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。     

特征选择与t-SNE结合的滚动轴承故障诊断

为准确识别滚动轴承当前故障状态,提出一种集合经验模态分解（EEMD）、特征选择与t-分布邻域嵌入（t-SNE）的诊断方法。采用EEMD分解故障信号获得若干本征模态函数（IMF）,采用峭度准则筛选有效IMF分量并重构;求出重构信号的高维时、频域特征矩阵并对其归一化,采用t-SNE算法获得对故障状态更敏感的低维特征矩阵;将特征矩阵输入粒子群优化的最小二乘支持向量机（LSSVM）中,实现轴承的故障识别与诊断。采用实验分析并对比几种典型的降维法,证明了t-SNE的优越性,所提方法可以实现故障状态的100%识别,验证了该方法的有效性。     

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k值优化VMD的滚动轴承故障诊断方法

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了一种基于能量的变分模式分解(variational mode decomposition,简称VMD)模态数k优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足。首先,对振动信号进行VMD预分解,分别在不同k值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数k选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率。将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有一定的应用价值和实际意义。     

基于DS⁃VMD及相关峭度的滚动轴承故障诊断

为了自适应确定变分模态分解(variational mode decomposition,简称VMD)的有关参数,减少轴承振动信号处理过程中对先验知识的依赖,提出了一种基于微分搜索(differential search,简称DS)的VMD参数自适应寻优算法,结合相关峭度指标实现轴承故障特征自适应提取。首先,采用DS算法对VMD的相关参数进行自适应寻优,并对信号进行VMD;其次,计算各本征模态函数(intrinsic mode functions,简称IMF)的相关峭度值,并利用该指标对各分量进行加权重构;然后,对重构信号进行包络谱分析以提取轴承故障特征;最后,将所提出方法与通过经验模态分解(empirical mode decomposition,简称EMD)方法及人为确定参数的传统VMD进行对比。仿真信号和实验数据分析表明:DS算法可有效确定VMD相关参数组合,且所提出方法可以更加准确、有效地识别出滚动轴承故障特征频率;与快速峭度图方法对比,所提出方法依然可以获得更好的结果。     

基于VMD和对称差分能量算子解调的滚动轴承故障诊断方法

针对滚动轴承早期故障振动信号非平稳、强噪声,故障频率难提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和对称差分能量算子解调的滚动轴承故障诊断方法。首先,利用VMD方法将滚动轴承待分析信号分解成若干个模态分量;其次,根据峭度最大准则来选取被对称差分能量算子解调的模态分量,解调后获取待分析信号的幅值、频率信息并计算包络谱。实验结果表明:与传统能量算子相比,所提方法能突显故障特征频率并有效抑制虚假干扰频率,更有利于滚动轴承故障诊断。     

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,...     

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VMD-GST和AMCNN相结合的滚动轴承故障诊断方法

针对传统滚动轴承故障诊断方法故障特征提取困难、诊断准确率低等问题,提出了一种变分模态分解(VMD)、广义S变换(GST)和注意力卷积神经网络(AMCNN)相结合的智能诊断方法。首先,基于VMD算法分解振动信号,以互信息指标筛选真实分量并进行重构,通过GST将重构信号转化为时频图;然后,以得到的二维特征图像为输入,通过AMCNN自适应学习其时频特征;最后,通过分类器输出滚动轴承的故障诊断结果。以NJ208EM圆柱滚子轴承为例进行试验验证,结果表明：VMD-GST方法能有效提取故障特征,AMCNN模型具有更强的特征提取能力和识别能力,平均故障识别准确率达到99.76%,优于其他方法。     

基于变分模态分解与随机森林的滚动轴承故障诊断CSCD

滚动轴承是常见机械设备的重要部件,其是否能正常运作,直接关联到设备生产的安全性以及效率的高低,因此,能够及时、准确地识别滚动轴承工作状态,显得至关重要。提出了一种阈值法确定变分模态分解中分解个数,该方法使得分解个数的确定更科学合理,同时提出基于变分模态分解和随机森林相结合的滚动轴承故障诊断方法,该方法利用变分模态分解方法将滚动轴承振动信号分解成若干个固有模态函数,轴承发生不同故障时,不同的固有模态函数内的统计特征和频带能量会发生变化,从不同的固有模态函数中计算出其对应的均值、变异系数与能量熵等特征值,最后分别采用支持向量机和随机森林算法实现判断滚动轴承信号类型。结果表明,利用变分模态分解和随机森林相结合算法具有更高的识别精度,可以有效识别滚动轴承的故障类型。     

基于参数优化VMD和改进DBN的滚动轴承故障诊断方法研究

针对滚动轴承早期微弱故障难以检测和故障诊断率不高的问题,提出了一种基于参数优化的变分模态分解(VMD)和改进的深度置信网络(DBN)的故障诊断方法。首先,为了消除人为选择VMD参数的影响,采用了鲸群算法(WOA)寻优VMD算法的最佳模态分解个数和惩罚因子的参数组合;然后,利用参数优化后的VMD算法分解了滚动轴承振动信号,分解后的本征模态分量(IMF)求频谱后组成了高维数据集;最后,直接输入麻雀搜索算法(SSA)优化的深度置信网络进行了模式识别。研究结果表明:针对滚动轴承的故障,相同模式识别方法VMD算法故障识别率为97.4%,相比于EMD算法96.5%的故障识别率更高;相同信号处理方法下,DBN网络故障诊断率为98.7%,相比于SVM算法97.4%故障诊断率更高;WOA-VMD-SSA-DBN算法的故障诊断率达到了100%,故障诊断的效果得到了进一步提升。     

基于AVMD和二阶FWEO的滚动轴承故障诊断

针对滚动轴承振动信号中常包含有谐波、高斯白噪声和非周期性瞬态冲击成分,导致故障特征提取困难的问题,提出一种基于自适应的变分模态分解（adaptive variational mode decomposition,简称AVMD）和二阶频率加权能量算子（second-order frequency weighted energy operator,简称SFWEO）的滚动轴承故障诊断方法。首先,根据不同的信号自适应地确定模式数和惩罚因子,利用参数优化的变分模态分解（variational mode decomposition,简称VMD）对原始信号进行分解,得到多个本征模式函数（instrinsic mode function,简称IMF）;其次,计算每个IMF的时频加权峭度,根据时频加权峭度最大化准则选择最佳IMF;最后,采用二阶频率加权能量算子对最佳IMF进行解调。仿真和试验结果表明,所提方法克服了传统VMD算法分解精度受参数影响较大导致信号出现过分解或欠分解的问题,同时二阶频率加权能量算子对信号中的干扰成分具有很好的抑制作用,有效提高了诊断正确率。     

基于HMM和CS-VMD的滚动轴承故障诊断

针对滚动轴承故障信号非线性和非平稳的特点,为准确识别滚动轴承的故障类型,提出了一种基于隐马尔可夫模型(HMM)并利用布谷鸟搜索(CS)优化变分模态分解(VMD)的滚动轴承故障诊断新方法。首先,利用CS分别优化VMD的模态分解个数K和二次惩罚因子α;然后,设置寻优得到的最佳参数组合,将故障信号经VMD分解为一系列本征模态函数分量(IMFs);最后,依据相关系数重构信号,并从重构信号中提取特征向量输入HMM模型中训练及识别。通过对实验采集的轴承故障振动信号的分析,验证了此方法的有效性和准确性。     

基于VMD-VGG的滚动轴承故障诊断

针对滚动轴承信号重构误差大,信号来源复杂等问题,提出了变分模态分解(VMD)算法与VGG神经网络相结合的滚动轴承故障诊断方法。首先,为避免VMD在工程应用中人为参数设置不合理导致的模态混叠等现象,提出应用中心频率计算分离系数,选取最佳模态个数的策略;然后,对VMD分解后各模态分量的能量熵与频率峰值等进行数值分析,剔除能量熵较小的信号,并将各模态信号依据频率峰值进行重构,得到故障特征向量;最后,构建VGG故障诊断模型,实现滚动轴承的故障分类。轴承振动信号与电动机定子电流信号对所提方法的验证结果表明,VMD-VGG方法可以有效分解这2种故障信号,而且具有较高的故障识别精度。     

EEMD熵特征和t-SNE相结合的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳非线性特性,提出了一种采用集合经验模态分解（EEMD）熵特征提取、t-分布邻域嵌入（t-SNE）和粒子群优化-概率神经网络（PSO-PNN）的滚动轴承故障诊断方法。首先,对振动信号应用EEMD算法实现分解,生成多个固有模态函数（IMFs）,对生成的含有主要故障信息的模态分量进行选择,以进一步实现熵特征提取,然后对高维特征数据应用t-SNE算法进行降维,最后利用PSO-PNN分类器进行故障识别。通过案例1和案例2的分析结果表明：该方法对滚动轴承故障识别率均达到100%,具有较高的故障识别率,能对滚动轴承的故障类型有效的识别。     

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。     

基于自适应RCGmvMFE和流行学习的滚动轴承故障诊断

多尺度模糊熵能够较好的量化振动信号的复杂程度,但缺乏对其他信道信息的有效利用,为了充分利用其他信道的振动信息,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中.为了准确提取轴承信号中的故障特征,提出了基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode ...     

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。