相关熵的降噪机理及其在轴承故障诊断中的应用

针对传统相关函数和谱相关密度难以有效处理强非高斯噪声干扰的问题,提出了一种基于循环平稳相关熵的故障诊断方法。以理论分析和几何图解等方式系统分析了相关熵的降噪机理,以余弦信号和仿真调幅信号为例解释了相关熵以及循环平稳相关熵的降噪机理并验证了其良好的噪声抑制能力;应用循环平稳相关熵方法对轴承内、外圈局部裂纹故障振动信号进行了分析和处理,试验结果表明,循环平稳相关熵谱密度具有解调功能,能准确刻画轴承局部裂纹故障的频谱特征,可有效提取淹没在强噪声环境中的微弱信号。     

基于循环多核相关熵的故障检测方法及应用* .txt

摘要：针对传统基于二阶统计量的循环平稳信号处理方法不能有效处理脉冲噪声干扰的问题,提出了一种基于循环多核相关熵的故障检测方法。首先,给出了多核相关熵的定义,推导了循环多核相关熵函数和循环多核相关熵谱密度函数计算公式,分析了循环多核相关熵的降噪机理;其次,用仿真信号验证了在低噪声比（SNR=-5）情况下循环多核相关熵的降噪性能,表明了循环多核相关熵不仅能有效抑制高斯噪声,而且能有效抑制非高斯噪声,循环多核相关熵为高斯、非高斯噪声的处理提供了一种鲁棒性处理方法;最后,将循环多核相关熵方法应用于齿轮箱齿轮齿面磨损故障诊断,实验结果表明：循环多核相关熵具有解调功能,能准确刻画齿轮齿面磨损故障的频谱特征,可有效提取淹没在强噪声环境中的微弱信号,提高了信噪比,证明了此方法为一种齿轮故障诊断的有效方法。 .txt     

基于循环多核相关熵的故障检测方法及应用

针对传统基于二阶统计量的循环平稳信号处理方法不能有效处理脉冲噪声干扰的问题,提出了一种基于循环多核相关熵的故障检测方法。首先,给出了多核相关熵的定义,推导了循环多核相关熵函数和循环多核相关熵谱密度函数计算公式,分析了循环多核相关熵的降噪机理;其次,用仿真信号验证了在低噪声比(SNR=-5)情况下循环多核相关熵的降噪性能,表明了循环多核相关熵不仅能有效抑制高斯噪声,而且能有效抑制非高斯噪声,循环多核相关熵为高斯、非高斯噪声的处理提供了一种鲁棒性处理方法;最后,将循环多核相关熵方法应用于齿轮箱齿轮齿面磨损故障诊断,实验结果表明:循环多核相关熵具有解调功能,能准确刻画齿轮齿面磨损故障的频谱特征,可有效提取淹没在强噪声环境中的微弱信号,提高了信噪比,证明了此方法为一种齿轮故障诊断的有效方法。     

循环统计量方法在滚动轴承故障诊断中的应用

为了处理滚动轴承故障振动信号中的调制现象，利用循环统计理论，分析了二阶统计量循环自相关函数和循环谱密度的特性。基于故障调幅信号模型推导出循环自相关函数的解调原理，指出调幅信号各成分在循环谱密度中的分布频段，提出在循环频率域中提取调幅信号的调制源的方法。该原理和方法通过仿真信号进行验证，应用于滚动轴承的内、外圈及滚动体的故障诊断，有效地提取出故障特征频率。     

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。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

滚动轴承故障的谱相关特征分析

滚动轴承的振动响应信号包含确定性成分和随机成分,两者都能反映轴承发生故障的信息。利用随机成分进行故障定性诊断,可以只使用较少的振动信号数据,计算效率高,有利于工程实际应用。针对轴承振动信号中随机成分能量较低、分布频率范围较宽的特点,采用对数谱相关函数灰值图反映信号中随机成分对循环平稳特性的影响,定性判断故障引起的谱相关函数中随机成分的变化,然后通过共振区切片进行故障解调分析,提取特征信息。通过实测正常轴承和内圈点蚀故障轴承振动信号的对比分析,表明即使在较低频率分辨率条件下,谱相关密度也能实现故障信息的解调,并可以提高计算效率。     

HHT相对谱熵及其在轴承退化状态识别中的应用

为有效地对轴承退化状态进行识别,对轴承退化特征提取方法进行了研究。基于HHT变换的非平稳信号分析能力和相对熵可以较好表征振动信号概率分布差异的特性,提出基于HHT相对谱熵的轴承退化特征提取方法。通过仿真信号对定义的HHT相对能谱熵(HREE)和HHT相对奇异谱熵(HRQE)的合理性和有效性进行了验证。将这两个特征指标组成退化特征,对实测轴承内圈和外圈故障模式下的不同程度故障振动信号进行了进一步分析,并通过相关向量机对轴承退化状态进行了识别,结果验证了所提方法的有效性。     

循环平稳分析方法在交流电机轴承故障诊断中的应用

通过分析电机轴承故障时的振动信号特性.证明这个非平稳信号具有周期平稳性,讨论循环平稳信号的循环自相关函数特性;并经循环平稳解调性的分析,提出利用循环谱对电机轴承故障振动信号进行模拟仿真诊断,证明利用循环平稳分析方法能够快速有效地识别出轴承故障.     

基于LCD多尺度散布熵的数控机床故障诊断

为提升数控机床用轴承故障诊断效果,提出了基于LCD多尺度散布熵的数控机床轴承故障诊断方法。该方法利用局部特征尺度分解(LCD)对轴承振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据散布熵能有效区分不同故障信号的复杂度,计算ISC分量的散布熵,获得原始信号多个尺度下的复杂度特征作为轴承故障的特征参数;将该特征参数输入SVM分类器中判断轴承故障,实现故障诊断。轴承不同类型和不同程度故障诊断实验结果表明,所提方法能够提升轴承的故障诊断效果,相比其他一些方法,具有一定的优势。     

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。     

一种航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承振动信号故障微弱,故障特征难提取的问题,提出了基于固有时间尺度分解(ITD)和近似熵(AE)结合随机森林(RF)的航空发动机中介轴承故障诊断方法。首先,利用航空发动机中介轴承试验台模拟并采集轴承在正常、外圈故障、滚动体故障三种状态下的振动信号;然后通过ITD方法将非平稳、非线性的中介轴承振动信号分解成一组固有旋转分量(PR),计算其近似熵;最后,将不同尺度的近似熵值作为特征向量,输入到随机森林分类器模型中进行分类识别与故障诊断。研究表明,该方法能有效提取出机匣表面振动信号中微弱的中介轴承振动故障信号特征,故障诊断准确率高,具有工程实用性。     

基于线调频小波路径追踪阶比循环平稳解调的齿轮故障诊断

为从变转速齿轮箱振动信号中提取齿轮故障特征,提出基于线调频小波路径追踪的阶比循环平稳解调方法。该方法利用线调频小波路径追踪算法估计振动信号中的转速信号,根据转速信号对信号进行等角度采样,获取角域周期平稳信号,求取角域信号的循环自相关函数,在特征循环阶比处对循环自相关函数进行切片,并对切片进行解调分析得到切片解调谱,依据切片解调谱进行齿轮故障诊断。由于线调频小波路径追踪算法具有精度高和抗噪能力强的优点,而循环平稳解调算法可以有效提取淹没在噪声中的周期性故障特征,因而,该方法结合了二者的优点,适合于变转速齿轮信号的故障特征提取。算法仿真和应用实例表明,该方法能有效地提取变转速齿轮箱振动信号中的齿轮故障特征。     

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Hilbert包络谱熵和GA-SVM的水轮发电机轴承故障诊断

水轮发电机轴承在运行时承受着整体机组的轴向负荷与复杂水推力,针对其产生的非稳态、非线性特征的振动信号,提出一种基于Hilbert包络谱分析与遗传算法支持向量机（GA-SVM）相结合的诊断方法,用于轴承故障状态的识别。首先对推力轴承运行时产生的振动信号进行集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）,分解成若干个固有模态函数（Intrinsic Mode Function,IMF）,依据峭度准则选取主要IMF分量并通过Hilbert包络谱分析,计算包络谱熵,将归一化后的包络谱熵作为特征向量输入GA-SVM进行训练与故障识别。仿真实验结果表明,基于EEMD包络谱熵分析法相比于时频域图像处理能更好地提取出复杂工况下的故障信号特征,遗传算法支持向量机识别准确率达96.87%,该算法模型可进一步应用于水轮发电机轴承故障诊断。     

电动机轴承故障诊断的循环平稳方法

通过信号仿真,研究了二阶循环平稳分析的解调性能,并总结出循环自相关与谱相关切片函数的一般规律,分析了故障电动机轴承振动信号的循环平稳特性。试验中,模拟并采集工况中带有强噪声的内圈故障电动机轴承的振动信号,提出用小波消噪与特殊频率处谱相关切片结合的分析方法,进行特征提取,分析过程中发现,这种方法能有效实现轴承快速诊断,避免三维函数分析信息冗余、计算量庞大的缺点,同时也排除了瞬时转速与额定转速偏差引起的干扰。     

基于EMD与自相关的能量算子解调机械故障诊断

针对在强噪声背景下早期轴承故障振动信号的非线性,非平稳性以及信号出现的复杂调制现象,提出一种基于EMD与自相关函数相结合的能量算子解调故障诊断方法。该方法首先根据信号的小波包熵值对信号小波包降噪,而后降噪信号进行EMD分解,提取相关度最大的IMF分量进行自相关函数分析的方法进一步抑制噪声对提取特征频率的干扰,然后对降噪处理过的信号进行能量算子解调,从而实现提取轴承的故障信号的幅值和频率信息。对机械故障振动信号进行实验分析表明,相对于单纯的小波包分析预处理存在的降噪效果不理想以及普通Hilbert解调法的运算精度满足不了诊断需求的情况,该方法能够有效解调出故障频率信息,以实现对故障类别的推断。     

基于LMD-CM-PCA的滚动轴承故障诊断方法

为提高在非平稳工况下对滚动轴承故障的直观辨识能力,笔者提出基于LMD-CM-PCA的故障诊断方法。首先,对滚动轴承振动信号进行局部均值分解(local mean decomposition,简称LMD),提取乘积函数(product function,简称PF)矩阵;然后,计算PF矩阵与原振动信号的皮氏相关系数(pearson product-moment correlation coefficient,简称PPCC),将PFs对应的PPCC代入相关熵模型得到PF的相关熵矩阵(correntropy matrix,简称CM),CM经主成分分析(principal component analysis,简称PCA)进行特征变换得到融合相关熵矩阵(integrated correntropy matrix,简称ICM)。分别在轻微和严重故障时,对滚动轴承不同工况下的振动样本进行交叉混合,并计算其ICM。结果证明,ICM在可视维度比传统特征(如:能量矩和谱峭度)的融合特征更能隔离工况对故障可分性的干扰。LMD-CM-PCA方法为滚动轴承故障的直观辨识提供了技术支持,在故障诊断方面具有良好的应用前景。     

基于能量聚集度经验小波变换的齿轮箱早期微弱故障诊断

齿轮箱早期故障的故障特征不明显,振动信号呈现出强烈的非线性、非平稳现象,为此,提出了一种基于能量聚集度经验小波变换（EA-EWT）的齿轮箱故障诊断方法。首先对采集的振动信号进行EA-EWT分解,对分解后的各层信号采用最大峭度-包络谱熵准则进行敏感分量筛选,再利用最小熵解卷积对筛选出的分量信号进行降噪处理,对降噪后信号进行Hilbert包络谱分析,通过包络谱中的频率成分识别出故障类型,实现早期故障诊断。试验结果表明,该方法能够明显增强早期微弱故障特征,提高齿轮箱早期故障诊断性能。