基于变分模态分解的风电齿轮箱轴承故障诊断方法

双馈异步风力发电机采用变转速变桨距的控制策略以保持风力最大功率捕获,风电齿轮箱时刻处于变速变载的恶劣工况,其关键部件极易受到损伤.针对齿轮箱轴承故障特征易受到风机变工况干扰的问题,提出了一种变分模态分解与瑞利熵相结合的特征分析方法,实现对风电齿轮箱高速轴轴承健康状态系数的估计.本文以双馈异步风机齿轮箱高速轴轴承作为研究...     

变分模态分解在轴承故障诊断中的应用

通过构造仿真信号,对比分析了VMD与EMD算法在分解过程中存在的模态混叠、伪分量、端点效应等问题,并将VMD算法与谱峭度相结合用于滚动轴承故障信号的分解与重构,通过包络谱分析进行故障判别,结果表明:VMD算法能实现信号频域内各分量的自适应剖分,在分解性能上优于EMD算法,能更好地刻画故障信号的包络谱特征。     

变分模态分解与神经网络结合的轴承故障诊断

故障信号特征提取的准确性是保证故障智能诊断识别率的关键因素。低信噪比情况下,故障诊断效果下降。变分模态分解方法(VMD)在信号分解精度和抗噪方面具有明显优势。在分析VMD抗噪性能的基础上,提出以VMD分解的各模态能量作为智能诊断特征信息,并与小波包的特征信息进行对比研究。将滚动轴承两种故障特征信息通过BP神经网络识别,用不同信噪比的加噪故障信号进行测试,结果表明,在低信噪比情况下基于VMD模态能量的故障特征更具有可识别性。     

基于FOA的变分模态分解在轴承故障诊断中的应用

变分模态分解(VMD)广泛应用于故障诊断中,从振动信号中提取故障特征是故障诊断过程中的关键部分。针对强背景噪声和脉冲干扰下滚动轴承早期故障特征难以提取的问题,提出了一种新的基于果蝇优化算法(FOA)的变分模态分解的轴承故障诊断方法。首先,利用果蝇优化算法自适应优化VMD的惩罚参数α和分解数K,获取最优参数组合;然后,对信号进行VMD分解,得到K个模态分量;最后,基于峭度最大化准则选取最优模态分量进行包络解调分析,提取出故障特征频率。通过仿真信号分析、实际故障轴承信号验证以及与基于果蝇优化算法的多分辨奇异值分解(MRSVD)方法进行对比,证明了所提方法的有效性。     

基于变分模态分解和奇异值差分谱的轴承故障诊断方法

为有效地提取出轴承故障的特征频率,提出了基于变分模态分解(VMD)和奇异值差分谱(SVDS)相结合的轴承故障诊断方法.该方法主要有三个步骤,一是通过VMD对轴承故障信息进行分解,并得到若干个不同频段的分量信号;二是选取有效的分量信号构建Hankel矩阵,并对该矩阵进行奇异值分解,由此得到SVDS曲线;三是通过SVDS曲...     

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。     

基于参数优化变分模态分解的变速工况下轴承故障诊断

针对旋转机械运行过程中轴承转速变动,微弱故障特征不易提取等问题,提出一种基于阶次跟踪和参数优化变分模态分解的特征提取方法。通过阶次跟踪将非平稳时域信号转化为平稳的角域信号,以核互信息为适应度函数,采用变异麻雀算法搜索变分模态分解的最优参数,最后根据模态分量的多尺度样本熵对轴承故障进行分类。仿真和试验结果表明,该方法在变转速滚动轴承故障信号中能有效提取微弱故障特征,实现轴承故障的动态诊断。     

基于变分模态分解互近似熵和相关向量机的轴承故障诊断

针对轴承故障振动信号非线性、非平稳性的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)互近似熵(Cross Approximate Entropy)和相关向量机(Relevance Vector Machine,RVM)的轴承故障诊断方法。该方法首先利用VMD将信号分解成不同尺度下的本征模态分量(Intrinsic Mode Function,IMF);然后,选取主要IMF进行互近似熵计算并将其组成故障特征向量;最后,采用RVM作为分类器,将故障特征输入其中进行故障诊断。将该方法应用到实际的轴承故障信号中,分析结果表明该方法是有效的,在轴承故障诊断中具有一定优势。     

基于变分模态分解近似熵和支持向量机的轴承故障诊断方法

针对滚动轴承振动信号的非平稳特征,以及现实中难以获得大量典型故障样本的情况,提出了一种基于变分模态分解的近似熵和支持向量机的故障诊断方法。首先,通过VMD将原始振动信号分解为若干个频率尺度的本征模态分量;然后,计算各个IMF分量的近似熵并组成特征向量;最后,将上述特征向量输入支持向量机进行训练,并判断轴承的工作状态和故障类型。分析结果表明:与EMD及LMD相比,VMD近似熵与支持向量机相结合后,诊断精度得到了较大的提高,更适用于轴承故障的自动化诊断。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断.为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)...     

基于变分模态分解和极限学习机轴承寿命预测

提出了一种基于变分模态分解(VariationalModeDecomposition,VMD)谱熵和极限学习机(ExtremeLearningMachine,ELM)的轴承寿命预测方法。首先,对轴承的振动信号提取变分模态分解谱熵特征,组成表征轴承健康因子的时间序列。其次,对健康因子时间序列进行变分模态分解并提取时间序列的趋势项,ELM对趋势项预测实现对轴承剩余寿命的预测。实例验证,VMD-ELM模型的对轴承健康因子时间序列的预测有良好的精度,准确预测了轴承的劣化趋势和轴承的剩余寿命。     

基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断

为充分提取非线性、非平稳的轴承故障信号特征信息,进而提高轴承故障诊断精度,提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先,使用VMD将轴承故障振动信号分解为了多个模态分量,通过评估原信号与模态分量信号的互相关程度,筛选了其有效模态,并对其进行了信号重构,实现了故障信号的降噪处理目的;然后,使用精细复合均值化代替了传统粗粒化方法,利用RCMMDE方法提取了重构信号的多尺度熵值,构成了特征样本集;最后,通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优,构建了最优的故障检测模型,并将特征样本集输入到WOA-SVM模型中进行了轴承故障诊断,并通过实验评估验证了模型的有效性。研究结果表明：该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上,并具有很强的鲁棒性。     

基于变分模态分解的风机滚动轴承早期故障诊断

针对海上风电机组滚动轴承故障多且早期故障特征难以提取的问题,提出了一种基于变分模态分解的滚动轴承故障诊断方法。从频率方面研究了模态分量个数对信号特征信息的影响,提出故障特征信息提取时确定分解个数的一般原则,据此确定滚动轴承早期故障振动信号的分解个数并得到若干模态分量,从中筛选出最佳模态分量进行包络解调分析,最终通过对比包络谱特征频率对滚动轴承进行早期故障诊断。     

基于自适应优化变分模态分解的起重机故障诊断

变分模态分解方法是近年来常用于起重机声发射信号故障识别的一种信号处理技术。然而,变分模态分解参数即模数k和二次惩罚因子α的选择仍具挑战,即如何获得最相关、包含降噪后的故障信息合适的分解模态。因此,文中提出了一种以旗鱼优化算法和基尼系数为准则的框架,对每个故障信号自适应地选择最优的变分模态分解参数。利用实际工程中起重机重要部件采集的声发射信号对所提方法的有效性进行验证,并根据最大基尼系数自动提取了包含故障信息的最合适模式。结果表明,与传统的局部均值分解和集成经验模态分解相比,所提方法在提取故障特征和排除噪声影响方面具有较高的精度和效率。     

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。     

基于经验模态分解的轴承故障诊断

简要介绍了轴承故障诊断的基本方法,通过对比共振解调法和经验模态分解法,证明了经验模态分解是一种适用于分析非线性、非平稳信号的方法.同时,通过实际例子验证了该方法可以用于有效地发现轴承故障,从而提高了诊断的准确性.     

基于MED和变分模态分解的滚动轴承早期故障诊断方法

针对滚动轴承早期微弱故障特征容易淹没于环境噪声中而难以提取的问题,提出了最小熵解卷积(MED)降噪和变分模态分解(VMD)相结合的滚动轴承早期故障诊断方法。首先以峭度最大为准则利用MED对轴承振动信号进行降噪处理,然后采用新的高精度多分量信号分解方法——VMD将降噪信号分解为若干个分量,最后通过分析最大峭度分量包络谱中故障频率成分诊断轴承故障。轴承实验分析结果表明了该方法的有效性。     

基于变分模态分解和多尺度排列熵的故障诊断

为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量化各模态分量的故障特征,取各模态分量多尺度排列熵的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类中心,采用欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据,通过分类系数与平均模糊熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比,结果表明,所提方法具有更好的分类性能,其故障诊断精度更高。     

基于变分模态分解和广义Warblet变换的齿轮故障诊断

变分模态分解(Variational mode decomposition,VMD)作为一种新的信号处理方法,摆脱了传统自适应分解方法中的模态混叠、边界效应等缺陷,具有抗噪鲁棒性强、分解效率高等优点。广义Warblet变换(Generalized warblet transform,GWT)是一种新型参数化的信号时频分析方法,适合分析单分量瞬时频率呈周期或非周期变化的非平稳信号。融合VMD多模态信号分解优势以及广义Warblet解调性能,提出了一种基于VMD和GWT变换的齿轮故障诊断新方法,并通过实验分析验证了该方法的有效性。     

基于变分模态分解和相关峭度的齿轮箱混合故障诊断

针对齿轮箱混合故障信号非线性、非平稳、噪声成分多以及多故障信号相互干扰的特点,提出了基于变分模态分解和相关峭度的齿轮箱混合故障诊断方法。利用变分模态分解能够有效地将信号分解为若干个具有紧致性模态分量的特点,对混合故障信号进行分解处理,将包含不同故障的模态分量分离出来;然后,根据相关峭度能够识别不同周期的冲击性信号的特点,利用最大相关峭度原则提取出包含不同故障的模态分量;最后,对这些模态分量进行包络分析,实现混合故障诊断的目的。通过实验信号的分析验证,证明了所提方法应用在混合故障诊断中的有效性。另外,分析了模态分量个数变化对方法结果的影响,为后续研究提供了经验性的结论。