针对滚动轴承振动信号易受外界噪声干扰、传统的故障诊断方法难以提取故障特征以及准确率低等问题,提出一种基于集合经验模态分解(EEMD)和卷积神经网络结合支持向量机(CNN-SVM)的滚动轴承故障诊断方法。利用EEMD算法对原始振动信号进行分解得到本征模态函数(IMF)分量,再由相关系数筛选最佳分量进行信号重构,得到降噪后的振动信号。将重构降噪后的振动信号转换为二维特征图输入卷积神经网络进行训练提取特征。最后将提取到的稀疏代表特征向量输入到支持向量机进行故障分类。实验结果表明所提方法能有效降低噪声干扰,便于提取故障特征,与传统的故障诊断方法相比准确率更高,诊断速度更快。

针对滚动轴承数据信号不稳定、非线性的特性,提出一种采用集合经验模态分解(EEMD)、希尔伯特(Hilbert)变换实现特征提取,改进教与学算法(ITLBO)优化支持向量机(SVM)参数的滚动轴承故障诊断方法.首先通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获得模态函数的瞬时频率;对模态函数和其瞬时频率进行统计特征提取并实现特征变量降维,提高诊断效率;最后利用ITLBO算法优化SVM参数,构造ITLBO_SVM诊断模型进行多分类故障诊断.实例证明,信号经过EEMD分解和Hilbert变换再提取特征信息,代入ITLBO_SVM的优化模型比传统的粒子群算法优化模型的正确率更高,效果更稳定,验证了该方法的可行性与有效性.

齿轮箱发生故障时,其振动信号具有不平稳和非线性等特征,而常用的齿轮箱故障诊断方法大多是建立在单通道振动信号分析基础上,容易造成故障信息丢失,故而在工业生产中实用性受限。为了克服此缺陷,将多元多尺度色散熵引入到齿轮箱故障诊断当中,并改进其粗粒化方式,提出了改进多元多尺度色散熵,用以提取齿轮箱多通道振动信号的故障信息。在此基础上,提出一种基于集合经验模态分解,改进多元多尺度色散熵和遗传算法优化支持向量机的齿轮箱故障诊断方法。通过实验数据分析,并与多元多尺度样本熵、多元多尺度模糊熵等现有方法相比较,证明该方法具有更高的准确率和稳定性,且在处理短时间序列时具有明显优势。

针对伺服电动机滚动轴承故障信号受噪声干扰不易识别的问题,提出一种基于改进SVD-EEMD与Teager能量算法相结合的故障诊断方法。该方法首先用改进SVD方法进行信号降噪,随后利用集合经验模态分解(EEMD)对降噪信号进行故障特征提取,最后利用Teager能量算法对故障信号特征进行增强。实验结果表明,文中提出的方法能够有效地去除噪声干扰,对伺服冲压电动机轴承的故障特征信息起到了增强的作用。

针对单通道超声检测回波信号易受到噪声信号的影响导致缺陷诊断精度低的问题,提出基于集合经验模态分解(EEMD)和快速独立成分分析(Fast ICA)的单通道超声回波信号盲源分离方法(EEMD-Fast ICA)。首先应用EEMD算法对回波信号进行自适应分解,得到多个不同尺度的固有模态函数(IMF)分量,利用主成分分析(PCA)预估源信号的数目,通过相关系数法筛选出相应的IMF分量进行重构,并将重构信号与原始采集信号组合构成新的多维观测信号,解决了原始采集信号盲源分离中存在的欠定问题,然后进行快速独立成分分析(Fast ICA)运算,实现了单通道超声检测信号的噪声分离。实验结果表明EEMD-Fast ICA方法能对采集超声回波信号进行有效的降噪处理,并且能保护真实信号的频域特征信息。

针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态...

针对基于浅层学习的轴承寿命预测模型非线性学习能力差、预测精度低的问题,提出一种基于堆叠门控循环神经网络(SGRU)的伺服电机滚动轴承剩余寿命预测方法。首先对轴承振动信号进行时域和时频域特征提取,将常用的时域特征参数和经过集合经验模态分解得到的时频域特征参数作为原始特征集,然后采用相似度度量方法选取最能反映轴承退化性能的特征。之后通过堆叠两层GRU隐层来构建一种深层的寿命预测网络,并以训练集的退化特征参数为输入对网络进行训练,不断优化网络参数。最后在FEMTO数据集上与单层长短期记忆网络(LSTM)方法进行对比。结果表明,该方法相比于单层LSTM方法具有更高的预测精度。

机车牵引座的安全可靠性对机车运行的安全性起到重要作用,因此对机车牵引座状态识别研究具有重要的经济价值和社会意义。为了开展牵引座的正常、小裂纹、大裂纹等3种状态识别研究,搭建机车牵引座的模拟实验台,用加速度传感器采集不同状态的振动信号,对原始数据进行时域特征提取,并进行集合经验模态分解(EEMD)提取时频域特征,采用K邻近算法(KNN)进行牵引座状态识别。实验结果表明:基于EEMD-KNN模式识别方法能对机车牵引座状态进行有效识别,识别率达到83.3%;而且添加时域特征之后的识别率更高一些,识别率达到90.5%。

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定

针对滚动轴承发生局部故障时振动信号中微弱周期性冲击的特征提取问题,提出参数优化集合经验模式分解（optimal ensemble empirical mode decomposition,简称OEEMD）与Teager能量算子解调结合的滚动轴承故障诊断方法。首先,针对集合经验模式分解（ensemble empirical mode decomposition,简称EEMD）过程中两个关键参数k（加入白噪声的幅值系数）和m（集合平均次数）的准确选取问题,通过引入相关系数、相关均方根误差和信噪比分析,给出一种可自适应确定这两个参数取值的OEEMD方法,通过OEEMD将冲击从滚动轴承振动信号中分离出来;其次,采用Teager能量算子对其进行包络解调,计算出瞬时幅值后再对瞬时幅值进行包络谱分析,以获取冲击的特征频率,从而对滚动轴承故障进行准确诊断。仿真信号分析和应用实例验证了该方法的有效性。