基于参数优化VMD和改进LSSVM的道岔故障诊断方法

为了解决道岔设备智能故障诊断中特征指标难以提取以及模型训练时间较长的问题,以ZDJ9型转辙机带动的道岔设备为研究对象,以转辙机功率曲线为数据基础,提出一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和改进最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)的道岔故障诊断方法。首先,采用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化VMD参数,得到模态(Intrinsic Mode Functions,IMF)分量个数和惩罚因子的最优参数组合。其次,计算IMF分量与功率曲线的相关系数,优选相关性较大的前3阶IMF分量,并计算功率谱熵、模糊熵及包络熵值,建立多特征融合样本数据库。最后,针对麻雀搜索算法(Sparrow Search Algorithm,SSA)易陷入局部最优的问题,通过改进Tent混沌映射初始化策略随机生成种群,正余弦算法(Sine Cosine Algorithm,SCA)更新追随者的位置,并采用改进SSA优化LSSVM算法的惩罚因子和核函数方差,构建基于TSSSA-LSSVM的道岔故障诊断模型。实验结果表明:所提道岔故障诊断方法是可行的,采用多特征融合能够更加全面地提取道岔典型故障特征,反映道岔的真实运行状态,提高了故障诊断准确率,而且较TSSSA-SVM,PSO-LSSVM,GWO-LSSVM以及SSA-LSSVM等方法具有较高的故障诊断准确率、召回率以及较低的漏报率,减少了模型训练时间,完全满足现场道岔故障导向安全的原则,具有更好的故障诊断性能,对现场道岔设备的故障维修具有一定的指导意义。

基于参数优化VMD和MDE的往复压缩机轴承故障诊断方法

针对往复压缩机轴承振动信号的复杂多分量耦合特性,提出了一种基于参数优化VMD和MDE的往复压缩机轴承故障诊断方法。利用遗传算法搜索VMD算法的最佳影响参数组合,确定VMD算法需要设定的带宽参数和分量个数对故障信号分解。计算分解后各BLIMF分量的峭度值,筛选出最佳BLIMF分量并重构故障信号,然后对重构后故障信号进行MDE分析形成故障特征向量,输入到极限学习机中进行分类识别。对往复压缩机轴承故障实测信号进行分析,实验结果表明,该方法可有效提取出往复压缩机轴承故障特征,特征向量具有较好可分性,实现了往复压缩机轴承故障特征的有效识别。

水轮机空化声发射信号的优化VMD特征提取

针对变分模态分解(VMD)算法中分解层数和惩罚因子2个参数对分解结果有着显著影响且不易确定的问题,提出了灰狼和布谷鸟混合优化VMD算法(简称优化VMD算法)。该方法以包络熵差异互相关系数作为适应度函数,以全局最小适应度值为优化目标,筛选出最佳的VMD参数组合。将优化VMD算法用于水轮机空化声发射信号的特征分析,通过分解得到本征模态函数(IMF),建立了IMF能量随空化系数的变化关系,反映了水轮机空化的发展状态。结果表明:随着空化系数的减小,各主要IMF能量增大,反映了水轮机空化从无到有,从弱到强的变化过程,验证了优化VMD算法用于水轮机空化分析的正确性。

基于优化VMD的车轴裂纹和车轮扁疤故障诊断

针对列车轮对振动信号易受轮轨噪声影响、故障特征提取困难等问题,提出一种基于优化变分模态分解(Variational mode decomposition,VMD)和多尺度样本熵-能量(Multiscale sample entropy-energy,MSEEN)指标的故障诊断方法。首先搭建考虑轮轨接触关系的轮对振动实验台,分别进行正常、车轮扁疤、车轴裂纹及扁疤-裂纹耦合故障状态下的轮对振动测试。其次,利用遗传算法,以样本熵、相关系数和均方误差为适应值搜索VMD的最佳分解个数及分解中心频率。然后基于优化VMD分解不同状态下的轮对振动信号并提取本征模态函数(Intrinsic mode function,IMF)分量的MSEEN指标。最后将指标与BP神经网络结合进行轮对故障诊断,总识别率达到94.44%。该方法可为实际运行工况中的列车轮对故障诊断提供借鉴。

优化VMD在轴承故障诊断中的应用

针对早期轴承故障的振动信号特征匹配度低的问题,本文给出一种优化VMD在轴承故障诊断中的应用。首先通过优化VMD突出信号有效信息;然后提取出最佳分量的特征向量;最后将支持向量机作为分类算法,识别轴承的故障类型。实验结果表明,该方法避免了VMD参数选取的盲目性,能够有效诊断出轴承的早期故障。

基于优化VMD和MCKD的滚动轴承早期故障诊断方法

针对滚动轴承早期故障信号易受噪声等背景信息干扰难于提取故障特征的现象,提出了将优化K值的变分模态分解(VMD)和粒子群优化算法(PSO)优化参数L,M的最大相关峭度解卷积(MCKD)相结合提取滚动轴承故障特征频率的方法.首先,确定VMD中K值,对信号进行分解后得到一系列模态分量;然后利用EWK指标选择包含故障信息最多的有效模态分量进行后续分析,利用优化的MCKD对其进行增强;最后对增强信号进行包络解调提取故障特征频率,验证所提方法的有效性.仿真和实验表明该方法可以精确地提取出轴承故障信号中的特征频率,实现故障诊断.