提出了基于基因优化最小二乘支持向量机(Gene optimized least squares support vector ma⁃chine,GOLSSVM)的自适应局部迭代滤波(Adaptive local iterative fittering,ALIF)和排列熵(Permuta⁃tion entropy,PE)的故障诊断方法,并将该方...提出了基于基因优化最小二乘支持向量机(Gene optimized least squares support vector ma⁃chine,GOLSSVM)的自适应局部迭代滤波(Adaptive local iterative fittering,ALIF)和排列熵(Permuta⁃tion entropy,PE)的故障诊断方法,并将该方法应用于齿轮箱的诊断,成功实现了对齿轮箱4种故障种类的识别。针对排列熵无法直接识别齿轮箱不同故障类别的问题,利用ALIF方法相较于EMD方法在去除残余噪声及抑制模式混叠上的优势,使用ALIF方法对故障信号进行降噪,提取有效分量,再计算有分量的PE值(C-PE值),以获得振动信号的多尺度特性;然后,使用基因算法对最小二乘支持向量机(Least squares support vector machine,LSSVM)进行了优化;最后,将特征向量输入到GOLSSVM,对故障特征进行分类。结果表明,所提方法相比BP神经网络和SVM在故障识别精度上有优势。展开更多
直接快速迭代滤波(direct fast iterative filtering,DFIF)是最近提出的一种非线性和非平稳信号分析方法。针对DFIF方法需人为设定滤波区间调整参数,且该参数在迭代计算过程中缺乏自适应性等问题,提出了自适应直接快速迭代滤波(adaptive...直接快速迭代滤波(direct fast iterative filtering,DFIF)是最近提出的一种非线性和非平稳信号分析方法。针对DFIF方法需人为设定滤波区间调整参数,且该参数在迭代计算过程中缺乏自适应性等问题,提出了自适应直接快速迭代滤波(adaptive direct fast iterative filtering,ADFIF)方法,该方法基于瞬时频率波动能量差准则,自适应确定DFIF算法外循环每层迭代筛分过程中最优滤波区间调整参数。ADFIF方法能够自适应地将任意非线性和非平稳信号分解为若干个瞬时频率具有物理意义的近似窄带信号和一个趋势项之和。通过仿真信号和滚动轴承故障信号分析,将所提ADFIF方法与原DFIF、自适应局部迭代滤波、变分模态分解、经验模态分解等方法进行对比,结果表明,所提ADFF方法在抑制模态混叠和抗噪性方面具有一定的优势,且能提取出滚动轴承更多故障特征信息。展开更多
针对自适应局部迭代滤波(Adaptive Local Iterative Filtering,ALIF)方法的模态混叠问题,提出了基于伪极值点的自适应局部迭代滤波(Pseudo-extrema-based Adaptive Local Iterative Filtering,PEALIF)方法.此方法采用增加伪极值点的方...针对自适应局部迭代滤波(Adaptive Local Iterative Filtering,ALIF)方法的模态混叠问题,提出了基于伪极值点的自适应局部迭代滤波(Pseudo-extrema-based Adaptive Local Iterative Filtering,PEALIF)方法.此方法采用增加伪极值点的方式使得信号极值点的分布更均匀,有效地抑制模态混叠问题的同时,亦保证了算法分解的顺序性.详细介绍了EPALIF方法的原理,同时构建仿真信号,将此方法与EMD、EEMD、CEEMD和ALIF方法进行分析和对比.结果表明PEALIF在分解能力、抑制模态混叠和抗噪声干扰等方面都具有一定的优越性.最后,将此方法应用在双半内圈轴承故障诊断中,实验结果表明PEALIF方法能获取更突出且易于辨识的故障特征信息,证实了该方法应用在轴承故障诊断分析上的实用性.展开更多
文摘提出了基于基因优化最小二乘支持向量机(Gene optimized least squares support vector ma⁃chine,GOLSSVM)的自适应局部迭代滤波(Adaptive local iterative fittering,ALIF)和排列熵(Permuta⁃tion entropy,PE)的故障诊断方法,并将该方法应用于齿轮箱的诊断,成功实现了对齿轮箱4种故障种类的识别。针对排列熵无法直接识别齿轮箱不同故障类别的问题,利用ALIF方法相较于EMD方法在去除残余噪声及抑制模式混叠上的优势,使用ALIF方法对故障信号进行降噪,提取有效分量,再计算有分量的PE值(C-PE值),以获得振动信号的多尺度特性;然后,使用基因算法对最小二乘支持向量机(Least squares support vector machine,LSSVM)进行了优化;最后,将特征向量输入到GOLSSVM,对故障特征进行分类。结果表明,所提方法相比BP神经网络和SVM在故障识别精度上有优势。
文摘直接快速迭代滤波(direct fast iterative filtering,DFIF)是最近提出的一种非线性和非平稳信号分析方法。针对DFIF方法需人为设定滤波区间调整参数,且该参数在迭代计算过程中缺乏自适应性等问题,提出了自适应直接快速迭代滤波(adaptive direct fast iterative filtering,ADFIF)方法,该方法基于瞬时频率波动能量差准则,自适应确定DFIF算法外循环每层迭代筛分过程中最优滤波区间调整参数。ADFIF方法能够自适应地将任意非线性和非平稳信号分解为若干个瞬时频率具有物理意义的近似窄带信号和一个趋势项之和。通过仿真信号和滚动轴承故障信号分析,将所提ADFIF方法与原DFIF、自适应局部迭代滤波、变分模态分解、经验模态分解等方法进行对比,结果表明,所提ADFF方法在抑制模态混叠和抗噪性方面具有一定的优势,且能提取出滚动轴承更多故障特征信息。
文摘针对自适应局部迭代滤波(Adaptive Local Iterative Filtering,ALIF)方法的模态混叠问题,提出了基于伪极值点的自适应局部迭代滤波(Pseudo-extrema-based Adaptive Local Iterative Filtering,PEALIF)方法.此方法采用增加伪极值点的方式使得信号极值点的分布更均匀,有效地抑制模态混叠问题的同时,亦保证了算法分解的顺序性.详细介绍了EPALIF方法的原理,同时构建仿真信号,将此方法与EMD、EEMD、CEEMD和ALIF方法进行分析和对比.结果表明PEALIF在分解能力、抑制模态混叠和抗噪声干扰等方面都具有一定的优越性.最后,将此方法应用在双半内圈轴承故障诊断中,实验结果表明PEALIF方法能获取更突出且易于辨识的故障特征信息,证实了该方法应用在轴承故障诊断分析上的实用性.
