基于自适应局部迭代滤波和模糊C均值聚类的滚动轴承故障诊断方法

为准确提取滚动轴承振动信号的故障特征,并对不同状态信号进行划分,提出了一种基于自适应局部迭代滤波(ALIF)和模糊C均值(KFCM)聚类的滚动轴承故障诊断方法.首先,将多模态信号自适应分解为多阶单一模态分量;然后,结合相关系数提取出含有最多故障特征信息的最优分量,计算其近似熵值并构建特征向量矩阵;最后,将得到的特征向量...     

基于改进自适应局部迭代滤波的谐波检测方法研究

针对大量非线性负荷及电力电子设备广泛应用导致的电力系统谐波成份非平稳性和复杂性日益突出,难以识别和检测的问题,在引入自适应局部迭代滤波算法的基础上,提出了基于改进自适应迭代滤波与希尔伯特变换的谐波检测方法。改进自适应迭代滤波算法利用Fokker-Planck方程构建滤波函数,经滤波筛选获取具有平稳特征的本征模态分量,具有坚实的数学基础,且能够有效地避免经验模态分解算法存在的模态混叠问题。首先利用改进自适应迭代滤波算法分解得到周期分量,对各分量进行Hilbert变换,提取包括频率、幅值、相位在内的谐波特征参数。测试信号及实测数据分析结果证明了所用方法的有效性,与经验模态分解的对比结果充分验证了本方法在电力系统谐波检测中的强适应性。     

基于自适应模糊神经网络的噪声抵消器

讨论了基于自适应模糊神经网络的噪声抵消器的设计方法。自适应模糊神经网络系统具有非线性映射和自学习能力，能够用于噪声信号的非线性建模。它不仅能够获取信号的最佳估计，并互能够克服信号处理中存在的模型和噪声的不确定性、不完备性。该法设计的滤波器效果良好，并可以用于多路信号和复杂信号的噪声消除。     

基于熵理论的齿轮强度的模糊可靠性设计

针对模糊可靠性设计中隶属函数特征值确定困难的问题,引入熵理论,可以在不完全依靠经验的前提下,对齿轮可靠性的模糊程度进行数值计算,定量地描述隶属函数特征值与可靠性的关系,给出了应用示例,为机械模糊可靠性设计提供了新方法。     

基于核特征模糊聚类及模糊关联熵的齿轮故障模式识别

针对常用数据模糊聚类算法存在缺乏先验知识、对初始值敏感、随机性明显以及高维数据处理效果较差等缺陷,提出了基于核特征模糊聚类及模糊关联熵的故障识别方法,并建立了相关模型。首先提出了核主元熵概念,并采取KPCA降维以减少运算量,基于核密度估计和第一核主元熵最大原理寻求最佳分类数和初始聚类中心,以提高模糊聚类效果;然后引入模糊关联熵系数实现学习模糊集和待识别模糊集相似程度的有效度量,建立了基于数据集中微观算子而形成的全局性故障相似性判别规则。在齿轮故障实验台架上的测试结果显示该方法可显著提高故障数据的聚类效果,具有快速识别故障模糊模式的显著作用。     

基于CEEMDAN能量熵的齿轮状态识别

集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)存在着辅助白噪声难以消除和容易产生虚假模式的缺陷。针对EEMD方法在齿轮箱故障信号处理中的不足,将自适应噪声完备集合经验模式分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)应用于齿轮故障信号分析,提出了基于CEEMDAN能量熵的齿轮状态识别方法。该方法首先利用CEEMDAN分解齿轮振动信号,然后计算振动信号分解结果的能量熵,将能量熵作为特征参数来区分不同的齿轮运行状态。将该方法用于区分正常、轻度刮伤和中度刮伤齿轮运行状态,并与基于EMDEEMD能量熵的方法进行了对比。结果表明,该方法可以有效地区分相近的齿轮运行状态,与其他几种方法相比具有明显的优势。     

利用增强多尺度模糊熵的齿轮故障诊断方法

为克服多尺度模糊熵(MFE)在刻画齿轮故障信息时存在的不足,对其进行改进,提出增强多尺度模糊熵(EMFE)的概念,并由此提出基于EMFE的齿轮故障诊断新方法.相比于MFE,EMFE的序列粗粒化过程不存在信息泄露,并且能够保证熵值计算的稳定性,能够更为准确的对信号包含的信息进行刻画.齿轮故障诊断实例结果表明,以EMFE作为故障特征输入支持向量机(SVM)中进行故障诊断,可以有效提高故障诊断的精度.     

变速器齿轮故障特征模糊熵提取方法研究

针对样本熵相似性度量函数的突变问题,提出了一种变速器齿轮故障特征模糊熵提取方法。模糊熵通过引入模糊隶属度函数代替样本熵中的硬阈值判据,可以减小模糊熵对参数的敏感度和依赖性。利用模糊熵作为变速器齿轮故障的特征值进行提取包括变速器齿轮正常、齿面轻度磨损、齿面中度磨损和断齿等4种工况的振动信号,依据不同的故障对应不同的模糊熵分布,对各种故障状态进行分类。变速器齿轮故障识别的实例验证了模糊熵较样本熵具有较好的故障分类能力。     

参数自适应选择的局部投影滤波算法研究

针对常规局部投影滤波算法中对邻域半径及噪声子空间维数的选取问题,提出了一种参数自适应选择的局部投影改进算法。利用相点与其近邻点形成的空间矢量方向随邻域半径的变化趋势,自适应地选取最优邻域半径;并采用MInka Beyasian模型选择(MInka Beyasian Selection,MI-BS)准则确定该邻域内噪声空间维数的大小。对Henon映射序列及实际采集的碰摩转子振动信号序列进行的仿真实验结果说明,该自适应滤波算法能够更精确地识别出噪声中的混沌数据,从而具有更强的混沌信号恢复及非线性降噪能力。     

基于迭代自适应多尺度形态滤波的滚动轴承故障诊断

针对工业现场强噪声背景下振动信号特征信息提取困难和单尺度形态滤波时尺度选择的盲目性和随意性的问题,基于自适应多尺度形态分析(AMMA)的思想提出了一种迭代自适应多尺度形态分析(IAMMA)的滤波方法。该方法对振动信号进行多尺度形态差值迭代运算,每次采用的结构元素尺度逐渐增大,然后求多次滤波结果的平均值,达到滤除噪声成分的目的。对仿真信号和滚动轴承故障信号进行分析,结果表明,IAMMA较AMMA能够选取更为合适的结构元素尺度,提取更多的故障特征信息,滤波效果更佳,与Hilbert包络解调方法相比处理过程更加简捷,从而为轴承的故障诊断提供了一种有效的方法。     

基于EEMD、模糊熵和SVM的齿轮故障诊断方法

齿轮故障信号具有不平稳特性,故障信号特征向量难提取,典型的齿轮故障数据样本少。针对这些问题,提出基于总体平均经验模式分解(EEMD)、模糊熵和支持向量机(SVM)相结合的诊断方法。首先通过传感器采集得到加速度信号,然后,通过EEMD降低模态混叠,并将加速度信号分解成多个稳定的本征模态函数信号(IMFs)。其次,利用模糊熵能够表现信号复杂程度并且稳定的性质,取多个稳定IMFs的前几项计算模糊熵。因为SVM能够在小样本集情况下建立决策规则,所以将IMFs的前几项模糊熵值作为特征向量输入SVM训练。最后,SVM算法与常用神经网络比较,对样本训练、测试并诊断故障,说明SVM算法优于神经网络。齿轮故障诊断实验结果表明,所提出的方法诊断准确率达92.5%,可实现齿轮故障信息提取和齿轮故障的有效诊断。     

ELMD熵特征融合与PSO-SVM在齿轮故障诊断中的应用

提出基于ELMD熵特征融合与PSO-SVM的齿轮故障诊断方法。该方法首先对原始信号进行总体局部均值分解(Ensemble local mean decomposition,ELMD),得到若干乘积函数(PF);其次,对ELMD分解得到的前5个PF分量进行求取能量熵和近似熵,并利用KPCA对其进行特征融合;然后,选取部分融合特征作为训练样本,其余作为测试样本;最后,利用PSO优化的支持向量机对融合特征样本进行训练与测试。实验中,将单特征和融合特征分别进行SVM和PSO-SVM识别精度的对比。实验结果证明,所提方法可有效地应用在齿轮故障诊断中。     

自适应滤波技术在车辆变速箱故障诊断中的应用

采用振动测量方法进行齿轮箱故障诊断是一种有效的技术手段,但是在进行随车监测时测量信号会受到车辆其它部件振动噪声的干扰。通过对装甲车辆变速箱齿轮断裂故障进行实车模拟试验,同步测量了变速箱体振动信号和发动机振动信号,利用自适应滤波技术滤除了混杂在变速箱体振动信号中的发动机振动干扰,对变速箱体振动信号进行了时、频域分析和调制解调分析。通过Hilbert变换和包络谱分析方法提取了振动信号频率特征,实现了对变速箱齿轮断裂故障的诊断。     

VPMCD和模糊熵在转子系统故障诊断中的应用

针对转子系统的故障特征,提出了基于多变量预测模型（variable predictive mode based class discriminate,简称VPMCD）和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数（intrinsic mode function,简称IMF）分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。     

自适应匹配追踪算法在齿轮故障特征提取的应用

为了提高齿轮故障信号特征提取时处理稀疏性差信号的能力,设计了一种应用稀疏度自适应匹配追踪(SAMP)算法对齿轮故障信号进行处理方法.通过对仿真的齿轮故障信号数学模型和齿轮出现点蚀时的实验数据分析表明:经过SAMP处理后齿轮啮合频率以及半频和转频更加明显,边频带也更加突出,干扰成分降到最低.证明SAMP算法能够提取主要齿...     

局部积分双谱及其在齿轮故障诊断中的应用

提出了一种局部积分双谱分析方法,探讨了局部积分双谱抑制噪声的能力,利用局部积分双谱分析了正常齿轮和早期剥落齿轮振动信号。局部积分双谱可以分析出齿轮故障的调制现象,结果显示,局部积分双谱与传统的双谱切片相比能较全面地反映双谱信息,是处理齿轮故障调制现象的有力工具。     

基于ALE的自适应滤波在轴承故障诊断中的应用

提出了一种基于谱线增强的变步长自适应滤波方法,从滚动轴承的振动信号中分离出故障冲击信号,便于包络分析获取故障特征频率.介绍了该方法的原理及算法实现,并对未知高频固有振动的滚动轴承进行了故障诊断,效果明显优于传统带通滤波方法.     

局部特征尺度分解方法及其在齿轮故障诊断中的应用

在定义瞬时频率具有物理意义的单分量信号——内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出一种新的自适应信号分解方法——局部特征尺度分解(Local characteristic-scale decomposition,LCD)。LCD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的ISC分量之和,非常适合于处理多分量的调幅—调频信号。当齿轮发生故障时,其振动信号一般为多分量的调幅—调频信号,因此局部特征尺度分解方法可以有效地应用于齿轮故障诊断。对LCD和经验模态分解(Empirical mode decomposition,EMD)、局部均值分解(Local mean decomposition,LMD)方法进行对比,结果表明了LCD方法的优越性。同时,针对齿轮故障振动信号的调制特征,将LCD方法和包络分析法相结合应用于齿轮故障诊断,对实际的齿轮故障振动信号进行分析,结果表明LCD方法可以有效地应用于齿轮故障诊断。     

基于局部特征尺度分解和数学形态滤波的齿轮故障诊断方法研究

为了实现齿轮故障的精确诊断,针对齿轮早期故障振动信号非线性、非平稳且信噪比低的特点,提出了一种基于局部特征尺度分解(LCD)和数学形态滤波的齿轮故障诊断方法。首先,对齿轮振动信号进行局部特征尺度分解,得到若干内禀尺度分量(ISC);然后,依据峭度准则,选取峭度最大的ISC作为故障特征分量,再运用形态差值滤波器对其进行滤波;最后,对滤波结果求取频谱并进行故障诊断。通过对仿真结果和实验数据的分析,说明了该方法的可行性和有效性。结果表明,该方法具有抑制噪声和提取故障冲击特征的能力,能够有效地实现齿轮故障的精确诊断。