基于小波包和极限学习机的汽车发动机失火故障识别（英文）

针对缸盖振动信号的非平稳特性,提出了基于小波包相关系数和极限学习机的汽车发动机失火故障诊断系统。首先,对原始信号进行小波包分解,然后计算得到每个样本的能量熵和每个样本各子频带重构信号与原始信号的相关性系数。分别利用相关系数法和能量熵融合峭度的方法建立特征向量,随后输入到BP神经网络和极限学习机中进行训练和测试。实验结果表明,该方法可以有效地反映故障产生的差异并准确地识别单缸失火故障,具有精度高、训练时间短的优点。     

基于小波包样本熵的滚动轴承故障特征提取

将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性.     

基于谐波小波包能量熵的轴承故障实时诊断

将谐波小波包变换与信息熵相结合,从揭示故障信号能量分布的复杂程度入手,提出一种轴承故障实时诊断的新方法.对故障振动信号进行谐波小波包分解,将分解的小波系数按尺度进行排列,计算不同尺度的能量,以尺度能量为划分标准,计算故障信号的能量熵,通过能量的熵值诊断轴承故障.给出谐波小波包能量熵的轴承故障的具体诊断方法和模型.对不同...     

基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法

针对表征齿轮故障特征信息难提取与极限学习机输入权值与隐含层节点阈值随机选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法。该方法首先将齿轮振动信号经过小波包分解,再利用分解所得各节点信号与原信号的相关系数选取出最优节点并计算其能量特征;其次,利用蝙蝠算法优化极限学习机的输入权值与隐含层节点阈值,建立BA-ELM的齿轮故障分类模型;最后,将所得小波包最优节点能量特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明,与基于SVM和ELM的故障分类方法相比,基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。     

基于多小波包样本熵的轴承损伤程度识别方法

为了自动辨识不同尺度下的轴承故障,建立了一种基于多小波包系数样本熵和BP神经网络的模式判别方法。针对5种尺度下的轴承外圈故障信号,分别采用GHM多小波包完成三层分解。为了充分利用多小波包的分析优势,将分解后的16个频段信号分别求系数样本熵,并将其作为神经网络的输入向量。通过三层BP神经网络的训练、学习,并与dB10小波包神经网络做了对比研究。结果表明,多小波包样本熵可以区别不同损伤程度的故障信号,且多小波包样本熵与神经网络结合,其辨识精度更高,分类效果明显优于传统单小波,便于轴承损伤程度的自动识别。     

基于多小波包样本熵的轴承损伤程度识别方法

为了自动辨识不同尺度下的轴承故障,建立了一种基于多小波包系数样本熵和BP神经网络的模式判别方法。针对5种尺度下的轴承外圈故障信号,分别采用GHM多小波包完成三层分解。为了充分利用多小波包的分析优势,将分解后的16个频段信号分别求系数样本熵,并将其作为神经网络的输入向量。通过三层BP神经网络的训练、学习,并与dB10小波包神经网络做了对比研究。结果表明,多小波包样本熵可以区别不同损伤程度的故障信号,且多小波包样本熵与神经网络结合,其辨识精度更高,分类效果明显优于传统单小波,便于轴承损伤程度的自动识别。     

基于小波包和GA-LM-BP神经网络的汽轮机故障诊断

对火电厂汽轮机转子常见的各类振动故障进行识别与诊断,可以及时发现故障并进行维修与预防。在传统故障诊断的基础上,采用基于shannon熵的最优小波包基降噪算法对原始故障信号进行去噪,利用"小波包-能量法"提取信号不同频段能量构造不同故障征兆表,并对故障特征量采用GA改进的LM-BP优化算法进行训练与识别。结果表明最优小波包基降噪效果优于硬阈值去噪,改进后的GA-LM-BP神经网络在汽轮机转子振动故障诊断精度和速度上均具有明显的改善。     

多分辨率能量波动-近似熵方法的设备故障诊断研究

结合小波包分解(WPT)方法和近似熵(ApEn)方法,提出一种多分辨率能量波动-近似熵方法的设备故障诊断技术.首先利用小波包分解将振动信号分解为各频率成分正交、无冗余和无遗漏的子信号,然后对子信号进行能量波动检验,给出故障的存在性诊断;对于存在故障的子信号进行近似熵计算,根据近似熵值的大小,分析信号的复杂性程度,即故障的严重程度.仿真及工程验证结果表明,提出的方法可以有效诊断设备故障的存在性及严重程度.     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。     

基于小波相关排列熵的轴承早期故障诊断技术

针对机械系统早期故障诊断困难的问题,引入滤波效果良好的小波相关滤波法(Wavelet transform correlation filter,WTCF)和对信号微弱变化特征敏感的排列熵算法,定义一种新的小波相关排列熵(Wavelet correlation permutation entropy,WCPE)的概念,并提出基于WCPE的特征提取方法。对采集到的设备振动信号进行WTCF处理,得到信噪比较高的各层小波系数,在此基础上计算小波系数的排列熵复杂度,构造信号沿各小波分解层分布的WCPE特征矢量,并据此分析振动信号的微弱变化。通过对滚动轴承全寿命振动数据的分析,证明基于WCPE提取的信号特征不但能够准确表征轴承由正常状态到故障状态的详细变化过程,还能及时检测出轴承的早期故障。对比小波熵及小波相关特征尺度熵等其他早期故障诊断方法,该方法可显著提前滚动轴承早期故障的检出时间。     

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。     

光伏发电系统直流串联微弱故障电弧检测方法研究

光伏发电系统直流故障电弧因随机性强、信号微弱、容易受负载突变影响而难以准确检测。根据光伏电池U-I输出特性,文中分析光伏发电系统直流串联微弱故障电弧产生机理,通过搭建光伏发电系统故障电弧模拟实验平台,分析了微弱直流串联故障电弧信号特性;进而提出了一种基于电流小波能量熵特征的检测直流串联微弱故障电弧的方法。该方法先计算电流信号脉冲因子,并利用阈值比较法来检测故障电弧。在此基础上,进一步计算电流小波能量熵特征,并采用极限学习机(ELM)辨识微弱故障电弧。实验结果表明:所提方法不仅能检测强直流故障电弧,还能检测微弱直流故障电弧,且平均辨识率高达98%。     

小波包和小波脊线相结合的解调方法在液压泵故障诊断中的应用

针对轴向柱塞泵故障振动信号呈现出的非平稳和非线性特点,提出了一种基于小波包能量法与小波脊线法相结合的信号解调方法,将其用于液压泵故障诊断中的信号解调过程。该方法首先对原始振动信号进行功率谱分析,明确故障振动信号反映出的能量集中频带带宽;根据确定的带宽和原始信号分析频率设定小波包分解的层数,采用小波包能量法提取出分解系数对应频带能量最大的特征信息进行信号重构;利用小波脊线法对重构后的频带信号进行解调处理,通过信号的包络解调谱提取故障的特征频率,利用解调后的时频谱对液压泵单柱塞滑靴磨损、斜盘磨损以及中心弹簧故障进行分析。通过实验结果验证,该方法能有效地对液压泵的故障信号进行解调,并能找出反映故障的敏感特征频率。     

滚动轴承早期冲击性故障特征提取的综合算法研究

针对滚动轴承早期微弱冲击性故障信号特征难以提取的问题,提出了共振解调结合小波包系数熵阈值降噪的综合算法,用于准确确定并提取早期微弱冲击性故障引起的共振调制边频带。该算法应用时延相关和小波包系数熵阈值算法实现信号的双重降噪,并依据共振带能量比确定小波包分解的最佳分解尺度和选取熵阈值的最佳阈值,寻求共振带的最优解,然后进行共振解调提取故障信号特征。实验数据分析结果表明了该算法对滚动轴承早期冲击性故障提取的可行性和有效性。     

基于VMD-MDE和ELM的柱塞泵微弱故障诊断

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性。     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

基于LMD信号重构和支持向量机的柱塞泵故障诊断分析

为了提高基于机器学习的柱塞泵故障诊断效率,在柱塞泵故障5种状态振动信号基础上,提出基于局部均值分解(Local Mean Decomposition,LMD)信号重构和支持向量机(Support Vector Machine, SVM)的柱塞泵故障诊断方法。对消噪信号进行LMD分解,将重构信号与原始信号的样本熵进行对比。通过相关系数法处理分解后的PF分量和原始振动信号,以低相关性的分量作为噪声信号,同时重构高相关性的分量。结果表明:每种状态重构信号和原始信号之间的相关系数都达到0.9以上,说明重构信号内已经含有原始信号主要信息。各状态重构信号样本熵形成了比原始信号样本熵更优的分布状态,说明LMD重构信号可以减弱噪声对故障特征提取造成的影响。200组样本中识别准确率高达99%,表明以SVM多类分类器可以获得较高的故障识别诊断准确率。相对于原始信号,LMD重构信号达到了更高的训练准确度与测试准确性,表现出很好的计算精度。