计算阶次分析中避免阶次混叠的滤波定阶方法及其应用

针对计算阶次分析中的阶次混叠现象,分析了各阶次信号分量在频域范围的对应关系,提出并分析了在相同转速区间内信号的各阶次分量会发生频率重叠的问题;在此基础上提出了使用滤波器限制频率、确定阶次的方法,推导了滤波器截止频率选择和滤波后信号角域重采样阶次的确定原则。通过仿真信号分析和实际信号验证,提出的方法成功均能有效的阶次混叠问题,有效确定和降低了角域重采样阶次。     

基于排列熵和神经网络的滚动轴承异常检测与诊断

针对轴承不同状态下的复杂性特征,提出基于排列熵和神经网络的异常检测与诊断方法。介绍异常检测与诊断的原理,采用排列熵算法检测信号异常,提取能够敏感反映轴承不同异常模式（滚动体异常、内圈异常和外圈异常）的排列熵、嵌入维数及关联维数等复杂度参数形成特征向量,通过神经网络对异常模式进行分类识别。结果表明：排列熵算法可以定位异常发生的时刻,以时间序列的复杂性特征参数为输入的神经网络诊断方法能够有效识别轴承的不同异常模式。     

排列熵算法研究及其在振动信号突变检测中的应用

排列熵算法具有计算简单、实时性高、能较好地反映时间序列数据微小的变化,已成为一种检测复杂系统动力学突变的有力工具.首先阐述了排列熵算法的基本原理,通过仿真信号的排列熵计算结果,说明了时间序列排列熵对信号突变的检测效果,最后以某型坦克变速箱振动信号为例,通过提取振动信号的峰峰值特征,形成新的时间序列数据用于排列熵的计算,结果表明排列熵值的变化能够有效反映信号的突变时刻.     

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。     

基于可变风险SVM模型的柴油机故障诊断技术

针对传统故障模式识别方法不能区别不同误判所造成损失不同的问题,提出了可变风险支持向量机(SVM)模型,对传统SVM模型的最优分类面进行重新设计,在利用实际数据识别故障的同时融入专家经验,使故障识别结果更具可靠性,该方法已成功应用于柴油机故障诊断.     

排列熵算法参数的优化确定方法研究

由于排列熵算法能够有效放大时间序列的微弱变化,且计算简单、实时性好,已在信号突变检测方面显示出良好的应用前景,但是排列熵算法中嵌入维数和延迟时间等参数的确定仍依赖于经验和尝试,该问题已成为排列熵算法走向工程应用的瓶颈问题。根据排列熵算法的原理,提出了基于重构时间序列最佳相空间来确定模型参数的方法。根据相空间重构的两种观点,介绍了延迟时间与嵌入维数独立确定和联合确定两种方法的基本理论,然后利用仿真信号和滚动轴承全寿命数据对两种算法进行了检验和对比。结果表明,模型参数的独立确定方法比联合确定方法对信号的异常检测更好。