参数优化VMD对变压器声音信号的故障诊断

变压器内部局放声音信号包含了设备故障特征信息,但是局放声音信号的非线性、非平稳性使得故障特征难以提取,因此现有基于声音信号识别变压器内部故障识别率低.为此,提出模拟退火优化变分模态分解—样本熵的特征提取方法,并与支持向量机结合进行变压器内部局放故障诊断.首先,基于模拟退火算法实现变分模态分解(variational mode decomposition, VMD)的参数寻优;然后,采用最优参数设定VMD并对故障声音信号进行分解,得到包含故障特征的本征模态函数,进而求取各本征模态函数的样本熵作为对应样本的特征向量;最后,利用支持向量机实现特征向量的识别与分类.模拟实验结果表明,所提出的方法可以有效提取局放故障声音信号的特征,具有较好的故障识别率.     

基于多重分形与SVM的高速列车运行状态识别方法

为了评估高速列车服役性态问题,提出基于多重分形与支持向量机(SVM)的高速列车状态识别新方法.该方法计算了高速列车振动信号的多重分形谱,分析了多重分形谱参数与列车状态之间的关联关系,提取了多重分形谱宽度、分形维数差和谱偏斜度作为高速列车状态的特征,使用支持向量机来对高速列车状态进行识别.获取了某型列车的正常状态、抗蛇行减震器失效、空簧失效3种典型的多重分形特征,训练了不同速度下的SVM和单一速度为160 km/h的SVM,并进行了工况识别实验.所提方法对高速列车的状态识别率大于88.8%,表明了该方法的有效性.      

基于Copula函数的高速列车转向架故障特征提取

为了实时监测高速列车转向架关键部件的工作状态,提出了一种基于Copula函数的特征提取方法.以某型高速列车转向架正常、抗蛇形减振器失效、空气弹簧失效、横向减振器失效4种工况的振动信号为研究对象,将信号进行聚合经验模态分解,针对得到的本征模态函数,使用Gaussian Copula函数构建它们的联合概率密度函数.提取边缘分布的Kullback-Leibler Distance值,及联合概率密度函数的均值和方差作为特征,采用支持向量机进行识别.实验结果表明,在200 km/h速度下,故障平均识别率在95%以上,表明了该特征提取方法的有效性.      

基于EEMD和小波包的机车轴箱轴承故障诊断方法

提出了一种基于聚合经验模态分解(ensemble empirieal mode decomposition,EEMD)和小波包的机车轴箱轴承故障诊断方法.首先对轴承振动信号进行小波包分解,分别对小波包分解得到的小波包系数进行阈值去噪处理,将降噪后剩余的小波包系数进行信号重构.然后再对重构后的信号进行EEMD,计算EEMD分解得到的IMF分量和原信号的互相关系数,最后对满足相关条件的IMF分量进行故障诊断分析.为了验证该方法的正确性,搭建了轴承试验平台,通过对轴承实测数据进行故障诊断分析,实验证明该组合诊断方法能克服单一信号处理方法的局限性并能初步诊断出轴承发生的故障.     

基于ICEEMDAN-MPE和GWO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障状态难以准确且快速的识别,提出了一种基于改进自适应噪声完备集成经验模态分解(Improved Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN)-多尺度排列熵(Multi-Scale Permutation Entropy, MPE)和灰狼算法优化支持向量机(Grey Wolf Optimization Algorithm-Support Vector Machine, GWO-SVM)结合的故障诊断方法。首先将轴承信号进行ICEEMDAN分解,然后选取其中相关性较大的IMF(Intrinsic Mode Function)分量计算多尺度排列熵构成特征集合,最后通过GWO-SVM算法进行故障状态识别。通过滚动轴承数据集和不同算法的对比实验,验证了ICEEMDAN-MPE-GWO-SVM方法的有效性,表明该方法可以准确且快速的诊断滚动轴承的故障情况。     

基于支持向量机的电控发动机故障诊断

为快速准确诊断出电控发动机故障,达到较强的故障有效识别水平,提出振动信号分析与支持向量机(support vector machine,SVM)相结合的故障诊断方法。将振动信号的偏度、峰峰值以及由小波分析理论与熵原理结合得到的小波能谱熵作为实验样本的三维特征向量,并将提取到的故障三维特征向量作为训练样本和测试样本输入到SVM模型进行训练和诊断,并利用BP神经网络进行对比验证。结果显示:采用该方法进行故障诊断时正确率达到90%,相比基于BP神经网络的故障诊断方法,基于SVM的电控发动机故障诊断方法在小样本的数据计算和预测中诊断精度较高、鲁棒性较强。     

基于双通道Teager能量重组的滚动轴承故障诊断方法研究

针对在列车轴箱采集到的故障信号伴随有较强背景噪声干扰这一问题,提出了一种基于双通道IMF(Intrinsic Mode Function)相关重组的滚动轴承故障诊断方法,其依据峭度选取最优共振带,通过EMD(Empirical Mode Decomposition)与相关系数求取合理的IMF分量,以Teager能量算子实现解调并基于相关函数对信号进行重组,削弱噪声干扰的同时强化故障信息。通过铁路轴承综合实验台验证,该方法可有效降噪并提取故障特征频率。     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.      

基于改进SBELM的耦合故障诊断方法

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition, EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine, SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1%,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5%;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70%.      

基于改进EEMD和WVD联合时频分析的车轮多边形状态识别方法

为了准确识别高速列车车轮多边形状态以及磨耗幅值,提出了一种改进的聚合经验模态分解(EEMD)与魏格纳-威尔分布(WVD)相结合的随机振动信号联合时频分析方法;利用相关系数法和频谱分析来评估筛选轴箱振动加速度信号经EEMD分解后的变量,然后进行WVD计算,在保持WVD高时频分辨率的同时可有效抑制交叉干扰项;应用该方法分析了周期性车轮多边形磨耗与现场实测随机车轮多边形磨耗引起的轴箱振动加速度信号。研究结果表明:利用EEMD-WVD二维时频谱的主频率可识别车轮多边形状态,利用EEMD-WVD三维时频能量谱的能量幅值分布可评估车轮多边形磨耗幅值,最大误差为0.3%;将改进EEMD和WVD联合时频分析方法的识别结果与短时傅里叶变换、小波分解、WVD传统时频分析方法进行对比,表明此方法应用时无需改变任何参数,自适应强,保留了WVD高时频分辨率的特点,而且可有效抑制EEMD产生的模态混叠现象和WVD产生的交叉干扰项,验证了所提出联合时频分析方法的有效性及其优势,为高速动车组车轮多边形识别和评估提供了新的技术途径。      

纵向冲击下高速列车车体承载极限数值模拟

进行了高速列车车体6005A-T6、6082A-T6铝合金的静态拉伸和动态压缩试验,识别了0.001~2 500 s-1应变率范围内2种铝合金的材料应变率效应,建立了对应的Johnson-Cook本构模型;构建了高速列车典型车辆的显式动力分析模型,完成了刚性墙冲击车体过程仿真,研究了车钩稳态载荷、冲击速度、加载方式对车体承载极限的影响;分析了高速列车一号车和二号车车体在冲击载荷下的变形演化,通过应力变化临界点确定了车体的承载极限,并对列车在更高能量配置模式下的车体承载性能进行了验证。研究结果表明:在0.001~2 500 s-1应变率范围内,6005A-T6和6082A-T6铝合金应变率敏感系数分别为2.9×10-3和8.5×10-3,应变率效应不明显;纵向动态冲击载荷下,应变率强化对铝合金车体结构承载力影响不明显,惯性效应是其承载能力高于静态极限的主要原因;纵向冲击载荷从车钩位置传递时,一号车和二号车车体的动态承载力水平显著高于车体许用静态压缩载荷;冲击载荷下的车体结构承载力可为高速列车碰撞各界面能量分布问题中吸能元件平台力取值提供上界;可适当考虑提高车体许用压缩载荷以扩大列车端部吸能部件力学参数设计域,以满足更苛刻需求下的列车被动安全性能。      

基于经验模态分解的轨道不平顺时频特征分析

高速铁路轨道不平顺测量值是由许多不同频率、不同幅值的单分量信号叠加而成的复杂随机过程.为分析轨道不平顺在空间域和频率域的分布特性,利用希尔伯特-黄变换方法提取轨道不平顺在时-频域的能量分布,为从幅值和波长两个方面综合评价轨道几何状态提供一种新的分析方法.首先,利用多元经验模态分解基于数据驱动的滤波特性,将轨道不平顺数据同时分解为不同尺度下的幅值-频率调制的多元本征模态函数;然后,通过希尔伯特变换计算各尺度下本征模态函数的瞬时频率,分析各层本征模态函数的频率和能量分布特征.通过对轨道检查车的实测轨道不平顺数据解算与分析表明:轨道不平顺的频率分布呈现出近似二进滤波特性,并且每个尺度下的频率带宽较窄;多元经验模态分解尺度图能确定轨道不平顺在各尺度下的能量分布及对应的波长特征;样本轨道不平顺数据中,轨距和水平不平顺的能量主要分布在中长波波段,轨向和高低的能量主要集中在空间波长4~36 m范围;扭曲的能量分布在波长为4.9 m和7.6 m的两个尺度内.      

The Modified Ensemble Empirical Mode Decomposition Method and Extraction of Oceanic Internal Wave from Synthetic Aperture Radar Image

In this paper a modified ensemble empirical mode decomposition(EEMD) method is presented, which is named winning-EEMD(W-EEMD). Two aspects of the EEMD, the amplitude of added white noise and the number of intrinsic mode functions(IMFs), are discussed in this method. The signal-to-noise ratio(SNR) is used to measure the amplitude of added noise and the winning number of IMFs(which results most frequency) is used to unify the number of IMFs. By this method, the calculation speed of decomposition is improved, and the relative error between original data and sum of decompositions is reduced. In addition, the feasibility and effectiveness of this method are proved by the example of the oceanic internal solitary wave.     

基于支持向量机的励磁涌流识别算法

为提高变压器差动保护识别励磁涌流的能力,将支持向量分类机应用于励磁涌流识别,提出了一种基于支持向量分类机的变压器励磁涌流和内部故障识别新方法.基于励磁涌流和内部故障电流的特点,充分考虑电流互感器饱和的特点提取电流互感器二次侧间断角和二次谐波等特征,并对励磁涌流和内部故障电流的识别方法进行了分析;用EMTDC程序进行仿真,生成训练样本和测试样本,对支持向量机进行了训练和测试.结果表明,应用支持向量分类机对励磁涌流和内部故障进行识别,识别率平均可达99%以上.     

A Statistical Parameter Analysis and SVM Based Fault Diagnosis Strategy for Dynamically Tuned Gyroscopes

Gyro's fault diagnosis plays a critical role in inertia navigation systems for higher reliability and precision. A new fault diagnosis strategy based on the statistical parameter analysis (SPA) and support vector machine (SVM) classification model was proposed for dynamically tuned gyroscopes (DTG). The SPA, a kind of time domain analysis approach, was introduced to compute a set of statistical parameters of vibration signal as the state features of DTG, with which the SVM model, a novel learning machine based on statistical learning theory (SLT), was applied and constructed to train and identify the working state of DTG. The experimental results verify that the proposed diagnostic strategy can simply and effectively extract the state features of DTG, and it outperforms the radial-basis function (RBF) neural network based diagnostic method and can more reliably and accurately diagnose the working state of DTG.