针对高速列车抗蛇行减振器故障振动信号具有非线性、非平稳特征以及特征信号提取相对困难的问题,提出一种基于自适应噪声完备集合模态分解(CEEMDAN)与灰狼算法优化的最小二乘支持向量机(LSSVM)相结合的故障诊断方法。利用CEEMDAN方法分解车辆的振动信号,得到振动信号的各模态分量(IMF),并计算IMF各分量的精细复合多尺度散布熵(RCMDE),组成每个样本下的特征向量,最后输入到利用灰狼优化算法(GWO)对LSSVM的惩罚系数和核函数参数迭代寻优以获得最优分类效果的LSSVM中进行故障诊断。试验结果表明通过提取CEEMDAN各模态分量IMF的精细复合多尺度散布熵作为特征输入到GWO-LSSVM中具有很好的诊断效果,实现了抗蛇行减振器故障的有效判别,验证了该方法的可行性。

针对往复压缩机振动加速度信号的非线性、非平稳等特性,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和精细复合多尺度散布熵(RCMDE)的往复压缩机轴承故障特征提取方法。采用CEEMDAN方法对信号进行分解时,通过不同的参数组合,可得到不同的IMF分量;计算不同参数条件下重构后的信号的峭度值,选用峭度值最大的一组参数重新对信号进行CEEMDAN分解,并进行信号重构。对重构后的信号进行RCMDE分析,提取故障特征向量,并利用支持向量机(SVM)进行分类识别。将优选参数的CEEMDAN分解方法和原CEEMDAN分解方法进行对比,结果表明优选参数的CEEMDAN分解方法能更好地提取往复压缩机周期冲击性信号,有利于提高故障诊断的精确度。