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。     

基于多维度模糊熵的齿轮故障诊断方法

针对齿轮的故障诊断问题,引入模糊熵的方法对齿轮振动信号进行分析。通过研究嵌入维数和延迟时间对信号模糊熵的影响,提出多维度模糊熵的齿轮故障特征提取方法。利用多维度模糊熵特征提取方法提取故障特征,并结合支持向量机建立了齿轮故障诊断模型。对实测齿轮故障数据进行分析,证明了多维度模糊熵方法可以有效提取齿轮不同状态的特征信息,与支持向量机结合可以精确地诊断齿轮典型故障,具有一定的优势。     

多尺度近似熵在机械故障诊断中的应用

针对机械故障信号非线性、非平稳性特点,提出了一种基于多尺度近似熵和支持向量机的故障诊断方法,首先利用多尺度近似熵对故障信号进行故障特征提取,然后结合支持向量机对不同的机械振动信号进行分类。结果表明,该方法能有效识别轴承类故障。     

基于小波包近似熵和SVM的圆柱滚子轴承诊断

为了解决特种车辆变速箱圆柱滚子轴承由于振动信号的非线性、非平稳特征较为微弱,提取的特征量数值不明显且现实中难以获得大量含丰富特征的典型故障样本而难以对其进行准确诊断的问题,应用小波包近似熵和支持向量机对特种车辆变速箱圆柱滚子轴承进行诊断。首先,在自行搭建的模拟实验台上采集某型特种车辆变速箱圆柱滚子轴承正常、外圈磨损、滚动体故障、点蚀和压痕4种典型状态的振动信号;然后,分别提取4种典型状态振动信号的小波包近似熵值作为支持向量机的输入,根据支持向量机的输出结果来确定圆柱滚子轴承是否发生故障和故障类型。结果表明,该方法能有效对某型特种车辆变速箱圆柱滚子轴承的典型状态进行诊断,为其他相似变速箱圆柱滚子轴承的故障诊断提供一种参考途径,具有一定的工程实用价值。     

基于变分模态分解互近似熵和相关向量机的轴承故障诊断

针对轴承故障振动信号非线性、非平稳性的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)互近似熵(Cross Approximate Entropy)和相关向量机(Relevance Vector Machine,RVM)的轴承故障诊断方法。该方法首先利用VMD将信号分解成不同尺度下的本征模态分量(Intrinsic Mode Function,IMF);然后,选取主要IMF进行互近似熵计算并将其组成故障特征向量;最后,采用RVM作为分类器,将故障特征输入其中进行故障诊断。将该方法应用到实际的轴承故障信号中,分析结果表明该方法是有效的,在轴承故障诊断中具有一定优势。     

基于变分模态分解近似熵和支持向量机的轴承故障诊断方法

针对滚动轴承振动信号的非平稳特征,以及现实中难以获得大量典型故障样本的情况,提出了一种基于变分模态分解的近似熵和支持向量机的故障诊断方法。首先,通过VMD将原始振动信号分解为若干个频率尺度的本征模态分量;然后,计算各个IMF分量的近似熵并组成特征向量;最后,将上述特征向量输入支持向量机进行训练,并判断轴承的工作状态和故障类型。分析结果表明:与EMD及LMD相比,VMD近似熵与支持向量机相结合后,诊断精度得到了较大的提高,更适用于轴承故障的自动化诊断。     

近似熵与支持向量机在发动机故障识别中的应用研究

针对发动机曲轴轴承极易磨损,导致发动机出现故障的问题,提出了一种基于近似熵与支持向量机相结合的故障诊断方法。发动机在工作过程中,早期故障特征信号微弱。基于此,引入近似熵算法,分别模拟发动机曲轴轴承4种磨损状态,测取各状态下多测点的振动信号样本,计算样本近似熵值,构建了不同状态近似熵故障特征向量。结合支持向量机算法,构造支持向量机故障分类模型,将近似熵特征量带入其中进行训练与测试,测试结果准确率达到97.5%,并与普遍使用的BP神经网络诊断方法进行了对比,结果表明该方法具有更高的诊断识别率,是一种有效且准确率较高的在线诊断方法。     

基于样本分位数散布熵的汽车电机轴承故障诊断方法

为保证提取出的汽车电机轴承故障特征对轴承的故障具有更好的可分析,在对散布熵(DE)进行研究的基础上,提出了轴承故障信号复杂度度量的新方法——样本分位数散布熵(SQDE).SQDE是在DE中引入了样本分位数的概念,克服了DE中嵌入维数参数的选择问题.轴承故障诊断实例表明,相比于DE,SQDE对轴承不同类型和不同程度故障的辨识度有了较大提升,支持向量机(SVM)的故障诊断精度也更高,具有一定的优势.     

基于EMD幅值熵和支持向量机的滚动轴承故障诊断

针对滚动轴承早期故障特征微弱,无法对轴承状态进行有效辨识的特点,提出基于EMD幅值熵和支持向量机的故障诊断方法。首先通过经验模态分解的自适应性将振动信号分解为不同时间尺度的本征模态函数IMFs,然后从分解的IMFs中分别提取瞬时幅值香农熵构造故障特征集,最后通过支持向量机对提取的故障特征集进行分类识别。滚动轴承实验结果表明,所提方法相比基于EMD和AR模型的故障诊断方法效果更好,诊断识别率达到100%。     

基于EEMD能量熵和支持向量机的轴承故障诊断

提出了一种基于总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。首先通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);轴承发生不同的故障时,信号在不同频带内的能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断轴承的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于轴承的故障诊断。     

基于局部特征尺度分解与基本尺度熵的轴承故障诊断

为了准确进行轴承故障诊断,提出了基于局部特征尺度分解与基本尺度熵的故障特征提取及诊断方法。首先,分析了基本尺度熵提取轴承振动信号蕴涵的故障信息的合理性,针对基本尺度熵的参数选择问题,提出了基于相空间重构理论的延迟时间和嵌入维数选择方法;然后,运用局部特征尺度分解对基本尺度熵进行自适应多尺度化,充分提取了故障特征;最后,将原始信号的降噪数据及有用分量的基本尺度熵作为特征向量,通过支持向量机进行故障诊断。以轴承振动试验信号为例进行了验证,结果表明,所提方法能有效识别正常、内圈故障、外圈故障及滚动体故障等4种状态。     

基于MED-SVM的齿轮箱故障诊断方法

为了解决齿轮箱的故障诊断问题,提出了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)和支持向量机(Support Vector Machine,SVM)的齿轮箱故障诊断方法。该方法首先对齿轮箱振动加速度信号进行MED降噪处理,对降噪后的信号在幅域、频域和能量域进行特征参量提取,建立特征向量,以此作为输入建立多分类支持向量机,通过交叉验证方法优化模型参数,判断齿轮箱的故障类型。实测齿轮箱振动信号的故障诊断结果表明,该方法能有效识别多种齿轮和轴承的故障类型,优化模型参,数有助于提高故障识别准确率。     

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%。     

基于改进层次基本熵融合SMA-SVM模型的轴承故障诊断方法

针对煤矿机械轴承的故障特征提取和故障状态识别问题，提出了改进层次基本熵(IHBSE)特征提取融合黏菌优化(SMA)—支持向量机(SVM)分类模型的煤矿机械轴承故障诊断方法。首先，引入了能够同时分析信号低频和高频信息的IHBSE方法，并将其用于捕捉不同状态下，煤矿机械轴承振动信号中的多维故障特征，构建了特征向量；然后，采用具有优异全局寻优性能的黏菌算法，对支持向量机的惩罚系数和核函数的最佳值进行了搜索，提出了黏菌算法—支持向量机(SMA-SVM)模型；最后，利用部分特征样本对诊断模型进行了训练，并采用训练完毕的具有最佳参数的SMA-SVM分类器，进行了轴承故障类型和严重程度的判断。研究结果表明：所提出的煤矿机械轴承故障诊断方法可以有效地识别煤矿机械轴承的运行状态，分类准确率达到了1,而在多次实验下的平均准确率也高于0.98,对实际工程应用具有一定的参考价值。     

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VMD多特征融合与PSO-SVM的滚动轴承故障诊断

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。     

基于ISVD多级降噪和SVM的轴承故障诊断研究

在强噪声背景下难以提取出滚动轴承的故障特征，导致对轴承的故障诊断准确率不高，针对这一问题，提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先，采用小波降噪对滚动轴承的原始信号进行了初始降噪，消除了部分的随机噪声；然后，主要通过改进相空间矩阵重构方式，对该信号进行了改进奇异值分解二次降噪，并提出了新的奇异值有效秩阶次确定方法，利用峭度对一维信号提取方案进行了优化，并对其完成了降噪；最后，通过提取了10个有效特征，结合支持向量机在MATLAB中进行了仿真实验，分析了不同特征对轴承的故障诊断结果的影响，并将方法与其他方法进行了对比分析。研究结果表明：采用多级降噪算法降低了轴承工作状态下的背景噪声，使其故障特征频率更为明显；支持向量机分类诊断器的故障识别准确率达到98.3%,能够有效地识别轴承故障发生的位置和严重程度。     

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。     

基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断

为充分提取非线性、非平稳的轴承故障信号特征信息，进而提高轴承故障诊断精度，提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先，使用VMD将轴承故障振动信号分解为了多个模态分量，通过评估原信号与模态分量信号的互相关程度，筛选了其有效模态，并对其进行了信号重构，实现了故障信号的降噪处理目的；然后，使用精细复合均值化代替了传统粗粒化方法，利用RCMMDE方法提取了重构信号的多尺度熵值，构成了特征样本集；最后，通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优，构建了最优的故障检测模型，并将特征样本集输入到WOA-SVM模型中进行了轴承故障诊断，并通过实验评估验证了模型的有效性。研究结果表明：该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上，并具有很强的鲁棒性。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。