基于信息熵贴近度和证据理论的旋转机械故障诊断方法

从信息融合的思路出发,建立反映振动能量的旋转机械故障状态的信息熵特征,如奇异谱熵、功率谱熵、小波空间状态特征谱熵和小波能谱熵。通过试验,建立了旋转机械典型故障下的信息熵期望值,即获得基于信息熵的故障诊断标准特征向量。由于传感器的不确定性和故障的多样性,提出采用D-S证据理论来对4种信息熵进行信息融合。根据越相似模式间的距离越短的思路,提出采用信息熵贴近度来建立证据理论的基本可信度分配,以基于基本可信数的决策方法来作为故障模式识别方法。通过实例计算,证明基于信息熵贴近度和证据理论的旋转机械故障诊断方法是故障模式定量识别的一种可行的新方法。     

基于信息熵的涡旋压缩机故障诊断研究

为了定量描述涡旋压缩机运行状态,在状态特征提取的基础上,从振动信号分析的思路出发,结合信息论中熵和灰关联度的理论,建立了一种基于时域的奇异谱熵、频域的功率谱熵、时-频域小波能量谱熵和小波空间特征谱熵的故障诊断方法,并作为综合评价涡旋压缩机振动状态的定量特征指标,可实现对涡旋压缩机几种故障的较好识别,证明了该故障诊断方法的有效性。     

旋转机械振动信号的信息熵特征

从信息融合的思想出发 ,针对单个和多个振动传感器 ,在时域、频域以及时 -频域系统、深入地研究了定量评价旋转机械振动状态的方法 ,提出了反映不同域中振动能量分布不确定性的奇异谱熵、功率谱熵、涡动状态特征熵、小波空间特征熵等信息熵特征。通过对实际信号的分析表明 ,这些信息熵形成了有效综合评价转子振动状态的特征指标。     

基于频域时空特征谱的信息故障诊断方法

目前振动信号的分析主要是针对特定测点在某一瞬间采集的一段振动波形,提取其中的特征量来进行诊断故障,这种基于状态信息的诊断方法对故障类型的辨别能力有限。基于多个振动波形状态的过程信息,提出和定义了两种基于过程信息融合的信息火用指标,用于反映同一个过程中不同状态间的过程变化规律以及不同过程中对应状态间的过程变化规律。在此基础上,提出了一种基于频域时空特征谱的旋转机械信息火用故障诊断方法,并通过该方法对试验台获取的振动故障信号进行分析。计算结果表明,该方法是一种有效的故障诊断方法。     

火电机组信息融合故障诊断方法及其发展

简要叙述了火力发电机组信息融合故障诊断技术的发展情况,介绍了信息融合的基本概念,总结了在火电机组融合诊断中常用的一些融合方法,包括多种融合方法相结合的形式,重点提到了一种新的信息融合定量诊断方法——信息熵,并预测了火电机组融合诊断今后的发展方向     

融合能量尺度熵及其用于旋转机械运行稳定性诊断研究

以连续小波变换和信息熵理论为基础,提出融合能量尺度熵用于旋转机械运行稳定性定量监测的新指标。用Bently转子试验台模拟实验,将融合能量尺度熵与单源数据的尺度熵对比,结果表明,融合能量尺度熵能较好地反映旋转机械发生故障时不同尺度的稳定性,克服了单源数据尺度熵的不足,可有效提高旋转机械故障诊断的准确率。     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

基于信息熵的涡旋压缩机振动信号分析

为了定量描述涡旋压缩机的运行状态,应用信息熵理论,建立了一种基于时域的奇异谱熵、频域的功率谱熵、时 频域小波能量谱熵和小波空间特征谱熵的振动信号分析方法,并作为综合评价涡旋压缩机振动状态的定量特征指标。实现了在恒转速条件下涡旋盘固有频率的识别,定量分析了动涡盘轴向振动、径向柔性机构及轻微液击等对压缩机的影响。揭示了变转速条件下涡旋盘3种周期激变的运动形式及信息熵随着压缩机转速变化的规律。研究结果为涡旋压缩机故障诊断提供了基础数据。     

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。     

基于信息熵与信息融合的供输弹系统故障诊断研究

针对供输弹系统早期故障微弱特征难以提取等问题,提出了信息熵与信息融合的故障诊断方法。将经过降噪预处理后的信号提取样本熵作为特征参量,经Elman神经网络初步诊断,将其输出值归一化后作为证据体的基本概率分配,采用一种基于证据关联系数加权平均融合模型,最终得到决策级融合的诊断结果。结果表明:该方法能有效对供输弹系统故障进行诊断,诊断正确率高达93.71%。     

全信息小波包分析及其在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的不足,结合设备状态检测和故障诊断中微弱振动信号难以提取的问题,在介绍全信息技术的基础上,提出新的信号处理方法——全信息小波包分析,用小波包变换对双通道信号分别进行分解,以提取信号中的微弱局部成分,把需要的对应小波包进行重构并用全矢谱技术进行融合,根据融合后的数据进行故障诊断。工程应用实践表明,全信息小波包分析是一种新的、较为实用的信号处理方法。     

基于非线性多参数的旋转机械故障诊断方法

应用关联维数、李亚谱诺夫指数等非线性多参数对旋转机械故障诊断进行研究。对所采集的模拟旋转机械振动故障信号,运用相空间重构理论对其时间序列重构。为使重构相空间能充分地反映系统运动特征,对不同故障信号的时间延迟与嵌入维数确定问题进行研究,计算出不同故障信号的关联维数、李亚谱诺夫指数、复杂度和近似熵四个非线性特征量。在此基础上对四个非线性参数进行融合,并定义为非线性度,用这一特征量对故障信号特征进行提取与识别。由于非线性度是关联维数、李亚谱诺夫指数、复杂度和近似熵多参数的综合,更有利于分析识别故障信号,增强可靠性。研究表明:故障类型不同,非线性度指数不同,验证了这一非线性特征量是表征不同故障信息的有效参数。此研究为复杂旋转机械故障诊断提供一种识别方法。     

基于数学形态学和模糊聚类的旋转机械故障诊断

提出了一种数学形态学与GG (Gath-Geva)模糊聚类相结合的旋转机械故障诊断方法,通过对滚动轴承信号的多尺度形态运算得到信号的形态谱,定量反映了信号在不同尺度下的形态变化特征.为进一步对滚动轴承信号进行故障识别,提取出基于形态学操作的分形维数和描述不同信号形态特征的指标即形态谱墒,并把这2个参数作为GG聚类的故障特征向量,进行聚类分析,同时对GG聚类与FCM(fuzzy center means)聚类和GK (Gustafaon-Kessel)聚类进行了比较.实验证明了基于数学形态学与GG聚类相结合的机械故障诊断方法的有效性,且证明了GG聚类更适合对不同形状、大小和密度的空间故障数据模糊聚类,聚类效果更好.     

Construction of customized redundant multiwavelet via increasing multiplicity for fault detection of rotating machinery

Fault detection from the vibration measurement data of rotating machinery is significant for avoiding serious accidents. However, non-stationary vibration signal with a large amount of noise makes this task challenging. Multiwavelet not only owns the advantage on multi-resolution analysis but also can offer multiple wavelet basis functions. So it has the possibility of detecting various fault features preferably. However, the fixed basis functions which are not related to the given signal may lower the accuracy of fault detection. Moreover, another major intrinsic deficiency of multiwavelet lies in its critically sampled filter-bank, which causes shift-variance and is harmful to extract the feature of periodical impulses. To overcome these deficiencies, a new method called customized redundant multiwavelet (CRM) is constructed via increasing multiplicity (IM). IM is a simple method to design a series of changeable multiwavelet which are available for the subsequent optimization process. By the rule of the envelope spectrum entropy minimum principle, optimal multiwavelet is searched for. Based on the customized multiwavelet filters, the filters of CRM can be calculated by inserting zeros. The proposed method is applied to analyze the simulation, gearbox and rolling element bearing vibration signals. Compared with some other conventional methods, the results demonstrate that the proposed method possesses robust performance in detecting fault features of rotating machinery.     

全信息小波能量熵及其在旋转机械状态监测中的应用研究

结合全信息技术、小波分析以及信息熵的基本理论,提出全信息小波能量熵的概念.用小波分析将两个垂直通道的信号分别分解至不同的频率带,综合所有分解系数计算得到小波熵,对融合信号能量分布的紊乱程度进行量化.仿真计算表明,全信息小波能量熵能反映融合振动信号能量分布的复杂性,且对能量分布的变化较为敏感,可作为衡量设备工作状态的指标,应用于旋转机械状态监测中.     

双相干谱和RBF网络在旋转机械故障诊断中的应用

双相干谱保留了信号的相位信息，可以用来描述非线性相位的耦合，径向基函数网络具有良好的推广能力和分类能力。文中将双相干谱和径向基函数网络结合，提出一种基于双相干谱与径向基函数网络相结合的旋转机械故障诊断方法，即以双相干谱为故障特征向量，以径向基函数网络作为分类器，对旋转机械的故障进行分类，并以转子不平衡、转轴碰摩、油膜涡动为例进行实验研究。实验结果表明，结合双相干谱和径向基函数网络的旋转机械故障诊断方法是有效的。     

基于最大小波奇异谱的轴承故障诊断方法

研究小波奇异谱在轴承故障诊断中的应用问题,针对小波奇异谱熵无法有效实现故障诊断的不足,提出以最大小波奇异谱为特征的轴承故障诊断方法。该方法利用小波变换后的系数矩阵的最大奇异值作为故障诊断特征,并将试验结果与以小波奇异谱熵为特征的方法进行比较。结果表明,该方法在识别性能上有显著提高。试验从小波基、窗口宽度两个层面对该方法的诊断性能进行了分析,证明该方法具有较强的稳定性和鲁棒性。     

基于证据理论的免疫检测器在轴承故障诊断中的应用

针对旋转机械故障诊断的不确定性问题,提出一种基于证据理论的数据融合故障诊断方法,把5种无量纲免疫检测器的敏感因子和信息因子通过D-S联合规则联合多个证据组形成-个新的综合证据组,建立多故障特征信息融合诊断框架,充分利用不同证据体的冗余和互补故障信息,通过对不同轴承故障进行分析,结果表明,此方法能有效地减少诊断的不确定性,提高故障诊断的准确性.     

旋转机械振动信号的小波包分解及故障检测

研究了旋转机械振动信号的特点，指出传统的波形分析和频谱分析存在的问题。提出了从小波包分解序列图和小波包能量分布图两个方面对振动信号分析的方法，赋予小波变换和小波包分解的结果以明确的物理意义，通过测试数据分析旋转机械的三种典型故障在时域、步域及时频域所反映的信息特征，从而表明了该方法的可行性及对故障检测的有效性。     

基于小波包的全信息解调方法及其应用

针对旋转机械故障信号的振动特点,将小波包络解调与基于数据融合技术的全矢谱相结合,提出一种诊断旋转机械调制信号的分析方法。首先,对安装在转子同一截面不同方向上的传感器信息同步整周期采样,对来自不同方向的时域信号分别采用小波包进行分解并重构,以实现带通滤波的效果;然后,采用全矢谱技术对两组重构信号进行数据融合;最后,对合成后的信号做包络解调分析。通过仿真研究和工程实例分析可以得出,对来自同一截面、不同方向的时域信号分别作小波包络谱分析时,两者在能量分布和频谱结构上存在着较大差别,以致造成提取故障信息的不完整或造成误判、漏判。基于小波包的全信息解调分析方法通过对同源的双通道信号的有效融合,可全面地反映出信号中包含的不同调制信息。与基于全矢谱的传统包络解调分析进行对比分析,具有较好的分析结果和可信度。