一种振测数据最佳分析长度的确定方法

数据分析长度的选取是提取结构振动特征信息的关键,人为选取信号分析的数据长度会导致其计算结果存在一定误差,为减少主观因素影响,提出一种基于改进多尺度排列熵(improved multi-scale permutation entropy,简称IMPE)的振测数据分析长度的方法.对于获得的振动信号,将一维的时间序列数据多尺...     

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LCD和排列熵的滚动轴承故障诊断

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。     

基于尖点突变理论和MWMPE的围岩稳定监测

为实时监测水电站地下厂房围岩运行情况,提出一种尖点突变理论和多通道加权多尺度排列熵（multi?channel weighted multi?scale permutation entropy,简称MWMPE）相结合的监测方法。首先,结合某电站地下厂房围岩变形监测数据,将不同时间段日平均位移作为一系列特解,反演得到非线性动力模型;其次,采用尖点突变理论,建立围岩变形速率尖点突变模型,提出围岩稳定判据;然后,运用MWMPE的方法,对不同测点的变形监测信息进行动态融合,提取围岩变形特征值,确定围岩安全范围;最后,通过对比融合后熵值的变化,与传统多尺度排列熵（multi?scale permutation entropy,简称MPE）方法作比较,提出一种新的稳定预警线,对围岩进行在线安全监测、预警。结果表明：该方法能够有效提取地下厂房围岩变形特征值,并根据实时MWMPE值对围岩进行在线安全监测,为地下厂房等结构的围岩维持安全稳定提供了新的思路。     

数据驱动的凸轮式绝对重力仪微小故障诊断

针对凸轮式绝对重力仪微小故障幅值小、故障特征微弱及易被噪声掩盖而难于发现等特点,提出了一种融合改进集总平均经验模态分解（modified ensemble empirical mode decomposition,简称MEEMD）、能量熵以及多尺度排列熵（multi?scale permutation entropy,简称MPE）的凸轮式绝对重力仪微小故障诊断方法。通过MEEMD算法对凸轮式绝对重力仪不同工况下的振动信号进行自适应分解,筛选出有效的本征模态函数（intrinsic mode function,简称IMF）,提取出振动数据中具有敏感特征的多尺度排列熵和能量熵,将提取的多维特征向量矩阵输入到以径向基函数（radial basis function,简称RBF）为核函数的支持向量机（support vector machine,简称SVM）中,基于数据实现了凸轮式绝对重力仪微小故障的精确诊断。试验结果表明,该方法可以有效区分凸轮式绝对重力仪的各类微小故障,识别准确度达到97.1%,解决了因微小故障导致凸轮式绝对重力仪测量精度低的问题,实现了重力仪微小故障的快速溯源和精准定位,具有较好的工程应用前景。     

基于QPSO⁃MPE的滚动轴承故障识别方法

为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性。     

改进离散熵在列车轴承损伤检测中的应用

针对轴箱轴承早期损伤的检测问题,提出一种基于改进多尺度离散熵算法（improved multiscale dispersion entropy, 简称IMDE）和支持向量机的诊断模型,通过提取振动信号中的关键信息有效识别轴承的健康状态。首先,考虑传统多尺度离散熵（multiscale dispersion entropy,简称 MDE）因数据点重合和粗粒化尺度不断增大而引起的熵值误差增加、分布混乱及波动明显等缺陷,通过对粗粒化过程和离散熵的优化改进算法; 其次,结合实际算例,针对高速列车轴箱轴承在不同运行状态下的振动数据进行试验验证。结果表明,相较于MDE,IMDE计算熵值的误差更小,鲁棒性更好,且支持向量机分类结果显示IMDE取得了更高的诊断精度。     

排列熵算法在水工结构损伤诊断中的应用

提出一种基于排列熵算法(permutation entropy,简称PE)的水工结构损伤诊断方法。首先,运用小波阈值-经验模态分解(empirical mode decomposition,简称EMD)降噪方法对原始信号进行降噪,减小环境噪声对结构损伤特征信息的干扰,提高信号的信噪比;其次,运用排列熵算法检测降噪后信号的复杂度,并计算其排列熵值。通过不同工况下信号熵值变化规律的对比,实现水工结构损伤的诊断。将该方法应用于泄流激励下悬臂梁模型的试验研究,结果表明,正常无损状态下结构振动信号的排列熵值最大;结构发生损伤时,其熵值降低,且损伤程度越大,熵值越小;排列熵对结构的初期损伤比较敏感;结构未发生损伤时,不同工况下的排列熵基本不变,说明排列熵能够有效确定结构的损伤,且具有较高的诊断精度。     

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。     

基于排列熵的泵站压力管道运行状态监测

为实现泵站管道工作状态的在线监测,保障其安全稳定运行,提出一种基于排列熵算法(permutation entropy,简称PE)的泵站压力管道监测方法。该方法充分发挥排列熵算法计算简单和敏感度高等优点,适宜于处理非线性、非平稳信号,通过在关键部位设置传感器获取泵站管道的振动信号,利用信号子序列熵值的变化判断泵站管道振动状况。将该方法应用于景电工程二期七泵站管道的运行监测,通过设置不同的运行工况进行实例验证。结果表明,在开关机组瞬间,振动信号子序列熵值的最大幅差达到0.37,机组稳定运行期间子序列熵值的最大幅差仅为0.07,根据其熵值的变化可快速方便地识别出泵站管道的运行状态,具有较高的精度与可靠度。该方法为泵站管道运行状况的在线监测提供了新思路,为结构下一步安全诊断工作提供基础,具有较好的工程实用性和推广价值。