由于柴油机工作环境复杂多变,喷油器信号中包含较多噪声,导致诊断率低。为降低噪声的影响,提高故障诊断率,提出一种麻雀算法优化变分模态分解(SSA-VMD)和改进时频峰值滤波(ITFPF)结合的信号去噪方法。针对VMD受分解参数制约的问题,以能量分解因子为目标函数,通过SSA自适应地将信号分解成一系列IMF,以解决参数设置不当导致的模态混叠问题。TFPF的窗长选择不当会影响其滤波效果,由于排列熵能够度量非平稳信号的复杂度,以排列熵为适应度函数寻到最优窗长,使ITFPF兼顾信号保真和噪声压制。仿真和试验结果表明SSA-VMD和ITFPF结合的方法降噪效果优于其他方法,并使故障识别率相比未优化VMD提高了10.13%。

目前的齿轮箱故障诊断方法,在多转速工况及噪声干扰下,存在过拟合及诊断效果不佳的问题。针对此问题,提出一种北方苍鹰(NGO)算法优化变分模态分解(VMD)结合改进GoogLeNet的齿轮箱故障诊断方法。使用NGO对VMD进行参数寻优,利用优化后的VMD去除故障信号中的噪声;对原始GoogLeNet的结构进行合理删减,并利用延迟丢弃法、可训练的ReLU函数(TReLU)对其改进;最后,将去噪后的故障信号转换为二维图作为改进GoogLeNet的输入数据进行网络的训练及分类,得到故障诊断结果。实验结果表明与其他降噪方法相比,NGO-VMD方法的降噪效果明显,能显著提高故障诊断的准确率;与常见的卷积神经网络相比,提出的改进GoogLeNet能进一步提高故障诊断的准确率,达到了97.2%。

针对滚珠丝杠副故障特征提取困难的问题,提出一种基于麻雀搜索算法优化变分模态分解算法(SSA-VMD)结合支持向量机(SVM)的滚珠丝杠副故障诊断方法。以最小包络熵作为SSA的适应度函数,对VMD参数进行自主寻优;运用IMF能量值对分解信号进行筛选重构,去除噪声和无关成分的干扰;最后提取重构信号的8类时域特征参数和5类频域特征参数作为特征向量集,导入SVM进行故障识别模型的训练。通过搭建滚珠丝杠副故障诊断实验平台采集振动信号,分别采用SSA-VMD、VMD、EMD方法进行信号分解提取故障特征。实验结果表明与VMD和EMD相比,SSA-VMD能针对不同的信号自主选择最优的VMD参数进行信号分解,能准确识别滚珠丝杠副故障类型,证明了基于SSA-VMD的滚珠丝杠副故障诊断的可行性和准确性。

针对滚动轴承全寿命退化状态难以有效识别的问题,提出了一种基于变分模态分解(VMD)与支持向量机(SVM)相结合的滚动轴承退化状态识别方法。该方法先用包络熵确定VMD的最优分解层数,再根据峭度及相关系数准则选择VMD分解后的敏感本征模态分量(IMF),然后提取敏感IMF分量的时域指标和能量熵构成退化特征向量序列,最后随机抽取不同退化状态下的少量样本输入SVM模型训练,建立退化状态模型库,并用真实数据进行测试。实验结果表明该方法能够准确识别出轴承的退化状态,通过与EMD-SVM、EEMD-SVM模型对比,验证了该方法的优越性。

针对滚动轴承振动信号故障难以识别的问题,创建一种应用改进鲸鱼优化算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先将轴承振动信号特征通过VMD的方式提取;其次,为改进鲸鱼优化算法,采取精英反向学习策略增强种群的广泛性,选用非线性因子并加入随机扰动策略增强探索能力;通过4组基准测试函数,将IWOA与4种优化算法对照分析,验证了此改进算法的优越性;最后,将SVM的惩罚参数和核函数参数放入IWOA中,构建IWOA-SVM故障分类模型。故障诊断的结果表明,用IWOA-SVM分类模型在故障诊断中拥有更好的效果,准确率达到100%。

针对往复机轴承性能衰退评估中模型适应性和指标量化困难等问题,提出一种基于奇异谱分布与核模糊C均值聚类算法(KFCM)的性能衰退评估方法。利用变分模态分解(VMD)算法提取并优选主模态多重分形奇异谱(MSS)构成谱形态参量,经奇异值分解降噪处理,建立KFCM与二叉树支持向量机相结合的评估模型,并给出完整的轴承性能衰退评估流程;进行压缩机轴承磨损故障模拟及算法对比分析。结果表明:该方法能有效评定滑动轴承磨损故障性能衰退程度。

为有效提取非平稳性、复杂性的滚动轴承振动信号特征,提出一种基于变分模态分解、改进烟花算法(IFWA)优化支持向量机(SVM)的滚动轴承故障诊断方法。利用VMD对原始信号进行分解,计算得到各IMF的样本熵,将原始信号的时域特征与其结合组成特征矩阵。为提高故障诊断效率,采用IFWA优化SVM,建立IFWA-SVM模型。使用训练集特征矩阵训练诊断模型,实现滚动轴承的故障诊断。利用实测信号验证该方法,并与粒子群算法优化进行比较。结果表明:利用该方法进行诊断,正确率提高了3.33%、训练时间缩短了21.55 s,验证了该方法的可行性。

针对滚动轴承早期故障比较微弱,特征信息难以提取且变分模态分解（VMD）中分解层数k的大小需要使用者反复尝试而不能有效确定的问题,提出了改进的VMD方法,以能量差作为评价参数自适应地确定分解层数k。在此基础上,将改进的VMD与包络导数能量算子结合,提出了VMD与包络导数能量算子的轴承早期故障诊断方法。采用VMD对轴承故障振动信号进行分解,根据能量差曲线确定最佳的分解层数k;依据峭度准则,从分解得到的k个本征模态分量中选取敏感分量进行重构;并用包络导数能量算子对重构信号进行解调分析,从其能量谱中便可准确地提取轴承的故障特征信息。通过仿真信号和实验数据的分析,验证了该方法的有效性与可行性。

根据变分模态分解（VMD）在信号处理上的良好特性与隐马尔可夫模型（HMM）在时间序列上的分类能力,提出了一种基于VMD分解与HMM模型相结合的滚动轴承磨损状态识别方法。该方法利用VMD对轴承各个磨损时期信号进行分解,进而计算VMD分解后各IMF的能量熵,依次提取轴承振动信号的各层IMF能量熵构成特征向量序列,每种状态随机选取20组（共80组）输入HMM模型训练,剩余的特征向量序列进行测试,通过对比对数似然概率值来判别磨损状态。实验结果表明该方法能够准确分辨出轴承的磨损状态,与EMD-HMM、谐波小波样本熵HMM模型进行了对比,验证了该方法具有识别性高准确性强的优点。