基于EEMD与SVM的滚动轴承故障诊断分析

针对滚动轴承故障振动信号的非平稳与非线性的特点,提出一种基于集合经验模态分解(EEMD)指标能量的滚动轴承故障诊断分析方法。首先利用集合经验模态分解对滚动轴承故障振动信号进行降噪处理,提取故障振动信号能量特征,在此基础上构建相应的故障特征向量;然后通过SVM对滚动轴承故障进行分类,从而实现了对滚动轴承不同故障的有效诊断。     

基于集合经验模态分解和支持向量机的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳特征及强噪声特性,提出了一种基于集合经验模态分解和支持向量机的滚动轴承故障诊断方法。该方法首先对原始信号进行集合经验模态分解,将其分解为若干个固有模态分量,利用固有模态分量构造初始特征向量矩阵,然后对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱作为特征向量,送入支持向量机训练、识别。分析结果表明,与经验模态分解相比,集合经验模态分解能有效解决模态混叠问题,从而准确、有效地提取滚动轴承的故障特征。     

基于形态非抽样小波分解的滚动轴承故障特征提取

针对滚动轴承故障特征信息往往被强背景噪声淹没的问题,提出采用基于多尺度差值形态滤波的形态非抽样小波分解方法提取故障特征.形态非抽样小波分解具有形态学的形态滤波特性与小波分解的多分辨率特性,通过非抽样方式对信号进行分解,克服了传统形态小波分解信息丢失的问题.结合差值形态滤波能够提取信号冲击成分的特点,构造了一种基于多尺度差值形态滤波的形态非抽样小波分解方法,并将其应用于滚动轴承故障特征的提取.仿真与实例证明,该方法可有效提取信号中的故障特征,比传统小波包分解效果更好.形态非抽样小波分解算法只包含加减和极大、极小运算,具有计算简单、快速等优点,适用于滚动轴承的在线监测与故障诊断.     

基于最小熵反褶积与HHT方法的滚动轴承故障特征提取

滚动轴承作为旋转机械的重要支撑部件,对其进行早期故障诊断能提高机械运转的安全性。滚动轴承在故障早期故障信号极其微弱,并夹杂强噪声,采用希尔伯特-黄变换(HHT)分析故障噪声过程中,其分解得到的前几个本征模态函数中会出现端点效应,不利于故障部位的精准定位。本文采用最小熵反褶积方法提取冲击性较大的有效信号成分,提高信号的信噪比,实现滚动轴承故障特征的有效提取。实验结果表明MED能有效的提取滚动轴承故障早期信号的冲击成分,充分抑制了EMD分解带来的端点效应,提高了滚动轴承故障诊断的精度。     

基于ReliefF和DBN的齿轮箱故障模式识别方法研究

考虑到齿轮箱中齿轮和轴承等零部件振动信号故障特征难以提取,故障模式无法准确识别的问题,提出了一种将齿轮箱振动信号特征利用Relief F算法进行降维,然后利用深度置信网络进行模式识别的分类方法。首先采用变分模态分解算法对齿轮箱振动信号进行预处理,将信号分解成多个包含故障特征的IMF分量;计算每个IMF分量的时域及能量熵特征,运用Relief F算法选取其中的敏感特征以降低原始特征维度;将敏感特征向量输入到深度置信网络中,实现故障类型的模式识别。实验结果表明,使用降维后的特征向量比使用降维前的特征向量,识别准确率更高。     

基于提升小波包变换的滚动轴承包络分析诊断方法

提出了一种基于提升小波包变换提取滚动轴承损伤特征的方法.在提升模式的框架下,根据小波包变换的思想,对细节信号进一步采用提升模式进行分解,实现了提升小波包变换.为了有效地获取滚动轴承的损伤特征,选择合适的小波包基函数,把振动信号按给定的尺度分解,以该尺度信号能量最大的小波包信号分解频带作为最佳小波包,再用解调分析法提取特征频率.并采用仿真和实验信号对该方法进行了验证.采用该方法对无损伤和含有损伤的滚动轴承进行分析,取得了较好的诊断效果.     

基于变分模态分解和复杂度分析的水电机组振动信号特征提取

目前大型水电机组通常安装有状态监测系统可记录机组的振动数据,而如何从海量的数据中提取出机组的故障特征是水电机组故障诊断的难点和热点。提出了一种基于变分模态分解和复杂度分析的振动信号特征提取方法,该方法首先对降噪后的振动信号进行变分模态分解,再结合复杂度算法求得各模态分量的复杂度值,得到以各模态分量复杂度值为元素的反映机组故障信息的特征向量,最后利用支持向量机对特征向量进行分类。试验结果表明:基于变分模态分解与复杂度分析的特征提取方法对水电机组不同运行状态具有较好的区分度,是一种有效的振动信号特征提取方法。     

基于小波分析和BP神经网络的滚动轴承的故障诊断

提出了一种基于小波分析和BP神经网络的滚动轴承故障诊断方法，首先采用小波包对滚动轴承振动信号进行分解与重构，然后提取重构后振动信号的峭度值，将峭度值作为特征参数输入神经网络，进行故障模式识别。通过对实验数据的分析信号表明，能有效地识别滚动轴承工作状态与故障类型。     

基于小波降噪和EMD分解方法的轴承故障诊断

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,进行了小波降噪和经验模态分解(EMD)研究。利用小波高分辨率的特性,将时变非平稳信号分解到独立的频段上,重构信号能够滤除噪声干扰,提取特定频段的信号。对滤波后的特征信号进行总体经验模态分解,得到若干固有模态函数(IMF),以峭度最大值准则,选取故障敏感的IMF分量进行包络分析,从而提取故障特征频率。与轴承故障频率理论值相比,误差极小,从而说明该方法对于提取含噪声的轴承故障特征的有效性。     

微分经验模态分解和能量矩阵相结合的水电机组故障信号预处理方法研究

针对经验模态分解方法在处理水电机组振动这类由多重信号和噪声耦合的信号时出现的模态混叠现象,提出了一种微分经验模态分解和能量特征相结合的水电机组故障信号预处理方法.通过微分经验模态算法对信号进行分解,接着构造各阶微分信号能量矩阵,通过能量矩阵可以筛选出有效的分量.仿真试验表明微分经验模态分解能有效的避免模态混叠效应,使用...     

基于小波包和样本熵的水泵机组振动特征提取

目前大部分大型水泵机组安装有状态监测系统,但如何从海量的状态监测数据中提取出机组故障特征仍是水泵机组故障诊断的一大难点和热点。提出了一种基于小波包和样本熵的水泵机组振动特征提取方法,该方法首先通过小波包变换对水泵机组振动信号进行分层分解,得到小波包频带系数,再结合样本熵算法对小波包频带系数进行重构,得到以各频带信号样本熵值为元素的反映机组故障信息的特征向量,最后采用LVQ神经网络对试验振动信号进行分类,验证结果表明:基于小波包变换与样本熵相结合的特征提取方法对水泵机组不同振动状态具有较好的区分度,是一种合适的水泵机组故障特征提取方法。     

基于改进VMD和GRU的水轮发电机组振动故障预警

针对水轮发电机组受水、机、电等因素相互耦合,早期故障特征被电磁和噪声所淹没难以提取的问题,设计了一种基于改进VMD和GRU的水轮发电机组振动故障预警方法。首先,采用BES算法对变分模态VMD的参数进行寻优,得到最佳的分解层数、惩罚因子和模态个数,然后采用最优的VMD算法对水轮发电机组早期的振动特征进行提取,最后将早期的振动特征输入GRU神经网络预测算法进行训练、验证和测试。仿真结果和工程实例表明,该方法可以有效快速准确提取水轮发电机组的早期微弱振动特征,实现水轮发电机组的早期故障预警,具有较高的工程应用价值。     

基于DE-SVM的穴盘苗自动取苗机构故障诊断方法

为解决穴盘苗取苗机构早期机械故障识别困难的问题,提高故障诊断的准确率,提出一种基于DE-SVM的穴盘自动苗取苗机构故障诊断方法。首先,采用经验模态分解(Empirical Mode Decomposition, EMD)、变分模态分解(Variational Mode Decomposition, VMD)等预处理方法挖掘潜藏在取苗机构原始振动信号中的故障信息;其次,分别从原始振动信号和预处理信号中提取时域统计特征,再运用距离评估(Distance Evaluation, DE)技术获得表征取苗机构故障的敏感时域统计特征,构建特征向量序列;最后,结合支持向量机(Support Vector Machine, SVM)分类算法对取苗机构运行状况进行识别。室内试验结果表明：此方法可有效区分取苗机构滑道故障、凸轮故障、弹簧故障和正常状况等4种工况,具有运算复杂度低、识别准确率高的优点,可为自动移栽取苗机构工况监测提供一种参考。     

基于自相关函数的经验模态分解及其在齿轮故障诊断中的应用

齿轮故障信号中包含有着复杂的成分,淹没了齿轮故障信息的周期成分。本文利用信号的自相关函数分析方法对齿轮故障信号中的周期分量进行提取和消噪,将提取出的信号经过经验模态分解,得到各阶振动模态,最终经过希尔伯特变换,从中提取到齿轮的故障特征。     

基于改进二叉树支持向量机的离心泵工况识别方法

为保证离心泵的安全高效运行,需要对离心泵的运行工况进行识别研究.首先,使用测试函数对比研究了经验模态分解、集合经验模态分解和互补集合经验模态分解3种振动信号特征提取方法,基于性能最优的特征提取方法提取不同工况下运行的离心泵振动信号特征数据.然后,对支持向量机模型进行改进,提出了一种使用k-means聚类算法优化的二叉树支持向量机模型,并将改进模型应用到离心泵4种不同运行工况的识别中.同时,使用其他2种多分类支持向量机模型作为对比.研究结果表明:3种特种提取方法中,互补集合经验模态分解无模态混叠迹象性,噪声干扰小,性能表现更好;改进支持二叉树向量机模型分类准确率可达82.17%,对设计的4种工况具有很好的分类效果;改进支持二叉树向量机模型结构简单,训练时间短,实时性好,综合性能优于其他2种模型.     

基于双谱特征量的滚动轴承损伤部位识别

针对故障滚动轴承振动信号的非线性、非高斯性特征,将双谱和双相干谱分析方法用于滚动轴承故障特征的提取,给出了正常及外圈、内圈、滚动体局部损伤4种不同状态下轴承振动信号的双谱及双相干谱图,基于双谱形成了故障特征向量,并利用灰色关联度法识别了故障轴承局部损伤的发生部位。试验分析表明,对于损伤元件不同的轴承故障,振动信号的能量分布不同,双谱特征图谱存在明显的差异,而且双谱比双相干谱更有利于故障特征的提取。     

基于小波变换的滚动轴承振动信号故障特征提取

滚动轴承是多数工程机械的关键零部件,在长时间工作后,其内、外圈常常出现各种程度的疲劳裂纹,影响机器的正常运行。为了提取由故障产生的非平稳信号冲击特征,本文基于小波变换,对原始信号进行多层次分解,通过限定阈值的方法,有效地从振动信号中剥离高强度背景噪声,强化故障特征表达,为轴承故障诊断提供更为有效的数据信号。     

基于Shannon熵和BP神经网络的微电网短路故障诊断

为了及时准确地诊断微电网的短路故障,并识别其故障类型和相别,文章以BP神经网络为基础方法,并应用Shannon熵和小波分析理论增强故障特征的提取能力,建立了一种新的诊断方法。对微电网的三相电流信号作三层小波分解,得到电流分解信号,以及小波Shannon能量熵;然后将三相电流重构信号的Shannon能量熵组成特征向量,作为BP神经网络的输入;最后利用训练的BP神经网络进行微电网故障类型和故障相别的识别。仿真结果表明,该方法能准确识别微电网内部故障类型和故障相别,准确率达到96.8%,可有效保障电网安全稳定运行。     

基于阶次跟踪和HHT能量谱的轴承故障诊断

提出了一种研究旋转机械瞬态信号的分析方法。对齿轮箱传动加速时测得的原始振动信号进行角域重采样,然后对角域里的信号进行EMD分解得到多个IMF分量,最后对包含故障信息的IMF分量进行了能量谱分析。结果显示：阶次跟踪技术能够有效地避免传统频谱方法所无法解决的“频率模糊”现象,EMD方法能够将稳态信号分解为多个IMF分量,能量谱能够对轴承故障进行有效诊断。     

基于EEMD模型的干旱区降水变化趋势分析

降水是干旱区水资源的重要组成部分,有效认识降水的区域变化规律对指导农业发展尤为重要.本文利用集合经验模态分解(EEMD)方法,分析了新疆降水变化趋势的多尺度特征.结果表明:新疆降水整体上呈现出非线性显著增多趋势,且其变化存在明显的年际尺度(3年和6年准周期)和年代际尺度(10年和31年准周期);各周期分量方差贡献率显示年际变化占据主导地位;降水年代际变化揭示了在1987年前后气候模态有了显著转换,由原来降水以负相位为主的气候模态转向正相位显著的气候模态.EEMD方法有助于人们对降水多尺度变化特征的认识,是一种适用于非线性、非平稳信号分析的有效方法.