表明该自适应小波变换能通过过程优化小波找到匹配振动信号的啮合频率及其谐波、耦合频率、载波频率及其边频带,能够从调制信号中提取出特征参数,且具有较高的分辨率.     

基于EMD和SVM的数控机床主轴故障诊断

针对数控机床的主轴故障,将经验模态分解（EMD）方法和支持向量机（SVM）相结合,用于故障诊断。采用EMD将信号分解成具有不同特征尺度的本征式分量IMF,分析各IMF,通过求取均方根值提取各特征向量,然后将各特征向量输入支持向量机,建立故障分类器进行状态识别。实验结果表明,预测结果完全正确,该方法有效。     

EMD和SVM在刀具故障诊断中的应用

与传统方法相比,声发射传感器在刀具故障诊断方面有很大的优势。将声发射传感器应用于刀具切削过程中,提出了基于经验模态分解(EMD)和支持向量机(SVM)的刀具故障诊断方法。该方法首先对标准化的声发射信号进行经验模态分解,将分解后的有限个固有模态函数(IMF)通过一定的削减算法增强故障类型特征,把每个IMF和残余项的能量以及整个信号的削减比作为特征向量,最后将特征向量输入支持向量机进行训练和测试,判断刀具的故障类型。通过对某一刀具的故障诊断结果进行分析,验证了该方法的实用性和有效性。     

基于EMD和SVM的传感器故障诊断方法

为了解决自确认压力传感器的故障诊断问题,提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数(IMF),对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型.通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中.     

基于K-L变换和支持向量机的

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量，而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征，采用K-L变换对其提取状态主特征向量，然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明，K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式，为轴承故障诊断向智能化发展提供了新的途径。