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。     

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。     

基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法。利用改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)提取机械设备不同工况下的故障特征;采用监督等度规映射(S-Isomap)流形学习进行降维处理,获取低维的熵-流特征集;将熵-流特征输入至SSO-SVM多故障分类器进行识别与诊断。行星齿轮箱故障诊断实验分析结果表明:IMWPE+S-Isomap熵-流特征提取方法优于现有的多尺度排列熵(multiscale permutation entropy,MPE)、多尺度加权排列熵(multiscale weighted permutation entropy,MWPE)和IMWPE等熵值特征提取方法以及IMWPE+等度规映射(Isomap)和IMWPE+线性局部切空间排列(linear local tangent space alignment,LLTSA)等熵-流特征提取方法;樽海鞘群算法对支持向量机参数寻优效果优于粒子群、灰狼群、人工蜂群和蝙蝠群等算法;所提故障诊断方法识别精度达到100%,能够有效诊断出行星齿轮箱各工况类型。     

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。     

基于CEEMDAN和多尺度排列熵的球磨机负荷识别方法

针对球磨机负荷特征提取难以及负荷状态识别难的问题,将多尺度排列熵引入到球磨机负荷识别中,提出一种具有自适应噪声的完整集成经验模态分解(CEEMDAN)与多尺度排列熵(MPE)相结合的球磨机负荷识别方法。首先,采用CEEMDAN方法对球磨机振动信号进行处理,将其分解成一系列的模态分量,选取与原始信号相关性较高的敏感模态分量进行信号重构;其次,确定多尺度排列熵算法的最优参数,根据算法得到重构信号的排列熵值;最后,计算多尺度排列熵的偏均值,以偏均值作为特征对球磨机负荷状态进行识别。实验结果表明,该方法能够有效地识别出球磨机的不同负荷状态,并具有一定的可行性。     

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。     

基于非广延小波特征尺度熵和支持向量机的轴承状态识别

摘要：为了对轴承的运行状态进行有效的识别,以便进一步评估和预测轴承的寿命,提出了基于非广延小波特征尺度熵和Morlet小波核支持向量机（Morlet wavelet kernel support vector machine, MWSVM）的轴承运行状态识别的新方法。对采集到的轴承振动信号进行小波分解,得到相应的小波分解系数,在此基础上结合非广延熵理论提出了沿尺度分布的非广延小波尺度熵特征提取方法。但是通过小波特征尺度熵分析后获得的特征信息存在维数较高,特征信息间冗余严重的问题,因此,引入了流形学维数约简算法(locality preserving projection, LPP)进行敏感特征信息的提取,减少在特征信息提取过程中人为因素的干扰。以约简后的特征信息作为MWSVM的输入进行训练,建立轴承的状态识别模型,从而实现轴承状态的识别。通过对某轴承内圈正常状态和几种故障程度不同的状态进行识别,试验结果表明了方法的有效性。     

基于多尺度排列熵的舰船辐射噪声复杂度特征提取研究

针对复杂海洋环境中舰船辐射噪声的特征提取问题,提出了一种基于多尺度排列熵的舰船辐射噪声复杂度特征提取方法。分别利用基于EEMD的最强固有模态中心频率法、高低频能量差法和基于复杂度的排列熵与多尺度排列熵提取了五种不同类别、一定样本数量的舰船辐射噪声特征,并将四种特征提取方法所提取的舰船特征分别输入概率神经网络进行分类识别。研究发现,多尺度排列熵是一种一致性好、稳定性强的非线性特征参数,能够从多个维度描述信号的复杂度。实验结果表明,多尺度排列熵特征具有很好的可分性,以多尺度排列熵为特征进行舰船分类识别,识别率显著高于其他舰船辐射噪声特征提取算法。     

混流式水轮机尾水锥管压力脉动的排列熵分析

尾水管压力脉动是混流式水轮发电机组水力激振的主要来源.针对某电站700 MW级水电机组升水位期间全水头下尾水锥管压力脉动实测信号,引入排列熵进行分析,以参考工况为例对影响排列熵计算的嵌入维数和延迟时间进行优化,结果表明:采用嵌入维数6、延迟时间3对尾水锥管压力脉动信号进行排列熵分析可以有效获得信号特征复杂性描述.在此基...     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法.该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用...     

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。     

一种非平稳、非线性振动信号检测方法的研究

排列熵作为一种统计测度，是通过相空间重构来衡量时间序列复杂度的一个参数。为研究机械设备非平稳信号的非线性动力学特征，将排列熵引入机械设备故障诊断，研究了不同工作状态下滚动轴承振动信号的排列熵和嵌入维数与时间延迟对计算机械振动信号排列熵的影响，观察设备状态变化及振动冲击对排列熵的影响并对其进行了分析。结果表明：排列熵可以有效地检测出机械设备状态的变化，可以作为检测机械设备状态变化的一个参数。     

基于信息熵的转子动力特征分析与诊断方法研究

针对转子系统运行过程中的非线性、耦合性、非平稳突变性等复杂特征,提出基于信息熵特征提取方法,将转子系统动力分析与参数识别方法有机结合,分析转子典型故障——裂纹、碰摩及裂纹碰摩耦合等不同状态下响应参量的信息熵特征及变化规律,并构建小波神经网络模型实现转子系统故障状态诊断。通过对转子系统实测信号的分析诊断,验证理论方法的有效性。     

基于 EEMD样本熵与小波神经网络的汽车关门声品质预测

针对传统客观心理学参量在非稳态噪声品质预测中的不足,以汽车关门声为对象,提出一种基于EEMD分解的样本熵表征关门声的信号特征,并结合小波神经网络进行声品质预测。对声样本进行EEMD分解得到IMF分量,计算各IMF分量的样本熵,并构造成特征向量。分别以此特征向量和声品质主观评分值作为输入输出构建小波神经网络预测模型。作为对比,构建了基于该特征向量的BP网络预测模型、基于心理学参量的小波神经网络预测模型和BP网络预测模型。分析结果表明,在关门声品质预测中,EEMD样本熵比客观心理学参数能更好的反映信号的时变非稳态特性,预测效果更好;且小波神经网络较BP网络的预测精度更高,模型训练速度更快。     

波纹管内部脱浆状态的超声检测方法

为了检测波纹管内部不同脱浆状态的缺陷问题,提出了一种采用变分模态分解(Variational Mode Decomposition,VMD)与蚁群神经网络相结合的超声检测方法.将检测到的回波信号进行变分模态分解,将分解后信号的多尺度样本熵作为特征参数,输入到蚁群神经网络中进行检测.实验结果表明利用VMD分解方法与蚁群神...     

移动荷载作用下结构损伤的近似熵分析

当移动荷载接近或远离结构损伤部位时,结构的振动响应的幅值和非线性特征会发生变化,可以从中提取有关结构损伤的信息;近似熵可以表达一个时间序列的复杂性和内在模式。用移动荷载作用于结构上,对其振动响应数据进行近似熵计算,提取其非线性特征值,进而用神经网络进行结构损伤模式识别。通过一个移动荷载作用下简支梁的计算实例考察了这一方法的有效性。移动荷载的作用,使得损伤造成的结构非线性特征更加显著;研究、计算与实测案例表明近似熵能够有效地表征信号的非线性程度,而且对噪声干扰的敏感度低,可以作为神经网络模式识别的特征向量。     

基于图像监测的微量移液技术的研究

为了提高生化分析仪微量移液的可靠性,提出了一种基于图像分割法的移液故障判断和移液量检测系统.基于STM32微控制器,利用速度位置双闭环PID(proportion-integral-derivative,比例-积分-微分)算法控制微量移液系统的步进电机,设计了生化分析仪的自动移液控制系统.采集移液过程图像作为样本图像,...