基于ITD和排列熵的行星齿轮箱故障诊断方法

行星齿轮箱故障信号包含了多个调制过程,特征呈现复杂的边带成分,且信号易受噪声影响,数据的选择会直接影响故障特征提取效果.针对行星齿轮箱故障信号特点,提出基于固有时间尺度分解(ITD)和排列熵(PE)结合的行星齿轮箱故障诊断方法.ITD-PE方法将原始信号分成多个子序列,对各子序列进行ITD分解,利用互相关系数准则筛选敏...     

多尺度排列熵及其在滚动轴承故障诊断中的应用

引入多尺度排列熵（MPE）的概念,用来检测振动信号不同尺度下的动力学突变行为,并将其应用于机械故障诊断中滚动轴承故障特征的提取,结合支持向量机(SVM),提出了一种基于MPE和SVM的滚动轴承故障诊断方法,将新提出的滚动轴承故障诊断方法应用于实验数据分析,并通过与BP神经网络对比,结果表明,该方法能够有效地提取故障特征,实现故障类型的诊断。     

基于参数优化VMD和多尺度排列熵的齿轮故障诊断

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...     

一种时移多尺度排列熵与ELM相结合的滚动轴承故障诊断方法

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.     

基于广义CP张量分解和多尺度排列熵的液压泵故障诊断

针对现有液压泵故障诊断算法故障识别精度低、实测信号中存在冗杂信息和无关成分干扰等问题,提出了一种在高维空间对液压泵振动信号进行处理和模式识别的方法.首先利用L?wner矩阵将一维时间序列信号进行高维张量化,然后基于广义CP张量分解(GCP)算法,根据数据分布类型选择适当的损失函数以确定最佳低秩模型,实现对液压泵采集得到...     

基于分段复合多尺度模糊熵的机车受电弓故障诊断

为克服多尺度模糊熵(MFE)对机车受电弓故障特征表征不明显的不足,将分段复合多尺度模糊熵(PCMFE)用于机车受电弓的故障特征提取中,并据此提出基于PCMFE的机车受电弓故障诊断方法。与MFE不同的是,PCMFE采用分段粗粒化和复合多尺度模糊熵的计算方法,可以解决MFE计算过程中数据丢失和在大尺度因子下计算不稳定的问题,可以更加准确地对故障信号进行表征。机车受电弓故障诊断实例结果表明,PCMFE对不同故障的区分性比MFE更好,提高了极限学习机(ELM)的诊断精度。     

CEEMDAN与参数优化多尺度排列熵结合的滚动轴承早期故障诊断

针对滚动轴承的早期故障特征微弱的特点,提出了自适应噪声完备集合经验模态分解（CEEMDAN）与多尺度排列熵（MPE）结合提取故障特征,采用支持向量机（SVM）进行故障状态判别的滚动轴承早期故障诊断方法。利用CEEMDAN将信号分解为若干分量,计算各分量与原信号的相关系数,将大于相关系数阈值的分量重构,对MPE的参数运用PSO算法寻优,计算重构后的信号的MPE值并作为故障特征向量,使用SVM对故障状态进行识别。将该方法运用于XJTU-SY滚动轴承加速寿命试验数据集,并与MPE参数未优化以及未CEEMDAN分解且MPE参数未优化得到的MPE值作为特征向量SVM进行识别的结果进行对比,结果表明本文所提方法的故障识别率分别提高了10.71%和14.28%。     

利用增强多尺度模糊熵的齿轮故障诊断方法

为克服多尺度模糊熵(MFE)在刻画齿轮故障信息时存在的不足,对其进行改进,提出增强多尺度模糊熵(EMFE)的概念,并由此提出基于EMFE的齿轮故障诊断新方法.相比于MFE,EMFE的序列粗粒化过程不存在信息泄露,并且能够保证熵值计算的稳定性,能够更为准确的对信号包含的信息进行刻画.齿轮故障诊断实例结果表明,以EMFE作为故障特征输入支持向量机(SVM)中进行故障诊断,可以有效提高故障诊断的精度.     

基于多尺度熵-BP神经网络的采煤机摇臂齿轮故障诊断

采煤机摇臂齿轮箱是采煤机的故障多发区,为了提高采煤机摇臂运行可靠性,减少故障发生率,对其进行故障诊断研究显得尤为重要。研究一种基于多尺度熵(Multi-scale Entropy,MSE)和BP(Back-Propagation)神经网络的故障诊断方法,利用多尺度熵算法具有的抗干扰和抗噪能力,来对齿轮振动信号进行复杂度分析,以各尺度样本熵值作为故障特征信息对齿轮的故障类型进行诊断识别。通过实验数据分析得到,所提出的基于多尺度熵-BP神经网络的故障诊断方法可以准确区分多种齿轮故障,对于四种齿轮状态的识别率达到84.0%以上,是一种有效的采煤机摇臂齿轮故障诊断方法。     

基于改进多尺度模糊熵的滚动轴承故障诊断方法

滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采用滑动均值的方式代替粗粒化过程,提出了改进的多尺度模糊熵算法,并通过仿真信号将其与MFE进行了对比分析。在此基础上,提出了一种基于改进多尺度模糊熵与支持向量机的滚动轴承故障诊断方法。最后,将所提故障诊断方法应用于的滚动轴承实验数据分析,并与基于MFE的故障诊断方法进行了对比,结果验证了所提方法的有效性和优越性。     

基于改进多尺度均值排列熵和参数优化SVM的齿轮箱故障诊断方法

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。     

基于多尺度排列熵的液压泵故障识别

将排列熵引入液压泵的故障识别中,分析了排列熵作为液压泵故障特征指标的性能;采用互信息法和伪近邻法优选排列熵计算中的延迟时间和嵌入维数,基于优选参数得到了能够更好区分液压泵故障的排列熵。针对单尺度排列熵只能在单个尺度上衡量振动信号复杂度的不足,在对多尺度排列熵进行研究的基础上提出了一种综合多尺度排列熵熵值和排列熵变化趋势的指标--多尺度排列熵偏均值,对液压泵实测信号的分析结果验证了该指标作为液压泵故障特征的有效性和优越性。     

基于多尺度排列熵的铣削颤振在线监测方法

排列熵是系统复杂性和规则性的一种测度,具有概念简单、稳健和计算速度快等优点。考虑到单尺度排列熵在反映铣削力信号特征方面的不足,通过试验分析提出基于单尺度排列熵和尺度4排列熵作指标的铣削颤振在线检测方法。通过试验验证,所提出的方法能有效地检测铣削颤振。同时基于多尺度排列熵的方法对于铣削力信号采集过程中的噪声、工艺参数变化等不敏感,因此这种方法适用于实际工业生产中的在线铣削颤振监测。     

基于精细复合多元多尺度加权排列熵与流形学习的滚动轴承故障诊断

为充分利用多通道振动信息,将表征同步多通道数据多变量复杂度的多元多尺度熵理论引入滚动轴承故障诊断.同时,针对排列熵未考虑时间序列的振幅信息以及多尺度过程中粗粒化方式存在不足等缺陷,提出了精细复合多元多尺度加权排列熵并将其用于提取滚动轴承的故障特征.随后,利用t-SNE对特征进行二次提取,寻找相关性较大的特征组成候选样本...     

广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断

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。     

多尺度熵在转子故障诊断中的应用

为解决从信号中提取故障特征难的问题,介绍了一种新的信号故障特征提取方法——多尺度熵(multi-scale entropy,简称MSE),并将样本熵和多尺度熵分别应用于转子故障信号复杂性的度量,以提取故障特征.试验数据分析表明,与样本熵相比,多尺度熵更能有效地实现转子故障类型的诊断.     

基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法

为克服多尺度样本熵的不足,更精确地提取滚动轴承非线性故障特征,将一种新的非线性动力学分析方法--精细复合多尺度散布熵引入到滚动轴承的故障特征提取。在此基础上,提出了一种基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断新方法。通过滚动轴承实验数据分析,将所提方法与基于多尺度样本熵和多尺度散布熵的故障诊断方法进行了对比,结果表明：所提方法不仅能精确地识别滚动轴承故障类型和故障程度,而且故障识别率高于另两种方法。     

基于多尺度熵和神经网络的滚动轴承故障诊断

滚动轴承是机械设备中最常用的零部件之一,其运行状态直接影响整机性能。文章针对滚动轴承故障振动信号具有跨尺度复杂性的特点,提出了一种新的基于多尺度熵(Multiscale entropy,简称MSE)和BP神经网络的滚动轴承故障智能诊断模型。该模型首先利用MSE方法对滚动轴承不同健康状态下的振动信号进行特征提取,再将其作为BP神经网络的输入,实现网络训练,最后利用神经网络自动识别故障类型及故障程度。实验结果表明,该方法能有效地实现滚动轴承故障类型及程度的智能诊断,并具有对网络初始值不敏感及较低的误报率和漏报率等优点。