自适应局部迭代滤波与模糊熵在齿轮系统故障识别中的应用

针对齿轮系统实测信号受噪声干扰而不能准确反映故障特征的问题,提出了一种自适应局部迭代滤波与模糊熵相结合的故障识别方法.利用自适应局部迭代滤波可以将齿轮非平稳信号分解为有限个平稳的本质模态函数,由于自适应局部迭代滤波能有效分离出齿轮系统的转频信号,因此,以转频信号对应的本质模态函数为分界,计算前几个本质模态函数的模糊熵,最后,通过计算不同工况振动信号模糊熵的灰色关联度来识别齿轮系统不同的故障类型.结果表明,该方法能够有效地应用于齿轮系统的故障诊断.     

基于QPSO⁃MPE的滚动轴承故障识别方法

为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性。     

基于SK‑MOMEDA的风电机组轴承复合故障特征分

针对在实际工况中风电机组滚动轴承发生复合故障时,多个故障间相互作用,彼此干扰,造成复合故障特征难以分离问题,提出了基于谱峭度（spectral kurtosis,简称SK）与多点最优调整的最小熵解卷积（multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA）的风电机组滚动轴承复合故障特征分离提取方法。首先,对复合故障信号进行谱峭度分析,选出能量较大的共振频带,并通过构建带通滤波器对相应的共振频带进行滤波,对滤波信号进行包络谱分析,对单一故障特征进行分离提取;其次,对未能实现单一故障特征提取的滤波信号进行多点峭度谱分析并确定故障周期,应用MOMEDA完成后续分离提取过程。仿真信号和工程应用分析结果表明,该方法能够准确且有效地实现轴承复合故障特征的分离提取。     

基于CSES和MED的滚动轴承微弱故障特征提取

针对高噪声条件下,联合平方包络谱(combined squared envelope spectrum,简称CSES)方法容易受频带内噪声和其他频带特征的干扰,导致对滚动轴承微弱故障特征提取困难的问题,提出了一种结合CSES和最小熵解卷积(minimum entropy deconvolution,简称MED)的滚动轴承微弱故障特征提取方法。首先,使用谱峭度选择不同频带-滤波后的信号;其次,对所选信号进行MED滤波,增强频带内的故障特征;最后,依据CSES原理,计算上一步滤波后信号的平方包络频谱并进行归一化,将其合并得到故障特征明显的强化包络谱。仿真与试验结果表明,该方法能够有效提取滚动轴承的微弱故障特征。     

EWT-多尺度模糊熵-VPMCD融合算法的轴承故障识别分类应用

针对振动信号提取轴承故障特征及识别分类的研究方式,提出了一种结合EWT-多尺度模糊熵-VPMCD的方法.首先,运用经验小波变换提取振动信号的模态分量.其次,引入信息论中的模糊熵算法,并加以多尺度粗粒度划分得到多尺度模糊熵特征描述.然后,用VPMCD对特征向量进行自适应选择预测模型训练.最终通过实验表明:模态分量多尺度模糊熵能够有效描述故障特征;VPMCD在少训练样本情况下获得了最低90％的分类准确率,相较一些常用的分类方法有着更好的性能表现.     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于时间递推建模及交叉熵算法求解柔性作业车间调度问题

针对以最小化最大完工时间为目标的柔性作业车间调度问题,通过分析作业完成时间的递推关系,发现通常使用的工序编码对解的表示不唯一影响优化效率,提出了一种新的模型刻画和与之相应的改进交叉熵算法.通过建立基于甘特图的解的归总表示,提高概率分布矩阵的收敛速度;引入随机分布筛,确保采样的可行性;以按概率切换的方式将传统交叉熵算法与两阶段优化方法融合,提高收敛速度的同时保证采样分布的广泛性.对典型算例进行的仿真实验表明,新模型解的归总表示对于提高收敛速度有显著作用,提出的算法能有效求解柔性作业车间调度问题.     

基于可靠性可信性分析的云制造服务组合优化

针对不稳定的制造实体可靠性和服务信誉给新时代制造带来的影响,分析了云制造服务可靠性和可信性,将服务可靠度和可信度、组合复杂度和协同度与执行时间和费用相结合,构建了一种新的服务质量(QoS)评价模型;并通过加权相对偏差评价服务组合性能,提出一种熵增强粒子群优化算法(EEPSO),再引入正态云以提高算法前期全局搜索能力和后期局部寻优精度.以举升装配机器人制造任务为例,验证了优化模型有效性和EEP-SO算法可行性.结果表明,与标准遗传算法(SGA)、混合布谷鸟算法(CSBHC)、粒子群优化算法(PSO)、云熵遗传算法(CEGA)这4种算法相比,EEPSO具有更快收敛速度和更好综合性能.     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.     

石材行业清洁生产技术概述(二)——清洁生产实施体系、规划及石材矿山清洁生产评价模型和方法

分析了石材行业在人们日常生活中的重要作用以及其对我国经济发展的贡献。同时,指出石材行业开展清洁生产战略迫在眉睫。而现有的清洁生产理论在我国石材企业的生产过程中难以直接应用,缺乏能够应用于矿山或车间的切实可行的清洁生产实施体系。为此,在对石材企业生产过程特性研究的基础上,构建了一种面向矿山或车间的清洁生产过程实施体系,包括清洁生产过程的技术基础、研究内容、软件支撑和目标,并重点分析了研究内容模块中生产方案规划、过程控制管理、清洁生产评价技术等关键技术。针对石材开采过程清洁生产综合评价问题,提出了一种基于熵权和AHP的模糊综合评判方法,克服了传统模糊综合评判法在权重确定方面具有一定随意性、主观性的问题。该方法利用层次分析法计算主观权重,利用熵权法计算客观权重,并进行权重拟合,从而得到综合权重,最终得到评价结果。对石材矿山生产的清洁性评价提供了良好的模型和方法。