共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
《机电工程》2021,38(5)
针对支持向量机(SVM)应用在轴承故障分类时,传统的智能算法优化SVM的参数容易存在寻优速度慢、调节参数多,以及容易陷入局部最优值等问题,提出了一种基于CEEMDAN多尺度熵与SSA-SVM相结合的故障诊断方法。对滚动轴承的故障特征提取和SVM参数优化进行了研究,引入了一种新的群智能优化算法,用麻雀搜索算法(SSA)对SVM参数进行了优化,提高了寻优速度以及轴承的故障分类准确率;该方法先采用自适应白噪声完整经验模态分解(CEEMDAN)算法分解信号,获得了若干个固有模态函数(IMF);再采用相关系数方法选择有用IMF分量,并进行了重新组合;最后,计算重构信号的多尺度熵作为特征向量,输入SSA优化的SVM进行了故障分类。研究结果表明:采用该方法能够准确地获得故障信息,且识别准确率高;与PSO、GA优化的SVM相比,该方法的故障诊断分类性能更好。 相似文献
3.
针对轮齿振动信号识别诊断困难的问题,提出以自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,简称CEEMDAN)排列熵为敏感特征量,通过支持向量机(support vector machine,简称SVM)进... 相似文献
4.
针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵(GCMWPE)与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射(S-Isomap)算法进行有效的二次特征提取。采用天牛须搜索优化支持向量机(BAS-SVM)诊断识别故障类型。将所提方法应用于滚动轴承实验数据分析过程,结果表明:GCMWPE特征提取效果优于多尺度加权排列熵、复合多尺度加权排列熵和广义多尺度加权排列熵;GCMWPE与S-Isomap相结合的特征提取方法可在低维空间中有效区分滚动轴承不同故障类型;BAS-SVM的识别正确率和识别速度优于粒子群优化支持向量机、模拟退火优化支持向量机和人工鱼群优化支持向量机;所提方法能够有效、精准地识别出各故障类型。 相似文献
5.
针对齿轮故障特征在单一尺度难以全面提取的问题,提出一种基于参数优化的变分模态分解和多尺度排列熵的齿轮故障诊断方法.利用改进的蝙蝠算法对变分模态分解中的参数K和a进行全局寻优,以局部极小包络熵作为适应度值,搜寻K和a的最优组合.经VMD分解得到既定的若干IMF分量,分别计算其相应的多尺度排列熵,构建故障特征向量,输入到极... 相似文献
6.
当齿轮箱传动系统发生故障时,不同振动信号的多尺度均值排列熵(Multi-scale Mean Permutation Entropy,MMPE)与其故障状态有一定的对应关系,但MMPE提取故障特征的效果取决于参数的选取。因此,提出了一种基于改进MMPE和参数优化支持向量机(Support Vector Machine,SVM)的齿轮箱故障识别方法。首先,引用粒子群优化(Particle Swarm Optimization,PSO)算法对MMPE的参数进行优化;其次,对采集到的齿轮振动信号计算其MMPE;最后,采用PSO-SVM对齿轮的故障状态进行了识别。试验结果验证了所提方法的有效性且具有较高的准确率。 相似文献
7.
针对早期滚动故障特征不明显和特征提取难等问题,将一种新的衡量时间序列复杂性的方法--复合多尺度熵(CMSE)应用于滚动轴承故障振动信号的特征提取。CMSE克服了多尺度熵中粗粒化方式的不足,得到的熵值一致性和稳定性好。同时,针对机械故障智能诊断中收集大量的样本比较容易而要对所有的样本进行类别标记却较为困难这一问题,将拉普拉斯支持向量机(LapSVM)应用于滚动轴承故障的智能诊断中。在此基础上,提出了一种基于CMSE,序列前向选择(SFS)特征选择和LapSVM的滚动轴承故障诊断方法。最后,将提出的方法应用于试验数据分析,结果表明:CMSE能够有效地提取滚动轴承的故障特征;当有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,结合SFS特征选择的LapSVM方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。 相似文献
8.
9.
齿轮箱发生故障时,其振动信号具有不平稳和非线性等特征,而常用的齿轮箱故障诊断方法大多是建立在单通道振动信号分析基础上,容易造成故障信息丢失,故而在工业生产中实用性受限。为了克服此缺陷,将多元多尺度色散熵引入到齿轮箱故障诊断当中,并改进其粗粒化方式,提出了改进多元多尺度色散熵,用以提取齿轮箱多通道振动信号的故障信息。在此基础上,提出一种基于集合经验模态分解,改进多元多尺度色散熵和遗传算法优化支持向量机的齿轮箱故障诊断方法。通过实验数据分析,并与多元多尺度样本熵、多元多尺度模糊熵等现有方法相比较,证明该方法具有更高的准确率和稳定性,且在处理短时间序列时具有明显优势。 相似文献
11.
12.
13.
多尺度排列熵(Multi?scale permutation entropy,MPE)随着尺度因子的增加得到的粗粒化序列长度越来越短,造成时间序列信息的严重损失.为此,提出了时移多尺度排列熵(Time?shifted multi?scale permutation entropy,TSMPE).首先,采用仿真信号分别对TSMPE与MPE做仿真对比分析,结果表明,TSMPE对原始振动信号的长度依赖性较小,得到的熵值更加稳定.进一步地,提出了一种基于TSMP E与极限学习机的滚动轴承故障检测与诊断方法,将其应用于两组实际滚动轴承测试数据对滚动轴承故障类型和程度进行识别,结果表明:所提出故障诊断方法不仅能够准确地诊断滚动轴承的故障类型和程度,而且识别率高于基于MPE与ELM的故障诊断方法. 相似文献
14.
声音信号采集具有非接触测量的优点,但易受到附近声源的影响而含有较大噪声,不利于故障特征识别。为此,提出一种自适应噪声的完全集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和改进多尺度熵的声音信号故障诊断方法。该方法中CEEMDAN改善了EEMD(Ensemble Empirical Mode Decomposition,EEMD)的模态混叠,针对传统多尺度熵中粗粒时间序列长度不同和数据丢失的情况,提出一种平滑粗粒化处理的改进多尺度熵。将该方法应用于行星齿轮箱故障诊断中,可以对不同状态下的声音信号进行识别分类。通过数值仿真和实验数据分析,表明了提出的方法相对于其他方法的有效性和优越性。 相似文献
15.
针对滚动轴承故障特征提取和识别困难等问题,提出一种基于改进多尺度散布熵与自适应支持向量机的滚动轴承故障诊断新模型。精细时移多尺度散布熵(RTSMDE)采用精细化运算和时移粗粒化方式,能够有效克服传统多尺度散布熵存在的熵值不稳定现象,因此采用RTSMDE全方面挖掘滚动轴承故障特征并输入哈里斯鹰优化支持向量机(HHOSVM)进行智能故障诊断。试验结果表明:RTSMDE在衡量非线性时间序列复杂度和挖掘故障特征信息方面优于精细复合多尺度散布熵和多尺度散布熵等方法,HHOSVM在故障识别方面优于支持向量机和灰狼优化支持向量机等分类器,所提故障诊断模型能够有效、准确地识别轴承运行状态。 相似文献
16.
提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。 相似文献
17.
基于LCD和排列熵的滚动轴承故障诊断 总被引:1,自引:0,他引:1
排列熵(permutation entropy,简称PE)是最近提出的一种检测时间序列随机性和动力学突变行为的方法,可以考虑将其应用于故障诊断。由于机械系统的复杂性,振动信号的随机性和动力学突变行为表现在不同尺度上,因此需要对振动信号进行多尺度的排列熵分析。基于此,提出了基于局部特征尺度分解(local characteristic scale decomposition, 简称LCD)和排列熵的滚动轴承故障诊断方法。首先,采用LCD方法对振动信号进行自适应分解,得到不同尺度的的本征尺度分量(intrinsic scale component,简称ISC);其次,计算前几个包含主要故障信息的ISC分量的排列熵;最后,将熵值作为特征向量,输入基于神经网络集成建立的分类器。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。 相似文献
18.
19.
针对行星齿轮传动系统复合故障特征提取问题,以行星齿轮箱的运行状态为研究背景,建立了考虑路面随机激励下的行星齿轮箱复合故障动力学模型,利用多尺度排列熵对齿轮箱正常、断齿故障和复合故障时的振动信号进行了对比分析,通过对处于不同状态的行星齿轮箱进行分析,发现行星齿轮箱正常振动信号的多尺度排列熵值要高于单一断齿和复合断齿故障信号,熵值平均高出约5.3%,单一断齿的多尺度排列熵高于复合断齿故障信号,熵值平均高出约7.4%。研究结果证明,多尺度排列熵可以有效地诊断多排行星齿轮系统的故障类型。 相似文献
20.
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 总被引:1,自引:0,他引:1
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。 相似文献