全矢融合的二元PELCD样本熵列车故障诊断

长期高速运行的服役状态会造成高速列车转向架关键部件性能蜕化甚至发生故障等情况,所导致的安全事件将造成严重的经济损失甚至人员伤亡。考虑到高速列车振动信号的特性,将部分集成的局部特征尺度分解方法拓展至二元信号处理领域,同时结合全矢谱理论对同阶分量信号进行信息融合,得到更加完备的数据特征,并对融合后的数据进行样本熵特征提取,得到列车的故障特征;采用灰狼优化算法对支持向量机进行参数寻优,通过实验对比单一故障工况、复合故障工况以及部件性能退化下的故障识别率,验证所提方法的有效性、优越性。

基于PELCD样本熵的抗蛇行减振器故障诊断

长期高速运行的服役状态会造成列车转向架关键部件性能蜕化甚至故障等情况,导致的安全事件将造成严重的经济损失甚至人员伤亡。文章针对列车振动信号非线性、非平稳的特点,以部分集成局部特征尺度分解(PELCD)方法对高速列车抗蛇行减振器失效的故障振动信号进行分解,并且对相关性较强的前6个分量进行样本熵特征提取,将互补集合经验模态分解(CEEMD)方法与样本熵结合的结果进行对比,最后将CEEMD样本熵与PELCD样本熵两种方法下所得到的特征向量作为支持向量机的样本进行故障训练与故障预测。对比二者的结果表明PELCD与样本熵的结合能够有效地识别出列车的故障类别。

部分集成局部特征尺度分解:一种新的基于噪声辅助数据分析方法

局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)是最近提出的一种类似于经验模态分解(EmpiricalMode Decomposition,EMD)的非平稳信号分析方法.为解决LCD方法的模态混淆问题,论文首先提出了基于噪声辅助分析的集成局部特征尺度分解方法(Ensemble LCD,ELCD).然而,ELCD有类似于总体平均经验模态分解(En-semble EMD,EEMD)和互补总体平均经验模态分解(Complementary,CEEMD)的固有缺陷,在此基础上,同时结合最近提出的随机性检测方法——排列熵(Permutation Entropy,PE),论文提出了部分集成局部特征尺度分解(Partly EnsembleLCD,PELCD)方法.仿真数据分析表明,论文提出的PELCD方法不仅能够有效地抑制LCD分解的模态混淆,而且在抑制伪分量的产生以及分量精确性等方面要优于CEEMD和ELCD方法.

基于LCD和排列熵的滚动轴承故障诊断

排列熵(permutation entropy,简称PE)是最近提出的一种检测时间序列随机性和动力学突变行为的方法,可以考虑将其应用于故障诊断。由于机械系统的复杂性,振动信号的随机性和动力学突变行为表现在不同尺度上,因此需要对振动信号进行多尺度的排列熵分析。基于此,提出了基于局部特征尺度分解(local characteristicscale decomposition,简称LCD)和排列熵的滚动轴承故障诊断方法。首先,采用LCD方法对振动信号进行自适应分解,得到不同尺度的的本征尺度分量(intrinsic scale component,简称ISC);其次,计算前几个包含主要故障信息的ISC分量的排列熵;最后,将熵值作为特征向量,输入基于神经网络集成建立的分类器。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型

提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。

自适应掩膜信号集成局部特征尺度分解及其应用

局部特征尺度分解(LCD)是为克服经验模态分解(EMD)中均值曲线构造的不足而提出的一种自适应信号分解方法,已被应用于机械故障诊断领域.但LCD存在与EMD类似的模态混叠问题,为此,基于均匀相位差掩膜信号构造,提出了自适应掩膜信号集成局部特征尺度分解(AMSELCD),该方法不仅能够将一个复杂信号自适应地分解为若干个本征模态函数和一个剩余项之和,而且能够有效地解决LCD的模态混叠现象.通过仿真信号分析,将AMSELCD与现有多种抑制模态分解方法进行了对比,结果表明了所提方法的有效性和优越性.最后,针对滚动轴承和转子碰摩故障振动信号的调制特征,将所提AMSELCD方法应用于转子碰摩和滚动轴承的故障诊断,对比和实验分析结果进一步验证了所提方法的有效性和优越性.

基于ELCDCAN与EAM-FMD的电能质量扰动分析

针对集总局部特征尺度分解方法分解残余噪声大的问题,将正负自适应噪声对引入分解过程,提出一种互补自适应噪声的集总局部特征尺度分解方法。该方法在集总平均次数较少的情况下,能够减少单个内禀尺度分量的残余噪声,提高分解速度并保证分量的准确度。结合经验调幅-调频分解,提出一种基于自适应噪声的集总局部特征尺度分解和经验调幅-调频分解的电能质量扰动检测方法。首先利用自适应噪声的集总局部特征尺度分解方法对含噪电能质量扰动信号进行分解,获得不同特征时间尺度的内禀尺度分量;其次采用相关系数法剔除高频噪声及虚假分量,得到真实的电能质量扰动分量;最后利用经验调幅-调频分解对各阶内禀尺度分量进行解调,可以准确得到稳态扰动的瞬时幅值和瞬时频率等特征参数,并根据瞬时频率突变点对暂态扰动进行定位。仿真及实测数据检测结果验证了本文所提方法的可行性和有效性。

均值优化经验模态分解及其在转子故障诊断中的应用

经验模态分解(Empirical mode decomposition,EMD)作为一种自适应的信号分解方法已经被广泛应用于诸多工程领域。为了提高EMD的分解性能,分别考虑从不同权值均值曲线的迭代筛分结果中选择正交性最小以及从每层内禀模态函数迭代结果中选择最优以保证整体分解最优,发展了两种均值优化经验模态分解(Mean-optimized empirical mode decomposition,MOEMD)算法。通过仿真信号分析,将MOEMD方法与EMD等现有信号分解方法进行了对比,结果表明,MOEMD方法在分解性能和分解精度方面比EMD等方法有显著提高。最后,将MOEMD方法应用于转子碰摩故障信号分析,并与EMD进行了对比分析,结果表明,MOEMD方法不仅能够有效地识别转子碰摩故障,而且识别效果优于EMD方法。