基于改进排列熵的滚动轴承故障特征提取

排列熵能够有效监测振动信号中的动力学突变,衡量振动信号的复杂度,在旋转机械状态监测中获得成功的应用。将排列熵应用于滚动轴承故障特征提取中,并针对排列熵对振动信号幅值不敏感,无法反映振动信号中局部能量分布差异的问题,利用滤波信号的归一化瞬时能量改进排列熵,提出一种基于改进排列熵的滚动轴承故障特征提取方法。仿真和试验数据分析结果表明,该方法能够有效识别滚动轴承共振频带,准确提取滚动轴承故障特征。     

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...     

基于排列熵理论的非线性系统特征提取研究

提出一种基于排列熵及其改进理论的伪相平面法,从而可以提取非线性系统中的微弱周期信号特征。通过选择合理的时间延迟和嵌入维数,对Duffing系统的响应信号进行相空间重构,得到一次排列熵和二次排列熵。随后将位移激励、一次排列熵和二次排列熵作为数据集,组成位移激励-一次排列熵和位移激励-二次排列熵两种伪相平面。通过将这两种方法与传统的相平面法、频谱分析和排列熵、排列熵谱、二次排列熵、二次排列熵谱的提取效果进行对比,验证了该方法的合理性。研究表明该方法能够对非线性系统中的微弱周期信号特征进行提取,取得了较好效果。     

基于全矢包络融合双层降噪处理的轴承故障特征提取

针对轴承故障信号受背景噪声影响,而难以准确提取故障冲击特征的问题,提出一种噪声辅助多元经验模态分解（Noise-assisted Multivariate Empirical Mode Decomposition,NA-MEMD）与全矢包络快速独立分量分析（Fast Independent Component Analysis,FastICA）相结合的轴承故障特征提取方法。该方法将同源双通道信号进行NAMEMD分解,根据相关性系数选取包含故障特征的固有模态函数(Intrinsic Mode Function,IMF)进行重构;对重构信号进行快速独立分量分析,最后进行全矢包络融合,提取轴承故障特征。对实际轴承信号的分析验证该方法能有效提取完整高阶故障频率,同时降低包络谱特征统计参数的冗余。     

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。     

基于小波包模糊熵的往复压缩机轴承故障特征提取方法研究

针对多尺度模糊熵(multi-scale fuzzy entropy,MFE)分析时间序列复杂性时捕捉不到高频组分信息的局限,提出一种新的基于小波包模糊熵(wavelet packet fuzzy entropy,WPFE)的故障特征提取方法。该方法利用小波包对信号的低频和高频成分进行分解,应用模糊熵对各频带分量进行量化得到特征向量,因而能提取更全面、准确的故障信息。以往复压缩机传动机构为研究对象,将小波包模糊熵作为特征提取工具,通过振动信号提取不同位置轴承间隙大故障的特征向量,利用支持向量机作为分类器,与多尺度模糊熵进行对比分析,验证了该方法的有效性。     

基于双谱的齿轮故障特征提取与识别

在引入双谱、双相干谱和人工神经网络的基本理论之后，深入研究了汽车变速箱齿轮振动信号的双谱和双相干谱特征以及频率间的耦合情况，形成故障特征向量，并利用BP人工神经网络，成功地将齿轮正常信号、磨损信号和断齿信号进行了分类。研究表明，对于齿轮振动信号，双谱比双相干谱更利于故障特征提取，不同状态下的齿轮振动信号中均存在二次相位耦合现象，但是耦合的形式不同，同时也表明，基于双谱和人工神经网络的故障诊断方法是有效的。     

基于FRFT的齿轮振动信号故障特征提取

研究了典型齿轮故障振动信号在分数阶傅里叶变换（FRVF）域的分布特征,并在此基础上分析了该信号在FRFT循环域（CFRFD）的分布特征,提出了FRFT循环处理（CFRFT）方法,实现了信号在CFRFD的能量积累。通过仿真实验验证了低信噪比条件下,CFRFT对齿轮振动信号的故障特征提取能力及有效性。     

基于CEEMD和排列熵的故障数据小波阈值降噪方法

针对旋转机械故障数据的非平稳性及总体平均经验模态分解方法(CEEMD)舍弃高频分量降噪方法和小波阈值降噪方法存在的不足,提出了基于CEEMD和排列熵的小波阈值降噪方法。运用CEEMD将信号分解为一系列的固有模态函数(IMF)分量,利用排列熵来确定含有噪声成分较多的IMF分量,采用小波阈值降噪方法对含有较多噪声成分的IMF分量进行降噪处理,保留这些分量中的有效信息。仿真分析和实例分析表明,基于CEEMD和排列熵的小波阈值降噪方法效果优于单纯的CEEMD降噪方法和小波阈值降噪方法。     

基于多尺度排列熵和线性局部切空间排列的机械故障诊断特征提取

机械设备监控系统收集的大量信号通常是包含多种自然振荡模式的非线性信号,这意味着单尺度特征提取无法表征这些非线性信号。而对于高维特征矩阵,也需要进一步提取主要的低维特征。针对这两个问题,提出了一种结合多尺度排列熵和线性局部切线空间排列(MPE-LLTSA)的非线性特征提取方法。首先通过MPE计算信号以获得具有高维度的多尺度特征。然后利用LLTSA挖掘嵌入的内在结构,实现低维特征提取。最后引入最小二乘支持向量机(LSSVM)来训练和识别低维特征。试验结果表明了该方法在机械模式分类和故障识别领域的应用潜力。     

旋转机械故障特征提取的全矢二元经验模态分解方法研究

为更准确提取旋转机械故障特征,提出了基于全矢二元经验模态分解(Bivariate Empirical Mode Decomposition,BEMD)的故障特征提取方法。该方法首先通过多传感器正交采集旋转机械故障同一截面上的振动信号,并将其组成一个复数;然后运用BEMD将复数按旋转速度从高到低的顺序自适应地分解到各自的频带,得到系列复固有模态分量(Complex Intrinsic Mode Functions, CIMFs);提出复数相关系数的概念,并用于组合CIMFs得到新的复旋转分量以防同一频率的信号被分解到不同的CIMFs;最后,运用全矢谱融合组合后的CIMFs的特征信息,得到幅频、角度和进动方向等信息。与全频谱方法的对比试验结果表明该方法的有效性。     

基于改进EMD与形态滤波的齿轮故障特征提取

针对齿轮故障特征往往被强背景噪声淹没的问题,提出一种改进EMD与形态滤波相结合的齿轮故障特征提取新方法。首先采用开－闭、闭－开级联而成的组合形态滤波器对原始故障信号进行消噪处理,然后通过EMD方法将包含在齿轮故障信号中的各个频率族信号分离,再采用互信息方法消除传统EMD分解结果中包含的虚假分量,最后利用分解得到的各阶固有模态函数为单一分量调制信号的特点,通过差值形态滤波的方式对分量信号进行解调以提取故障特征。齿轮故障实验信号的研究结果表明：该方法可有效的提取齿轮故障特征信息并抑制噪声,而且能够取得比传统包络解调分析更好的效果。     

基于随机共振及图谱理论的齿轮故障特征提取

机车齿轮箱齿轮工作环境恶劣极易出现齿轮损伤。齿轮箱齿根裂纹损伤检测是保证列车安全运行的有效措施。本文提出了一种基于随机共振以及图谱理论相结合的齿根裂纹故障提取方法。基于随机共振以及图谱理论的故障提取方法具体过程如下,首先,运用复Morlet小波梳状滤波器对原始信号进行解调处理;然后,运用图谱理论方法对仿真信号进行处理提取信号中含有的冲击信号成分;最后利用随机共振方法对提取的冲击信号进行处理,达到消除信号中噪声干扰增强信号中冲击成分的目的。运用本文提出方法对仿真数据进行处理,证明了本文提出方法的有效性。     

基于随机共振及图谱理论的齿轮故障特征提取

机车齿轮箱齿轮工作环境恶劣且极易出现齿轮损伤.齿轮箱齿根裂纹损伤检测是保证列车安全运行的有效措施.本文提出了一种基于随机共振以及图谱理论相结合的齿根裂纹故障提取方法.基于随机共振以及图谱理论的故障提取方法具体过程如下:首先,运用复Morlet小波梳状滤波器对原始信号进行解调处理;然后,运用图谱理论方法对仿真信号进行处理...     

基于样本分位数排列熵的故障诊断方法

针对滚动轴承故障特征不明显、不易于进行特征提取等问题,提出了一种新的衡量时间序列复杂程度的方法-样本分位数排列熵(Sample Quantile Permutation Entropy,SQPE),并将其应用于滚动轴承故障振动信号的特征提取。通过对振动信号进行样本分位数排列熵计算,有效分离出不同振动信号的故障特征;将熵值组成特征向量,构建分类器并实现对滚动轴承的故障诊断。将提出的方法应用于试验数据分析,结果表明:样本分位数排列熵能够有效提取滚动轴承的故障特征,并在熵值计算的过程中,避免了嵌入维数选取的过程,有效提高了熵值计算的自适应性,扩大了其应用范围。     

基于排列熵和VPMCD的滚动轴承故障诊断方法

VPMCD(Variable Predictive Model Based Class Discriminate)是一种新的模式识别方法,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。论文将VPMCD结合排列熵(Permutation Entropy,简称PE)方法应用于滚动轴承故障诊断。首先采用ITD(Intrinsic Time-scale Decomposition,简称ITD)对滚动轴承振动信号进行分解,得到若干个固有旋转(Proper Rotation)分量,并对包含主要故障信息的PR分量提取排列熵作为故障特征值;然后,对VPMCD分类器进行训练;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明该方法能够有效地应用于滚动轴承故障诊断。     

基于AWMMD的柴油机气缸故障特征提取方法研究

针对柴油机气缸故障诊断时的噪声干扰问题,提出一种自适应加权多尺度形态分解(adaptive weighted multi-scale morphological decomposing, AWMMD)方法,从各个缸盖表面振动信号中提取故障特征。基于三种组合算子构造一种新的组合差值形态滤波器,用于对振动信号进行多尺度分解;以Teager能量峭度作为评判指标,设计基于遗传算法的各尺度形态模式分量(morphological mode component, MMC)权值自适应分配算法,提出加权多尺度形态分解方法;将自适应权值与多尺度分解的形态模式分量进行绑定,得到优化的故障特征提取结果。仿真信号测试与柴油机故障模拟信号分析结果表明,该方法能有效抑制噪声干扰并提取故障特征。     

基于EMD的滚动轴承故障特征提取方法

故障特征提取是滚动轴承故障诊断的关键环节。首先系统研究经验模式分解方法;然后介绍在经验模式分解基础上提出的几种方法,包括：希尔伯特-黄变换,局域均值分解以及集合经验模态分解。分析各种方法的基本原理、应用和特点。EMD与多种故障特征提取方法相结合是轴承故障特征提取的研究方向。     

基于多尺度最优模糊熵的液压泵特征提取方法研究

为了更有效地提取液压泵振动信号的特征,在多尺度模糊熵(Multiscale Fuzzy Entropy,MFE)的基础上,结合层次熵(Hierarchical Entropy,HE)提出了基于多尺度最优模糊熵(Multiscale Optimal Fuzzy Entropy,MOFE)的特征提取方法。基于多尺度模糊熵的特征提取方法是不够全面的,它仅仅分析了时间序列在各尺度上的均值成分,而非均值成分也应当被考虑在内。多尺度最优模糊熵通过引入层次熵的理论,首先,分析时间序列在不同尺度下的所有节点;其次,比较同尺度各节点的模式区分能力;然后,选取最能区分液压泵振动信号不同状态的节点为该尺度最优节点;最后,不同尺度下的最优节点模糊熵构成了对原时间序列的多尺度最优模糊熵分析。实验数据分析和比较结果验证了该方法的有效性。     

基于自适应时频滤波的变转速齿轮故障特征提取

针对变转速下齿轮的故障信号分离与故障特征提取,提出了基于线调频小波路径追踪(Chirplet Path Pursuit,CPP)与S变换的自适应时频滤波方法。该方法先采用CPP算法从原始齿轮振动信号中估计出齿轮啮合频率,同时,对原始振动信号进行S变换获取其时频分布;然后根据齿轮啮合频率设计自适应时频滤波器;再采用时频滤波器对信号的时频分析进行时频滤波,并将时频滤波结果进行S逆变换,即可得到包含齿轮故障信息的滤波信号;最后对滤波信号进行阶次分析,并根据阶次谱中的调制边频带诊断齿轮故障。对变转速下齿轮的局部故障进行了算法仿真和应用实例分析,结果表明,自适应时频滤波器可根据信号的频率变化特点自适应地改变中心频率和带宽,具有较好的信号分析自适应性,且滤取的信号无相位畸变,非常适合于变转速下的非平稳信号分析。