轴承退化状态的LCD-Hilbert相对谱熵识别

为有效地对轴承退化状态进行识别,结合LCD分解和Hilbert变换定义了LCD-Hilbert时频谱,同时利用相对熵可以较好表征振动信号概率分布差异的特性,提出基于LCD-Hilbert相对谱熵的轴承退化特征提取方法。通过仿真信号对定义的LCD-Hilbert相对频率能谱熵、相对瞬时能谱熵和相对奇异谱熵的合理性和有效性进行了验证。将这3个特征指标组成退化特征,对实测轴承内圈和外圈故障模式下的不同程度故障振动信号进行了进一步分析,并通过支持向量机对轴承退化状态进行了识别,结果验证了所提方法的有效性。     

齿轮齿面误差的二维谱估计与误差诊断

本文提出了一种改进的二维Kimura 谱估计法,并应用于估计斜、正齿轮齿面周期误差的频谱结构以实现误差诊断和精度评价。二维功率谱较一维功率谱能更好的揭示齿面波形的空间特征和全面诊断加工系统的误差源。     

基于流形-奇异值熵的滚动轴承故障特征提取

提出一种基于流形-奇异值熵的滚动轴承时频故障特征提取方法。首先,在HHT(Hilbert-Huang transform,简称HHT)时频分析基础上,应用二维流形方法提取信号流行成分以达到对轴承故障特征进行降维和提取敏感参量的目的;然后,定义了奇异值熵来定量衡量不同故障状态下流行成分的差异;最后,将流形奇异值向量与概率神经网络相结合,有效实现了轴承故障样本分类。与一般的考虑欧式空间全局范围最优值的主分量(principal component analysis,简称PCA)方法及以向量为研究对象的一维流形方法不同,该方法直接以二维信息为研究对象,避免了一维流形算法需将二维信息转化为向量带来的信息损失,与PCA方法相比更能发现隐藏在高维数据流形结构中的局部数据特征。工程信号分析验证了该方法的有效性,为准确提取滚动轴承故障特征提供了一种可靠手段。     

VGG13卷积神经网络在刀具磨损监测中的应用

刀具磨损对工件加工精度和表面质量有很大影响,为保证零件加工质量,需对刀具磨损状况进行监测。在实际加工生产中采集工件铣削时的振动信号和力信号,利用短时傅里叶变换,将一维信号转化为二维谱图,建立刀具磨损阶段与频谱图的对应关系,利用Pytorch搭建VGG13卷积神经网络,将频谱图作为卷积神经网络模型输入进行训练,得到刀具磨损监测模型。通过实验对方案可行性及模型准确度进行测试,实验结果表明,利用卷积神经网络进行刀具磨损状态监测的准确度能够达到98%以上,可为实际生产中的刀具磨损状态监测提供参考。     

基于多维度排列熵与支持向量机的轴承早期故障诊断方法

针对许多现有方法无法有效诊断滚动轴承早期故障的问题,引入排列熵的方法对轴承振动信号进行早期故障分析。通过研究嵌入维数和延迟时间对信号排列熵的影响,提出多维度排列熵的特征提取方法。利用多维度排列熵方法所提取的特征,建立了基于支持向量机的轴承早期故障智能诊断模型。对轴承不同类型、不同程度的故障数据进行分析,证明了多维度排列熵方法可以有效提取轴承不同状态的特征信息,与支持向量机结合的智能诊断模型可以精确地诊断轴承不同类型的早期故障,具有很强的通用性;该模型在贫样本的情况下,依然具有很高的诊断精度,适用于滚动轴承早期故障状态的在线监测。     

改进Alexnet的滚动轴承变工况故障诊断方法

旋转机械中的滚动轴承常工作在变负荷、强噪声的环境中,而传统的滚动轴承故障诊断方法难以在复杂工况下自适应地提取对其故障诊断有利的特征,针对此问题,提出一种改进AlexNet的滚动轴承变工况故障诊断方法。首先,将采集的一维时域信号按横向插样构建便于改进AlexNet输入的二维特征图,于现存的纵向插样和二维频谱而言,保留了特征自动提取过程中振动信号的时序性和关联性;其次,改进调整AlexNet卷积层的功能层且经过卷积和次采样等操作,从二维特征图中自动提取出利于滚动轴承状态辨识的特征;最后,以softmax的交叉熵为损失函数,利用Adam按小批量迭代优化法实现对滚动轴承故障的诊断。通过与多种方法对滚动轴承不同位置、不同损伤程度的12类状态诊断效果比较,结果表明,该方法对变负荷、强噪声条件下的滚动轴承故障诊断的精度更高,鲁棒性更强。     

改进Alexnet的滚动轴承变工况故障诊断方法

旋转机械中的滚动轴承常工作在变负荷、强噪声的环境中，而传统的滚动轴承故障诊断方法难以在复杂工况下自适应地提取对其故障诊断有利的特征，针对此问题，提出一种改进AlexNet的滚动轴承变工况故障诊断方法。首先，将采集的一维时域信号按横向插样构建便于改进AlexNet输入的二维特征图，于现存的纵向插样和二维频谱而言，保留了特征自动提取过程中振动信号的时序性和关联性；其次，改进调整AlexNet卷积层的功能层且经过卷积和次采样等操作，从二维特征图中自动提取出利于滚动轴承状态辨识的特征；最后，以softmax的交叉熵为损失函数，利用Adam按小批量迭代优化法实现对滚动轴承故障的诊断。通过与多种方法对滚动轴承不同位置、不同损伤程度的12类状态诊断效果比较，结果表明,该方法对变负荷、强噪声条件下的滚动轴承故障诊断的精度更高，鲁棒性更强。     

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

应用多参数融合与ELM的自动机故障诊断

考虑到自动机工作环境复杂,各部件相互作用时间短,冲击性强从而导致各种响应信号相互叠加,敏感特征参量难以确定的问题,提出了一种应用多参数融合与ELM相结合的自动机故障诊断方法。首先,对自动机故障信号计算广义分形维数,在此基础上提取盒维数、信息维数、关联维数作为故障特征参量;然后引入信息熵模型,对自动机故障信号提取功率谱熵、奇异谱熵、特征空间谱熵作为特征参量来描述信号状态在频域、时域、时频域的能量变化;最后将特征参量输入到极限学习机中(ELM)进行分类。实验结果表明多参数融合能全面准确地反映故障信息,极限学习机学习速度快、结构简单,具有很好的故障分类效果。     

基于变分模态分解谱熵的电机轴承退化状态识别方法

为更好的表征电机轴承的退化状态,对电机轴承退化特征提取方法进行了研究。结合变分模态分解(Variational modal decomposition, VMD)和信息熵理论,提出了基于VMD分解谱熵的退化状态识别方法。对不同损伤程度的轴承振动信号进行VMD分解,分别计算其在不同尺度下的复杂度度量能谱熵、奇异谱熵和边际谱熵,以其作为退化特征向量。通过建立相关向量机退化状态识别模型实现轴承的退化状态识别。仿真信号和轴承实测信号均验证了VMD分解谱熵对轴承退化状态的表征能力。     

基于信息融合的短时矢功率谱分析方法

研究了基于信息融合的旋转机械短时矢功率谱分析方法。根据单通道信号处理的不足,本文提出把全矢谱技术与短时傅里叶变换相结合,建立矢量信号的短时矢功率谱概念,导出其计算公式,阐述其图谱表达,并将其应用于实际故障诊断系统中。研究表明,短时矢功率谱可以对矢量信号的短时能量随频率、时间等的变化过程作出分析,可以应用于旋转机械故障诊断实践中。     

基于信息熵的涡旋压缩机故障诊断研究

为了定量描述涡旋压缩机运行状态,在状态特征提取的基础上,从振动信号分析的思路出发,结合信息论中熵和灰关联度的理论,建立了一种基于时域的奇异谱熵、频域的功率谱熵、时-频域小波能量谱熵和小波空间特征谱熵的故障诊断方法,并作为综合评价涡旋压缩机振动状态的定量特征指标,可实现对涡旋压缩机几种故障的较好识别,证明了该故障诊断方法的有效性。     

Natural gas pipeline small leakage feature extraction and recognition based on LMD envelope spectrum entropy and SVM

As it is difficult to identify the scale and aperture of small leaks occurring in a natural gas pipeline, this paper proposes a small leak feature extraction and recognition method based on local mean decomposition (LMD) envelope spectrum entropy and support vector machine (SVM). First, LMD is used to decompose the leakage signals into several FM–AM signals, i.e. into product function (PF) components. Then, based on their kurtosis features, the principal PF components that contain most of the leakage information are selected. Wavelet packet decomposition and energy methods are used to analyze and then reconstruct the principal PF components. The Hilbert transform is applied to these reconstructed principal PF components in order to acquire the envelope spectrum, from which the envelope spectrum entropy is obtained. Finally the normalized envelope spectrum entropy features are input into the SVM as leakage feature vectors in order to enable leak aperture category identification. By analyzing the acquired pipeline leakage signals in field experiments, it shows that this method can effectively identify different leak categories.     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

New method of fault diagnosis of rotating machinery based on distance of information entropy

This paper introduces the basic conception of information fusion and some fusion diagnosis methods commonly used nowadays in rotating machinery. From the thought of the information fusion, a new quantitative feature index monitoring and diagnosing the vibration fault of rotating machinery, which is called distance of information entropy, is put forward on the basis of the singular spectrum entropy in time domain, power spectrum entropy in frequency domain, wavelet energy spectrum entropy, and wavelet space feature entropy in time-frequency domain. The mathematic deduction suggests that the conception of distance of information entropy is accordant with the maximum subordination principle in the fuzzy theory. Through calculation it has been proved that this method can effectively distinguish different fault types. Then, the accuracy of rotor fault diagnosis can be improved through the curve chart of the distance of information entropy at multi-speed.     

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。     

基于信息熵的涡旋压缩机振动信号分析

为了定量描述涡旋压缩机的运行状态,应用信息熵理论,建立了一种基于时域的奇异谱熵、频域的功率谱熵、时 频域小波能量谱熵和小波空间特征谱熵的振动信号分析方法,并作为综合评价涡旋压缩机振动状态的定量特征指标。实现了在恒转速条件下涡旋盘固有频率的识别,定量分析了动涡盘轴向振动、径向柔性机构及轻微液击等对压缩机的影响。揭示了变转速条件下涡旋盘3种周期激变的运动形式及信息熵随着压缩机转速变化的规律。研究结果为涡旋压缩机故障诊断提供了基础数据。     

基于边际谱熵的肌肉疲劳实时评估方法研究

肌肉疲劳是一种复杂的生理现象。针对利用表面肌电信号实时评估肌肉疲劳,要求疲劳指标兼具快速、可靠、抗噪的问题,提出基于边际谱熵的肌肉疲劳实时评估方法。首先,利用不同数据长度的确定性周期信号和高斯白噪声分析了边际谱熵快速性与数据长度稳健性;其次,利用10名受试者握力持续静态收缩状态下从100%MVC下降到50%MVC时桡侧腕长伸肌的肌肉疲劳信号,分析了边际谱熵评估肌肉疲劳的可靠性与应用于不同个体的稳定性;最后,在某一受试者肌肉疲劳信号中加入高斯白噪声和心电噪声考察了边际谱熵的抗噪性。实验结果表明,边际谱熵与近似熵和中值频率相比计算快速,数据长度稳健性更优;线性拟合优度较佳(0.46±0.14),能可靠地评估肌肉疲劳;斜率变异系数较低(30.30%),对不同个体稳定性高;加入高斯白噪声和心电噪声后边际谱熵拟合优度变化率较低(分别为34.39%和3.78%),具有良好的抗噪性。因此边际谱熵兼具快速、能可靠评估肌肉疲劳以及抗噪等优点,为实时评估肌肉疲劳提供一种新方法。     

基于小波—奇异值分解差分谱的弱故障特征提取方法

对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。     

基于EMD和信息熵的滚动轴承故障诊断

提出了一种基于EMD和信息熵的滚动轴承故障诊断方法。利用EMD将滚动轴承振动信号分解为多个IMF分量,计算各个IMF分量的信息熵,设定有效的熵阈值来取舍IMF分量,利用保留的IMF分量重构信号,并对重构信号进行Hilbert包络谱分析,提取滚动轴承故障特征频率。对实测滚动轴承振动信号分析表明,该方法能有效提取滚动轴承的故障特征频率。