基于局部特征尺度分解谱熵和VPMCD的液压泵退化状态识别

针对液压泵故障信号的非平稳特性以及其退化状态难以识别的问题,结合局部特征尺度分解与信息熵理论,提出了局部特征尺度分解谱熵的退化特征提取方法,并将基于变量预测模型的模式识别(Variable Predictive Model based Class Discriminate,VPMCD)方法引入到液压泵的退化状态识别。对不同程度故障的液压泵振动信号进行局部特征尺度分解,从得到的内禀尺度分量中提取振动信号的复杂度和随机性度量指标能谱熵、奇异谱熵和包络谱熵,以其作为液压泵的退化特征向量,通过建立VPMCD退化状态识别模型实现液压泵的退化状态识别。仿真信号分析结果验证了所提出的局部特征尺度分解谱熵具有较好的表征液压泵故障退化状态的能力。通过对实测液压泵松靴和滑靴磨损两种故障模式下的退化状态振动信号进行分析验证了提出方法的有效性。     

基于多尺度形态分解谱熵的电机轴承预测特征提取及退化状态评估

由于预测特征提取与退化状态评估直接关系故障预测可信性,结合数学形态学与信息熵理论,针对电机滚动轴承,提出基于多尺度形态分解谱熵的预测特征提取方法,用灰色关联分析对退化状态进行评估。对不同损伤程度轴承振动信号进行多尺度形态分解,分别计算其在不同尺度域内的复杂性度量能谱熵、奇异谱熵,以其作为预测特征向量。建立标准退化模式矩阵,对待检测样本信号特征向量与标准模式进行灰色关联分析,据关联度大小对样本信号退化状态进行评估。并仿真与实例数据验证该方法对电机轴承退化状态评估的有效性。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

EMD和平滑伪Wigner-Ville谱熵的轴承故障诊断

提出一种基于经验模态分解(EMD)和平滑伪Wigner-Ville分布 (SPWVD) 谱熵的滚动轴承故障诊断的方法。EMD方法充分保留信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有较大的优势,SPWVD谱熵用于定量刻画轴承不同状态下振动信号的时频能量分布,将二种算法相结合应用于不同工作状态滚动轴承,并设计最小二乘支持向量机(LS-SVM)智能模型,实现轴承状态和故障类型的自动分类和识别。通过SPWVD谱熵与谱峭度法的对比,验证了SPWVD谱熵的有效性。实验表明此方法能够有效地提取轴承故障的特征信息,提高轴承故障诊断率。     

基于局部特征尺度分解和JRD距离的液压泵性能退化状态识别方法

针对液压泵振动信号通常具有非线性强与信噪比低的特点,提出了基于局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)与JRD(Jensen-Renyi Divergence)距离的液压泵性能退化状态识别方法。该方法首先对原始振动信号进行局部特征尺度分解,得到不同特征尺度下的内禀尺度分量(Intrinsic Scale Component,ISC);然后,提取包含主要退化特征信息的ISC分量的Renyi熵,以此作为退化特征量;最后,通过计算不同特征量之间的JRD距离来判断液压泵的退化状态。将该方法应用于液压泵实测数据,结果表明,基于局部特征尺度分解和JRD距离的退化状态识别方法能够有效识别液压泵的性能退化状态。     

基于局部均值分解的滚动轴承故障诊断新方法

针对滚动轴承振动信号的非平稳特性和调制特点,提出了一种基于Wigner-Ville谱熵的特征提取新方法：运用局部均值分解算法将轴承振动信号分解为若干个乘积函数,并基于Wigner-Ville分布描述主要乘积函数分量的时频能量特征。在此基础上,结合Shannon熵构造一种新的特征提取指标—Wigner-Ville谱熵,并将其构成的特征向量输入到最小二乘支持向量机,实现了轴承不同工作状态和故障程度的自动分类与诊断。仿真和实例分析证明了方法的有效性。     

基于改进排列熵的滚动轴承故障特征提取

排列熵能够有效监测振动信号中的动力学突变,衡量振动信号的复杂度,在旋转机械状态监测中获得成功的应用。将排列熵应用于滚动轴承故障特征提取中,并针对排列熵对振动信号幅值不敏感,无法反映振动信号中局部能量分布差异的问题,利用滤波信号的归一化瞬时能量改进排列熵,提出一种基于改进排列熵的滚动轴承故障特征提取方法。仿真和试验数据分析结果表明,该方法能够有效识别滚动轴承共振频带,准确提取滚动轴承故障特征。     

复合多尺度反向散布熵在轴承故障诊断中的应用EI北大核心CSCD

滚动轴承发生故障时,其振动信号往往表现出非线性和非平稳特征。反向散布熵(reverse dispersion entropy,RDE)能够有效衡量振动信号的复杂性变化和非线性动力学突变行为,但是单一尺度的RDE值并不能完全反映振动信号的复杂性和非线性特征。对此,受多尺度熵启发,同时针对传统多尺度粗粒化方式的不足,提出了复合多尺度反向散布熵(composite multi-scale reverse dispersion entropy,CMRDE)。通过仿真信号分析,将CMRDE与多尺度反向散布熵(multi-scale reverse dispersion entropy,MRDE)和RDE进行对比,结果表明:CMRDE不仅能反映不同尺度下信号复杂度的差异,且变化更平缓、波动更小。在此基础上,将CMRDE应用于滚动轴承故障特征提取,提出了一种基于CMRDE、集合经验模态分解和布谷鸟搜索算法优化支持向量机的滚动轴承故障诊断方法。将所提方法应用于滚动轴承试验数据分析,并通过与现有方法进行对比,结果表明:相较所对比的方法,所提方法能有效识别轴承故障类型,提取的故障特征误差更小、故障识别率更高。     

基于时间-小波能量谱熵的滚动轴承故障诊断研究

针对轴承振动信号中存在周期性冲击这一现象,提出了时间-小波能量谱熵的计算方法,用于滚动轴承的故障诊断。首先构造脉冲小波,采用连续小波变换的方法得到时间域内小波能量谱,再沿时间轴计算能量谱熵,定量描述振动信号沿时间的分布情况,不同故障下轴承的冲击振动随时间变化程度不同,其时间-小波能量谱熵值也就不同。将不同故障轴承信号的时间-小波能量谱熵作为向量特征输入建立支持向量机,实现了对轴承的工作状态和故障类型的判断。实验结果表明,时间-小波能量谱熵可以有效地对滚动轴承进行故障诊断。     

基于局部特征尺度分解和形态学分形维数的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解与形态学分形维数的滚动轴承故障诊断方法。首先采用局部特征尺度分解方法将机械故障信号分解为若干个内禀尺度分量,然后利用形态学分形维数计算包含故障特征分量的分形维数,将得到的分形维数作为特征量判别信号故障的状态,实验结果表明基于局部特征尺度分解与形态学分形维数的故障诊断方法能够有效识别滚动轴承的内圈故障、外圈故障、滚动体故障和正常状态,实现滚动轴承故障诊断。     

基于时频的频带熵方法在滚动轴承故障识别中的应用

在信号处理中,现有的常规指标如峭度、峰值、裕度以及谱峭度等对信号因偶然因素引起的数据奇异通常十分敏感,在轴承的状态监测中容易引起误判断。针对这一问题,提出了基于时频的频带熵方法。对信号进行时频变换,再沿时间轴计算各个频率上的幅值谱熵,得到信号的频带熵,以此为特征进行轴承故障的识别。频带熵表征频率成分随时间变化的的复杂性。正常与故障状态的轴承信号频率成分变化的复杂性不同,其频带熵也就不同,因此可将频带熵用于轴承故障的识别。同时偶然因素引起的数据奇异对频率成分变化的复杂性影响很小,频带熵可自动消解这些因素的影响,从而减少对轴承状态的误判断。将频带熵方法用于实际滚动轴承故障的识别,并与峭度、峰值、谱峭度指标对比,证明频带熵能够有效排除数据奇异的干扰,准确判别轴承状态,具有实用性。     

滚动轴承的MSE和PNN故障诊断方法

针对滚动轴承不同运行状态振动信号具有不同复杂性的特点,提出一种新的基于多尺度熵(multiscale entropy, MSE)和概率神经网络(probabilistic neural networks, PNN)的滚动轴承故障诊断方法。该方法首先利用MSE方法对滚动轴承振动信号进行特征提取,并将其作为PNN神经网络的输入,再利用PNN自动识别轴承故障类型及故障程度。实验数据包括不同故障类型和不同故障程度样本,结果表明,相比于小波包分解和PNN结合的诊断方法,提出的方法具有更高的诊断精度,能有效实现滚动轴承故障类型及程度的诊断。     

基于时时能量阶比谱的变转速工况滚动轴承微弱故障诊断研究

变转速工况下的滚动轴承微弱故障诊断同时面临两个难点:一是滚动轴承的故障特征信号容易被环境噪声和干扰信号淹没;二是滚动轴承故障振动信号的时变特征难以被常规频谱方法提取。针对上述问题提出了基于时时能量阶比谱的滚动轴承故障诊断方法。首先对变转速工况下的滚动轴承微弱故障振动信号进行时时(time-time,TT)变换,在双时域上刻画轴承故障振动信号的时变特征;然后利用提出的时时能量定义计算轴承故障振动信号的时时能量,获得轴承故障振动信号的时时能量信号;最后对时时能量信号进行阶比分析得到轴承故障振动信号的时时能量阶比谱,并根据时时能量阶比谱的阶次特征识别出轴承故障类型。分析了变转速工况下的滚动轴承故障仿真信号和实验测试信号,结果表明:时时能量信号能够有效追踪轴承故障振动信号的时变能量分布,增强故障特征信号的冲击特征,时时能量阶比谱较包络阶比谱抗噪能力更强,为变转速工况滚动轴承微弱故障诊断提供一种有效方法。     

基于时间-小波能量谱样本熵的滚动轴承智能诊断方法

为了解决滚动轴承故障模式智能识别与运行状态检测问题,提出了时间-小波能量谱样本熵的计算方法,并将其作为特征参数用于滚动轴承智能诊断的研究。采用Hermitian小波对轴承信号进行连续小波变换,得到蕴含故障信息的时间-小波能量谱序列,再通过计算其样本熵值,量化提取信号中的故障特征信息。轴承不同故障模式下的时间-小波能量谱样本熵区分明显,以此作为特征向量输入支持向量机,实现了对轴承不同故障模式的智能识别。之后计算轴承全寿命周期实验数据的时间-小波能量谱样本熵,按照时间顺序排列,绘制出了轴承运行状态曲线,通过判断曲线走势可有效诊断出轴承早期故障的发生。实验结果表明,时间-小波能量谱样本熵可以有效用于滚动轴承智能诊断的研究。     

基于LMD-MFE和DHMM的滚动轴承故障诊断算法

针对滚动轴承在恶劣环境影响下,其特征信息难以被有效提取出来的问题,提出一种基于局部均值分解(Local Mean Decomposition,LMD)和多尺度模糊熵(Multiscale Fuzzy Entropy,MFE)的滚动轴承故障诊断算法。首先,利用LMD对轴承振动信号进行分解,得到一系列乘积函数(Product function,PF)分量,并与经验模态分解(Empirical Mode Decomposition,EMD)进行对比,分析其优越性;然后对每一个分量分别提取MFE特征,同时与多尺度样本熵(Multiscale Sample Entropy,MSE)进行对比,分析MFE的优越性;最后结合各个轴承状态的类间平均距离对多个尺度因子下的熵值进行优选,筛选出可分性良好的敏感特征集,并输入到离散隐马尔科夫模型(Discrete Hidden Markov Models,DHMM)模式分类器中对轴承故障类型进行诊断识别。实验结果表明,所提出的基于LMD和MFE的轴承故障诊断算法能较好识别出多种轴承故障类型。     

内禀模态特征能量法在滚动轴承故障模式识别中的应用

针对滚动轴承振动信号和状态信息非线性映射关系,提出一种基于内禀模态函数（IMF）特征能量的轴承特征向量提取方法,并与支持向量机（SVM)相结合实现轴承的故障识别。该方法对滚动轴承振动信号进行经验模态分解（EMD）得到若干能反映轴承故障信息的IMF分量,选取包含主要信息的IMF能量作为振动信号的特征向量,并将其输入到SVM分类器中实现轴承故障模式识别。对滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障进行仿真试验,结果表明,该方法能够有效、准确地识别轴承故障。     

基于VMD的行星齿轮箱故障特征提取新方法

针对行星齿轮箱振动信号故障特征提取困难的问题,提出一种基于变分模态分解的行星齿轮箱故障特征提取方法。首先利用变分模态分解(VMD)算法对样本信号进行分解,得到若干本征模态函数(imf)。然后,计算各分量与样本信号之间的相关系数和欧氏距离,筛选出表征样本信号特征的有效分量,并计算其Teager能量算子,将计算结果进行重构。最后,针对多尺度模糊熵对信号局部差异不够敏感,提取重构信号的多尺度模糊熵和多尺度能量作为基本参数,进行参数融合构成新指标。将其应用于行星齿轮箱太阳轮和行星轴承故障分析,结果表明:新方法既可以区分行星齿轮箱太阳轮不同故障类型,又能有效识别行星轴承不同位置故障。另外,与现有方法对比,新方法区分效果更好。     

基于多尺度熵的滚动轴承故障可拓智能识别

针对滚动轴承振动信号的多样性、复杂性以及不确定性,利用可拓学在分析矛盾问题可拓性和规律性时的优势以及对于时间序列多尺度熵(Multiscale Entropy,MSE)可在不同尺度上进行复杂度评价的特点,提出一种基于多尺度熵的滚动轴承故障可拓智能识别方法。利用MSE对轴承振动信号进行特征提取,利用Fisher比对MSE特征进行选择,将最终入选的MSE特征作为可拓物元模型的特征参数,并以此构建轴承不同健康状态物元模型的经典域以及所有状态下物元模型的节域。将待测数据代入构建好的轴承不同健康状态所对应的物元模型中,利用关联度函数计算待测数据与轴承不同健康状态的综合关联度,以此实现待测数据的定性定量识别。对电机滚动轴承的故障识别结果表明,所提方法对轴承正常、内圈故障、外圈故障和滚动体故障4类模式识别的准确率可达100%,高于常规的基于小波包和神经网络的方法。     

基于EEMD排列熵的高速列车轮对轴承故障诊断方法

高速列车轮对轴承的可靠度对高速列车的安全运行具有重要意义,其故障特征主要体现在轴箱振动信号中。该文提出基于聚合经验模态分解排列熵的轮对轴承特征分析方法,提取高速列车轮对轴承振动信号的非线性特征参数,并用于故障状态的分类识别。首先,对高速列车轮对轴箱振动信号进行聚合经验模态分解,得到一系列窄带本征模态函数;然后,对原信号和主要本征模态函数分别计算,得到多组排列熵,形成多尺度的表征信息复杂性高维特征向量;最后,将高维特征向量输入最小二乘支持向量机分类识别出轮对轴承的故障状态。台架试验分析结果表明:该方法针对高速列车轮对轴承故障尤其是轴承复合故障具有较高的识别率,验证通过聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性。