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EEMD多尺度模糊熵与BP神经网络的滚动轴承故障表征诊断

针对滚动轴承故障振动时间序列非线性与非平稳性特征,提出一种基于多尺度模糊熵的滚动轴承故障诊断方法。首先通过集合经验模态分解对故障振动信号进行自适应分解;根据得到固有模态函数分量(IMF)求取相应的多尺度模糊熵;在此基础上以EEMD多尺度模糊熵作为故障特征输入到BP神经网络中进行学习和分类。实验结果表明该方法能够实现对轴承的内圈、外圈及滚动体三种故障类型的诊断,准确率达到了99. 5%。     

EMD在路面不平度信号趋势项中的应用

为准确计算路面不平度功率谱估计,需要提取信号中的趋势项。提出一种基于相关系数矩阵判断准则的经验模态分解去除趋势项的方法。利用经验模态分解(Empirical Mode Decomposition,简称EMD)将信号分解为一系列固有模态分量及余项,通过分析余项和趋势项的差别,依据相关系数矩阵判断某一固有模态分量是否属于趋势项。仿真信号和实测路面不平度信号处理结果证明,基于相关系数矩阵判断准则的经验模态分解去除趋势项方法具有更高的精度和可靠性。     

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。     

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...     

基于卷积神经网络与奇异值分解的水电机组故障诊断方法研究

提出了一种结合卷积神经网络,小波变换和奇异值分解理论的水电机组故障诊断方法.利用卷积神经网络提取机组轴心轨迹的图像特征;通过离散小波变换对摆度信号进行分解,获得信号的小波分解系数,对各分支系数进行重构,构造奇异值分解输入矩阵,提取矩阵奇异值作为特征向量.将两种方法提取的特征进行组合,构建包含图像特征和波形特征的混合特征...     

改进VMD和LSTM的联合收割机装配质量检测方法

针对联合收割机装配精度不高和装配质量难以检测的问题,提出一种基于麻雀搜索算法（SSA）优化变分模态分解（VMD）和长短时记忆神经网络（LSTM）的联合收割机装配质量检测方法。该方法首先利用SSA算法自适应寻优得到最优VMD分解模态参数K和惩罚因子α,然后利用最佳参数组合[K,α]将联合收割机振动信号分解成不同中心频率的本征模态分量IMF,并对各个IMF分别进行联合特征提取组成特征向量,最后将联合特征向量作为LSTM的输入,实现不同故障特征的分类。分析结果表明,SSA-VMD-联合特征提取方法分类准确率为98.1%,分别比集合经验模态分解（EEMD）和固定参数VMD高7.1%和6.1%,验证所提方法对联合收割机装配质量检测的优越性。     

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。     

基于EEMD的农机轴承故障诊断

针对经验模式分解(EMD)在非线性信号处理中存在的模态混叠问题,本研究采用了总体经验模式分解(EEMD)方法对农机中的轴承进行故障诊断。将农机轴承故障信号加入随机白噪声构成总体信号再进行EMD分解,然后对分解所得的固有模态函数(IMF)做包络谱分析,在包络谱中清晰地显示出了轴承故障特征。实验结果表明,避免了模态混叠现象的产生,是一种有效的农机轴承故障诊断方法。     

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。     

水资源监测异常数据模态分解-支持向量机重构方法

完备真实的水资源监测数据是支撑数据分析与决策的基本前提。在梳理现阶段水资源监测异常数据的基础上,提出运用移动平均拟合初筛来直观辨识异常监测数据,进而选取集合模态分解对非可直观辨识异常监测数据进行挖掘的方法。将剔除异常监测值后的时序数据作为基于粒子群优化最小二乘支持向量机模型的模拟样本,并利用其恢复所剔除的异常监测数据。对水务公司日取水量监测数据的实证分析结果表明,通过移动平均拟合与模态分解可较大限度地保留含有异常数据的特征向量并实现数据的有效重构,相比传统的统计方法其具有更好的适用性;运用粒子群优化的最小二乘支持向量机可进一步提高对剔除异常值数据的拟合效果,且符合水资源监测数据的季节波动规律特征及对实际取用水状态的客观反映,据此可相对合理地达到恢复所剔除异常监测数据的目的。     

一种模态-支持向量机水资源监测异常数据重构方法

完备真实的水资源监测数据是支撑数据分析与决策的基本前提。在梳理现阶段水资源监测异常数据基本情景的基础上,提出运用移动平均拟合初筛可直观辨识的异常监测数据,进而选取集合模态分解对非可直观辨识异常监测数据进行挖掘的方法。将剔除异常监测值后的时序数据作为基于粒子群优化最小二乘支持向量机模型的模拟样本,并利用其恢复所剔除的异常监测数据。而对水务公司日取水量监测数据的实证分析结果表明,通过移动平均拟合与模态分解可较大限度的保留含有异常数据的特征向量并实现数据的有效重构,相比传统的统计方法其具有更好的适用性;运用粒子群优化的最小二乘支持向量机可进一步提高对剔除异常值的数据拟合效果,且符合水资源监测数据的季节波动规律特征及对实际取用水状态的客观反映,据其可相对合理的达到对所剔除异常监测数据恢复的目标。     

支持向量机在发动机故障诊断中的应用研究

鉴于支持向量机(SVM)的优越性及汽车发动机的故障特点,本文提出将支持向量机应用到发动机故障的智能诊断中。该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,而且模型简单。首先对采集的故障信号采取信息融合方式进行特征提取,以获得特征向量。在此基础上通过多分类支持向量机对发动机故障进行分类测试,建立了故障诊断模型。试验结果表明:该方法具有较高的诊断精度,达到了发动机的故障诊断要求。     

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。     

基于改进VMD的离心泵空化声发射信号特征提取

针对变分模态分解算法中分解层数和惩罚因子不易确定的问题,提出一种改进变分模态分解(improved variational mode decomposition,IVMD)算法,并将其应用于离心泵空化声发射信号特征提取.应用IVMD算法时,首先根据包络熵差异系数确定变分模态分解的分解层数;然后采用人工蜂群算法优化得出惩罚因子,并将其作为变分模态分解的最佳输入参数.利用IVMD算法对仿真信号进行分析,并与集合经验模态分解结果进行比较.以60%额定流量下采集到的离心泵进口处的声发射信号为例进行IVMD计算,分析携带原信号大量信息的信号分量的频域特征及其绝对能量随离心泵空化状态变化的关系.结果表明:IVMD算法能够择优确定分解层数和惩罚因子,实现非平稳信号的自适应分解.反映离心泵空化状态的声发射信号特征频率集中在50,100 kHz及其附近.随着离心泵空化从无到有、从弱到强的变化,这2个特征频率范围信号分量绝对能量值呈“基本保持不变-减小-增大”的变化规律.     

基于功率谱密度矩心的轴承性能退化特征研究

滚动轴承性能退化指标作为研究其性能退化过程中极其重要的一环,良好的退化特征指标能够直观地表征轴承的退化情况并实现对轴承的退化预警。鉴于此,提出了将功率谱密度的矩心值作为性能退化特征,通过集合经验模态分解(EEMD)滤波降噪,在傅里叶变换的基础上,对原有的功率谱密度函数的重心进行计算,并采用高斯模型拟合优化该特征的表征能力。采用美国辛辛那提大学的轴承全寿命实验数据作为分析对象,以验证所提方法的可靠性。实验结果显示,该特征可以良好地反映轴承的性能退化状态。     

EMD自相关阈值去噪法在水电机组振动信号中的研究

经验模态分解(EMD)可将信号分解成若干不同频率的固有模态函数(IMF),传统EMD去噪法只对高频IMF分量进行处理,但缺乏有效的IMF选择依据。自相关能量准则可以定量筛选出含有噪声的IMF分量,利用改进的小波阈值去噪法对这些含噪IMF进行处理,然后重构所有IMF分量得到去噪后的信号。将这种EMD自相关阈值去噪法用于水电机组振动信号中,通过实例仿真,将去噪前后的信噪比和均方根误差进行比较,结果表明这种去噪方法能有效用于水电机组振动信号中。     

浅析LMD和支持向量机在旋转机械故障诊断中的应用

旋转机械长期处于连续运转状态,很容易发生故障。而其一旦出现故障,不仅会影响企业生产的经济效益,甚至还会引发重大事故。因此,对旋转机械进行状态检测及故障诊断有着重要现实意义。课题组提出了一种基于LMD和支持向量机相结合的故障诊断方法。这一方法首先运用LMD信号处理方法进行故障特征提取,然后采用支持向量机对提取的特征进行状态识别、分类。课题组以滚动轴承为例,阐述了基于LMD和支持向量机的旋转机械故障诊断的应用。     

基于RBF神经网络的离心泵地脚螺栓松动故障诊断

为了准确识别卧式离心泵地脚螺栓松动故障,搭建了卧式离心泵机组诊断平台,采用电涡流传感器对离心泵转子位移进行监测.将采集的转子位移信号经过经验模态分解法(empirical mode decomposition, EMD)分解为多个固有模态函数(intrinsic mode function, IMF),对各层IMF频谱特征、相关系数及能量占比进行分析得到故障敏感分量.最后,通过径向基(radial basis function, RBF)神经网络对离心泵松动故障进行识别预测.结果表明:采用EMD方法可以有效提取出离心泵松动故障特征,IMF5—IMF8层可作为故障特征分量.通过将IMF5—IMF8层的相关系数和能量占比作为故障特征输入到RBF神经网络中进行识别,准确率可达95%.