小波相关特征尺度熵和隐半马尔可夫模型在设备退化状态识别中的应用

为正确识别机械设备当前所处的退化状态,预防设备进一步退化和故障的发生,提出一种基于小波相关特征尺度熵和隐半马尔可夫模型(Hidden semi-Markov models, HSMM)的设备退化状态识别新方法.对采集到的设备振动信号进行小波相关滤波处理,得到信噪比较高的尺度域小波系数,在此基础上结合信息熵理论提出了沿尺度分布的小波相关特征尺度熵概念.构造信号的小波相关特征尺度熵/矢量,并以此矢量作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别.以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,同时还与基于小波相关特征尺度熵-HMM的状态识别法进行了比较,试验结果表明该方法能有效识别设备的退化状态.     

基于KPCA-HSMM设备退化状态识别与故障预测方法研究

为消除多通道观测信息冗余,压缩高维故障特征,提出基于KPCA多通道特征信息融合的HSMM设备退化状态识别与故障预测新方法.首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量,然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量,并以此向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器与故障预测模型,从而实现设备退化状态识别与故障预测.将其应用到滚动轴承的退化状态识别与故障预测中,验证了该方法的有效性.     

基于隐半马尔可夫模型设备退化状态识别方法研究

机械设备从正常到故障往往经历一系列退化状态,正确识别与估计设备当前所处的退化状态,对预防设备进一步退化和故障的发生具有重要意义。隐半马尔可夫模型(Hidden Semi-MarkovModels,HSMM)是隐马尔可夫模型(hidden Markov models,HMM)的一种扩展模型,克服了因马尔可夫链的假设造成HMM建模所具有的局限性,比HMM具有更好的建模能力和分析能力。由状态识别和HMM本质上的相通性,将HSMM引入到机械设备的状态识别中,提出了一种基于HSMM状态识别方法,描述了该模型的拓扑结构和主要参数以及相应的训练和识别算法。最后通过滚动轴承试验系统验证了方法的有效性。     

基于小波相关特征尺度熵的预测特征信息提取方法研究

提出一种小波相关特征尺度熵WCFSE的预测特征信息提取方法。将小波相关滤波法与Shannon信息熵理论相结合,给出了沿尺度分布的WCFSE的定义及其计算方法。WCFSE定量表征不同尺度的能量分布,各尺度能量分布的均匀性反映设备运行状态的差别,选取最能反映故障特征的WCFse作为特征参数来判断设备运行状态。正常和几种故障程度不同的滚动体运行状态的识别结果验证了该方法的有效性和实用性。     

基于改进HSMM的设备故障预测方法研究

针对传统隐半马尔科夫模型(HSMM)在故障诊断和预测应用中存在的不足,对传统HSMM做了以下改进:一是将状态持续时间概率分布和监测值概率分布连续化,并假定其服从威布尔分布;二是基于状态开始时间的识别,提出了状态剩余持续时间;三是提出了时变转移概率的概念,给出了各时刻转移概率的计算方法。确立了基于改进HSMM的故障诊断和预测的方法体系,给出了故障诊断判据和设备剩余寿命的计算式。案例研究表明方法是合理有效的。     

基于HSMM的机械故障演化规律分析建模与预测

状态维修是工程实践中提出的一个主要问题,故障预测(prognostics)是实现状态维修的核心支撑技术。但是目前故障预测技术研究很少涉及故障演化规律分析与建模,这是进行故障预测研究的基础。文中在分析机械故障形成的一般过程、基本特性与演化规律的基础上,根据故障演变过程退化状态和HSMM(hidden semi-Markov model)的状态都是通过表现来感知的特点,利用HSMM对机械故障演化规律进行建模,并提出基于HSMM的机械故障预测方法,最后将其应用到滚动轴承的故障预测中,验证该方法的有效性。     

基于多尺度熵与SOM神经网络的滚动轴承故障识别

滚动轴承故障识别是实现视情维修的基础。针对滚动轴承出现故障时振动信号表现出的非平稳性和非线性,提出了一种基于多尺度熵(Multi-scale Entropy, MSE)和自组织特征映射(Self-organizing Feature Maps, SOM)神经网络的滚动轴承故障识别方法。该方法通过提取滚动轴承振动信号中不同故障状态下的MSE作为SOM神经网络的输入,通过SOM神经网络进行识别,得出轴承的不同故障及故障程度。通过实验表明提出的方法能有效地实现滚动轴承故障类型以及故障程度的智能识别。     

基于HMM的机械设备运行状态评估与故障预测研究综述

随着对机电设备安全性和可靠性要求的不断提高,准确获取趋势性故障发展历程的退化特征信息并建立有效的故障预测模型是提高设备运行可靠性的关键。隐马尔可夫模型(Hidden Markov Model,HMM)具有描述隐藏状态和观测状态的双随机过程属性,与设备的退化过程在某种程度上是相似的,因此成为故障预测模型的研究热点。综述国内外基于隐马尔可夫模型的退化评估与预测方法,重点论述基于隐马尔可夫模型及其改进方法隐半马尔可夫模型(Hidden semi-Markov Model,HSMM)的机械设备故障预测方法,分析比较各种方法的优缺点,并总结展望基于隐马尔可夫模型故障预测方法的发展趋势。     

基于DD-HSMM的设备运行状态识别与故障预测方法

针对设备运行状态识别与故障预测问题,提出一种基于时变转移概率的隐半Markov模型。该模型将设备历史运行信息融人Markov状态转移概率矩阵的估计过程中,使Markov状态转移概率矩阵具有时变特性。基于改进前向后向算法研究了相应的隐半Markov模型参数估计方法,使其能够不断综合利用历史运行信息进行自我更新,以更加符合设备真实运行的过程。同时以该模型为基础,利用故障率方法建立了对设备剩余使用寿命进行预测的基本步骤。通过某滚动轴承运行状态识别实例演示了该模型的建模过程,证明了基于该模型的设备状态识别与预测方法比传统隐半Markov模型方法更为有效。     

基于VMD-Hilbert相对谱熵的轴承退化状态识别

为提高轴承退化状态识别的精度,文中提出了基于VMD-Hilbert相对谱熵的轴承退化状态识别方法.该方法首先是将变分模态分解(VMD)和Hilbert变换相结合,以此定义出VMD-Hilbert时频谱;其次,利用相对熵可以对信号的概率分布差异进行较好体现的特性,结合VMD-Hilbert时频谱,定义了 VMD-Hilb...     

Bearing running state recognition based on non-extensive wavelet feature scale entropy and support vector machine

In order to effectively recognize the bearing running state, a new method based on non-extensive wavelet feature scale entropy and the Morlet wavelet kernel support vector machine (MWSVM) was proposed. Firstly, the gathered vibration signals were decomposed by the wavelet to obtain the corresponding wavelet coefficients. Then, based on the integration of non-extensive entropy and the coefficients, the features were extracted by the wavelet feature scale entropy. However, the extracted features remained high-dimensional and excessive redundant information still existed. Therefore, the manifold learning algorithm locality preserving projection (LPP) was introduced to extract the characteristic features and to reduce the dimension. The extracted characteristic features were inputted into the MWSVM to train and construct the running state identification model; the bearing running state identification was thereby realized. Cases of test and actual fault were analyzed. The results validate the effectiveness of the proposed algorithm.     

基于核特征模糊聚类及模糊关联熵的齿轮故障模式识别

针对常用数据模糊聚类算法存在缺乏先验知识、对初始值敏感、随机性明显以及高维数据处理效果较差等缺陷,提出了基于核特征模糊聚类及模糊关联熵的故障识别方法,并建立了相关模型。首先提出了核主元熵概念,并采取KPCA降维以减少运算量,基于核密度估计和第一核主元熵最大原理寻求最佳分类数和初始聚类中心,以提高模糊聚类效果;然后引入模糊关联熵系数实现学习模糊集和待识别模糊集相似程度的有效度量,建立了基于数据集中微观算子而形成的全局性故障相似性判别规则。在齿轮故障实验台架上的测试结果显示该方法可显著提高故障数据的聚类效果,具有快速识别故障模糊模式的显著作用。     

小波理论-近似熵在风机故障诊断中的应用

风机的振动信号是一种典型的非平稳时变信号,具有混沌特征。提出用小波理论的滤波算法对风机原始振动信号进行降噪处理,用近似熵来定量描述风机的工作状态,进而对风机进行故障诊断。通过对风机不同工作状态下振动信号的分析,结果表明,风机在不同工作状态下所对应的近似熵有明显的变化,小波理论近似熵的方法适用于风机故障的检测。     

基于小波包近似熵的线路故障性质辨识方法

超高压输电线路瞬时性故障与永久性故障的自动识别,是自适应重合闸实现的关键。研究超高压输电线路模型及其故障相电压特性,应用小波包分解和近似熵对故障相电压中的高频暂态分量进行分析;研究发现,对于瞬时性故障,其故障相电压的特征频段的小波包系数近似熵值在开关动作跳闸后的一段时间内显现振荡的变化趋势;对于永久性故障,其特征频段的小波包系数近似熵随时间递减。根据这一特征,提出了基于小波包系数近似熵的衰减系数累加和的输电线路故障性质自动识别方法,给出了相应自适应重合闸动作判据。仿真研究结果及工程应用实例证实了所提方法的可行性和准确性。     

基于信息熵和Haar小波变换的开关电流电路故障诊断新方法

针对开关电流(SI)电路的故障诊断和定位问题,为进一步提高故障准确率,提出了基于信息熵和Haar小波变换的开关电流电路故障诊断新方法。该方法采用伪随机信号激励经蒙特卡罗分析、Haar小波正交滤波器分解和信息熵及模糊集的计算来实现故障特征的提取,以减少信号的冗余。最后构建故障字典,完成各故障模式的故障分类。对六阶切比雪夫低通滤波器进行了仿真实验验证,获得了100%的故障诊断准确率,与其它方法进行比较,实验结果显示了本文方法的优越性。     

自适应Morlet小波降噪方法及在轴承故障特征提取中的应用

分析了Morlet小波变换的滤波特性及其时频分辨率,利用Morlet小波良好的时域和频域特性及奇异值分解技术,提出了一种基于自适应Morlet小波和SVD的降噪方法。针对滚动轴承故障在振动信号中表现为冲击衰减波形的特点,采用修正的Shannon熵方法同时优化Morlet小波的中心频率与带宽参数,实现其与冲击特征成分的最优匹配;针对根据小波系数矩阵奇异值曲线的过渡阶段求取最佳变换尺度的方法存在着不够快捷方便的不足,将其与小波系数奇异值比方法相结合来快速方便地求得最佳变换尺度;最后对信号进行降噪处理提取故障特征。对仿真信号和实际轴承内外圈故障信号的应用分析表明,该方法具有良好的降噪性能,能有效地提取出滚动轴承的微弱故障特征。     

基于最大提升格形态小波变换的齿轮故障特征提取

针对齿轮故障特征提取问题,提出了一种基于最大提升格形态小波变换的信号分解方法。最大提升格形态小波是在数学形态学和提升方案的基础上提出的一种非线性小波变换方法,具有信号局部极值保持和计算快速的优点。提出将最大提升格形态小波用于齿轮发生故障时所产生的非平稳、非线性振动加速度信号的分析,提取故障的特征信息。通过对仿真信号和实际的齿轮断齿故障信号的分析结果,证明了所采用方法的有效性。同时,与采用传统的线性小波分解分析结果相比,最大提升格形态小波变换能够在较高分解层次下十分有效地保留信号的冲击特征,能够利用较少的系数实现对故障信号的特征提取,而且最大提升格形态小波变换算法只涉及加减和取极大、极小运算,运算简单,执行高效,非常适于齿轮故障的在线监测和诊断。