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。     

基于多维度互近似熵的滚动轴承故障诊断方法研究

针对滚动轴承的故障诊断问题,引入互近似熵的方法对轴承振动信号进行分析。通过研究嵌入维数和延迟时间对信号互近似熵的影响,提出多维度互近似熵的特征提取方法。利用多维度互近似熵方法所提取的特征,建立了基于支持向量机的轴承故障诊断模型。对轴承不同类型、不同程度的故障数据进行分析,证明了多维度互近似熵方法可以有效提取轴承不同状态的特征信息,与支持向量机结合可以精确地诊断轴承不同类型、不同程度故障,具有一定的优势。     

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ICEEMDAN与支持向量机的轴承故障诊断方法

针对DF4型机车轮对轴承不同健康状态的辨识问题,提出改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与灰狼寻优算法优化支持向量机(GWO-SVM)结合的故障识别方法。对机车轮对轴承不同故障信号利用ICEEMDAN方法分解为若干模态分量(IMF);根据相关系数准则将IMFs重构出典型的特征信号,并计算不同状态的特征信号在多尺度上的样本熵值,构成多尺度样本熵MSE特征向量;通过灰狼算法对SVM的核参数c和g进行全局寻优,增强SVM模型的分类性能,实现对轴承故障状态的准确识别。采用某局机务段JL-501机车轴承试验台数据验证所提模型的有效性,结果表明：ICEEMDAN-MSE与GWO-SVM结合的机车轮对轴承故障诊断方法能够准确地对轴承健康状态进行识别,准确率达96.86%;与参数自选的SVM模型和CEEMDAN-MSE+GWO-SVM等模型相比,文中所提方法的故障识别率分别提高了23.57%和3.48%。     

基于排列熵和SVM的自动机故障诊断

针对自动机运作时的瞬态冲击、非线性、非平稳信号特征,提出一种基于排列熵和支持向量机对小口径高速自动机进行故障诊断的方法。首先,引入排列熵对信号进行分析,发现排列熵能很好地反映自动机工作状态;其次,将排列熵特征量分别作为概率神经网络PNN和SVM的输入参数以识别自动机故障,结果表明:SVM相比于PNN可以提高分类正确率。同时证明基于排列熵和SVM在自动机故障诊断中的有效性。     

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

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。     

基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法

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。     

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于LCD互近似熵和相关向量机的轴承故障诊断方法

针对滚动轴承的故障诊断问题,提出了基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)互近似熵(Cross Approximate Entropy,CAE)和相关向量机(Relevance Vector Machine,RVM)的滚动轴承故障诊断方法。该方法首先利用LCD将轴承振动信号分解成若干个具有不同频率成分的内禀尺度分量(Intrinsic Scale Component,ISC);然后通过能量筛选出包含主要故障信息的ISC分量,计算其CAE并作为故障特征向量以体现不同的运行状态;最后将故障特征输入RVM进行故障识别。滚动轴承不同类别和不同损失程度故障实验验证了该方法的有效性。     

改进多尺度幅值感知排列熵与随机森林结合的滚动轴承故障诊断

针对滚动轴承故障识别准确率较低的问题,本文提出了一种新型滚动轴承故障诊断方法。该方法能够在准确识别滚动轴承故障类型的基础上,进一步分析故障的严重程度。首先,通过固有时间尺度分解提取滚动轴承振动信号的最佳固有旋转分量,突显故障信号的冲击特征;然后,利用改进多尺度幅值感知排列熵对信号幅值和频率变化敏感的特性,计算不同时间尺度下的幅值感知排列熵作为故障特征向量,改善了多尺度分析中的粗粒化过程,提升了故障特征提取的稳定性;最后,利用故障特征集构建随机森林多分类器,实现对滚动轴承不同故障类型的识别及严重程度分析,具有较强的泛化能力。实验结果表明,与现有滚动轴承故障诊断方法相比,平均故障识别准确率达到99.25%。该方法能够稳定而有效地提取滚动轴承的故障特征且具有较好的实时性。     

A new rolling bearing fault diagnosis method based on multiscale permutation entropy and improved support vector machine based binary tree

A new bearing vibration feature extraction method based on multiscale permutation entropy (MPE) and improved support vector machine based binary tree (ISVM-BT) is put forward in this paper. Local mean decomposition (LMD), a new self-adaptive time–frequency analysis method, is utilized to decompose the roller bearing vibration signal into a set of product functions (PFs) and then MPE method is used to characterize the complexity of the principal PF component in different scales. After the feature extraction, a new pattern recognition approach called ISVM-BT is introduced to accomplish the fault identification automatically, which has the priority of high recognition accuracy compared with other classifiers. Besides, the Laplacian score (LS) is introduced to refine the fault feature by sorting the scale factors. Finally, the rolling bearing fault diagnosis method based on LMD, MPE, LS and ISVM-BT is proposed and the experimental results indicate the proposed method is effective in identifying the different categories of rolling bearings.     

基于小波包熵和ISODATA的滚动轴承故障诊断

针对滚动轴承不同振动信号各个频带的能量不同的特点,提出一种基于小波包熵（WPE）和ISODATA的集合型故障诊断方法（WPE-ISODATA）。文中对滚动轴承振动信号进行采样;利用小波包提取滚动轴承振动信号的能量特征并归一化运算,将归一化的能量特征作为振动信号的概率分布进行信息熵运算,提取滚动轴承振动信号特征;以信息熵作为ISODATA聚类算法的输入进行故障辨识。滚动轴承实验结果表明：基于小波包熵和ISODATA的集合型故障诊断方法鲁棒性好,可靠性高。     

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。     

使用PCA及SVM算法进行滚动轴承故障检测

本文使用PCA（主元分析）算法对滚动轴承振动信号数据进行预处理,这可降低数据维数和提取数据特征信息;将预处理后数据作为SVM（支持向量机）算法的输入,通过SVM算法来检测轴承故障。     

信息熵与优化LS-SVM的轴承性能退化模糊粒化预测

为了提高滚动轴承性能退化指标的预测精度,得到性能退化指标的一个预测范围,本文提出信息熵与优化最小二乘支持向量机(LS-SVM)的轴承性能退化趋势模糊粒化预测。首先利用信息熵理论提取轴承信号的性能退化指标序列,再利用模糊信息粒化理论对该性能退化指标序列进行模糊信息粒化;然后将粒化后的数据输入给LS-SVM进行回归预测,并采用粒子群算法(PSO)优化LS-SVM的惩罚参数和核函数参数;最后根据实测值和预测值的对比分析评估预测模型的优良性。实验结果表明,对于每个时间段内的轴承性能退化指标,该方法均能获得准确的预测结果,具备较强的实用性和工程应用价值。     

基于改进型shapelets算法的动车组轴箱轴承故障诊断方法研究

现存的两种分别基于信号处理技术和大数据处理技术的滚动轴承故障诊断方法,存在着过度依赖信号处理、模型复杂、可解释性弱等特点.针对传统故障诊断技术的不足,本文将基于shapelets学习算法的时间序列分类方法引入故障诊断领域,通过动车组轮对台架滚振实验建立了动车组轴箱轴承故障的非平衡数据集,并基于Dropout思想对诊断模...     

基于统计学方法的滚动轴承故障诊断

提出了滚动轴承故障诊断的统计学方法应用,基于概率分布原理,该方法能够解决滚动轴承局部损伤模式识别的问题。实验室模拟几种滚动轴承工作状态,利用DLF-4电荷电压滤波积分放大器和INV306U智能信号采集分析仪分别采集相应的数据,然后进行相关处理与分析,分析结果以图标的形式给出。结果表明:基于概率分布原理的方法在轴承故障信号的处理中能够消除噪声影响,提取故障特征信息,从而识别出滚动轴承的实际工作状态,取得了较好的效果。     

基于自动编码器数据降维的滚动轴承故障诊断研究

针对滚动轴承振动信号多域特征数据维数较高的问题,采用自动编码器(Auto-Encoder,AE)对特征数据进行降维处理,实现故障诊断.该方法首先提取滚动轴承振动信号中的特征数据,其次通过自动编码器对特征数据进行降维,最后将降维后的数据用于训练BP(Back Propagation)神经网络,并进行故障诊断.为验证自动编...