基于改进固有时间尺度分解和谱峭度的轴承故障诊断方法

基于固有时间尺度分解(intrinsic time-scale decomposition,ITD)方法的线性变换和三次样条插值,提出一种改进的固有时间尺度分解方法(improved intrinsic time-scale decomposition,IITD),将IITD方法和谱峭度(spectrumkurtosis,SK)相结合,实现轴承故障的智能诊断。首先采用改进ITD方法对采集的轴承振动信号进行分解,得到若干个固有旋转分量(proper rotation component,PRC),然后利用谱峭度法对相关性最大的PRC进行滤波处理,最后对滤波后的PRC进行Hilbert包络解调来提取故障特征频率,从而识别轴承故障类型。仿真和实验分析结果表明:该文所提IITD-SK法可成功提取出故障特征频率,实现轴承故障的有效诊断,与传统的傅里叶变换、包络谱分析以及EMD方法的结果相比,该方法诊断效果更佳。

基于IITD样本熵与改进深度置信网络的轨道电路故障检测

针对轨道电路故障检测实时性差且故障位置不确定等问题,提出了一种基于改进固有时间尺度分解(Improved intrinsic time-scale decomposition,IITD)和样本熵值作为特征值输入以改进深度置信网络(Deep belief network,DBN)识别的轨道电路故障检测方法。首先,采用IITD方法对故障信号进行分解,筛选包含主要故障特征信息的PR分量。其次,计算其样本熵值作为信号的特征值。最后,将特征值输入至改进的DBN网络中,进行故障检测。以180组轨道电路历史故障数据为输入,本算法准确率达97.22%,较BP神经网络、PMFCC-DTW、模糊神经网络以及未经优化的DBN,其检测准确率分别提高7.12%,4.98%,6.34%和3.82%,可以作为轨道电路的故障检测的有效方法。

基于ITD和改进形态滤波的滚动轴承故障诊断

为从受谐波和随机噪声干扰的振动信号中提取出故障冲击成分,融合四大基本形态学算子提出了改进形态滤波方法——平均组合差值形态滤波(ACDIF)方法,同时与固有时间尺度分解(ITD)相结合,并将ITD-ACDIF方法应用到滚动轴承的故障诊断中。首先,对轴承振动信号进行ITD分解得到一系列旋转分量(PRC);然后,以峭度为准则筛选出含故障信息丰富的有效PRC,对每个有效分量进行ACDIF滤波提取冲击成分进行信号重构;最后,利用频谱分析提取重构信号中的故障特征。数值仿真和轴承故障振动信号的试验结果表明,本文方法可有效滤除谐波干扰,提取强背景噪声下的冲击故障特征,实现设备的故障诊断。

基于MOMEDA和IITD的滚动轴承微弱故障特征提取

为了清晰准确地提取出强背景噪声下滚动轴承微弱故障特征,对采集的外圈故障轴承的振动信号用MOMEDA进行信号增强;然后,利用IITD分解得到一系列模态,并对分解得到的模态进行包络解调提取故障特征;最后,进行了故障模拟实验,实验结果表明了该方法的有效性。

基于改进ITD法的低频振荡参数辨识研究

为了快速准确获得电力系统区域间低频振荡的特征参数,在固有时间尺度分解(intrinsic time-scale decomposition,ITD)算法的基础上,结合随机子空间辨识(stochastic subspace identification,SSI)方法中协方差计算的抗噪性,提出了一种用于区域间低频振荡参数辨识的改进ITD法。该算法直接利用量测数据进行辨识,不受系统规模的限制。同时改进ITD算法一方面有效提升了原始ITD算法的抗噪性,另一方面既能处理单通道数据,也能处理多通道数据,扩展了原始算法的应用范围。最后,基于16机实验系统仿真数据和某实际电网量测数据对改进ITD算法的准确性、有效性和实用性进行了验证。计算结果表明,改进ITD算法能有效得到待辨识信号的振荡参数,在准确性和抗噪性方面表现优异。

基于振动特征优选和极限学习机的滚动轴承故障诊断

为解决滚动轴承故障诊断存在的振动信号故障信息提取模糊,诊断精度较低的问题,提出一种将改进的固有时间尺度分解(improved intrinsic time-scale decomposition,IITD)算法与极限学习机(extreme learning machine,ELM)相结合的故障诊断模型,记为COA-ELM.利用IITD算法分解振动信号获取其固有旋转(proper rotation,PR)分量,并基于多尺度熵理论计算各PR分量的多尺度熵值重构特征向量.利用郊狼优化算法(coyote optimization algorithm,COA)对ELM网络的输入权值和隐藏层阈值进行寻优.采用最优ELM网络对7种滚动轴承状态进行诊断,结果表明,本研究所建COA-ELM模型的滚动轴承故障诊断精度能够达到96.4%,相较于传统的故障诊断模型性能有着显著的提升.

基于IITD和PNN的广域电磁法数据信噪分离方法

矿产资源开发需求加速了广域电磁法(Wide Field Electromagnetic Method,WFEM)的发展与应用,但强电磁干扰严重降低了原始数据质量与探测效果.为此,本文提出基于改进固有时间尺度分解(Improved Inherent Time-scale Decomposition,IITD)和概率神经网络(Probabilistic Neural Network,PNN)的广域电磁法数据信噪分离方法.首先,通过改进固有时间尺度分解算法,提高信号分解精度,消除原始数据中存在的趋势噪声;然后,构建WFEM数据样本库,提取最大值、峰值因子、脉冲因子、裕度因子等多个时域特征,结合概率神经网络进行信噪辨识;最后,将识别为有效信号的部分按原采样顺序进行整合与重构,实现WEFM数据去噪;通过数值模拟与实测分析,结果表明,趋势噪声和异常波形均能被有效辨识及剔除,处理后的电场曲线形态趋于平滑稳定,原始数据质量得到提升.

基于QH-ITD和AMCKD的滚动轴承故障诊断研究

由于滚动轴承早期微弱故障易受噪声影响导致难以对故障进行诊断。针对原固有时间尺度(ITD)和三次样条插值改进ITD算法的不足以及最大相关峭度解卷积(MCKD)算法的滤波器长度参数选取困难的问题,提出基于四次Hermite插值改进的ITD(QH-ITD)算法和利用变步长网络搜索参数寻优改进MCKD(AMCKD)算法。该方法首先利用QH-ITD算法对原滚动轴承故障信号进行分解运算,然后利用峭度指标和互相关系数筛选相应的分量信号进行重构,再利用AMCKD算法中对重构信号进行降噪处理,最后利用Teager-Kaiser能量算子进行解调处理,提取出故障特征信息并判断故障类型。通过人工模拟的滚动轴承损伤故障诊断实验和全寿命周期的轴承早期微弱故障诊断实验,验证了所提方法可以有效地对滚动轴承的早期微弱故障进行诊断识别。

基于IITD和FCM聚类的滚动轴承故障诊断

基于Akima插值和固有时间尺度分解(ITD)中的线性变换,提出了一种改进的固有时间尺度分解(IITD),在此基础上,进一步提出基于IITD近似熵(AE)和模糊C均值聚类(FCM)相结合的滚动轴承故障的诊断方法。采用IITD方法对滚动轴承的振动信号进行分解,通过互信息分析,筛选出前3个含主要特征信息的固有旋转分量(PR),计算其近似熵值作为信号的特征向量,将得到的特征向量输入到FCM分类器中分析并得到分类结果。实验分析表明:分别与基于EMD、ITD近似熵和FCM聚类相结合的方法比较,该方法的分类系数更接近1,平均模糊熵更接近0,即此方法对滚动轴承的正常、内圈故障、外圈故障、滚动体故障信号以及对内圈的不同损伤程度信号均能更有效更准确地进行分类。