相关熵和双谱分析齿轮故障诊断研究

相关熵为高斯、非高斯噪声处理的一种有效方法,针对强高斯噪声和非高斯噪声干扰下齿轮故障诊断问题,提出了一种基于相关熵和双谱的齿轮故障诊断方法。该方法综合利用高斯核函数和不完全 Cholesky 分解算法计算信号的相关熵,然后再计算相关熵的双谱,根据相关熵的双谱特征识别齿轮故障。通过不完全 Cholesky 分解算法计算信号的相关熵,不仅大大压缩了数据量,突出了齿轮故障特征,而且提高了计算效率。通过仿真和齿轮磨损故障振动信号分析结果表明：强背景噪声会造成传统双谱故障诊断方法失效,而基于相关熵和双谱分析的齿轮故障诊断方法,能在强噪声干扰背景中提取齿轮的故障特征准确识别齿轮故障,其性能优于传统双谱和小波变换域双谱,为一种有效的齿轮故障诊断方法。     

基于信息融合和广义循环互相关熵的电机轴承故障诊断

针对传统基于单路振动信号的故障识别可靠性较差和传统谱相关方法难以有效处理非高斯噪声的问题,该研究提出了一种基于多传感器振动信号信息融合和广义循环互相关熵谱的轴承故障诊断方法.首先推导了广义互相关熵、广义循环互相关熵和广义循环互相关熵谱密度的计算公式;然后给出了电机轴承故障诊断步骤;再利用轴承外圈故障仿真信号,分析了轴承...     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

基于小波方差谱熵的轴承故障诊断方法

本文提出了一种基于小波方差谱熵的故障诊断方法。该方法以信号的方差在小波域上分解形成的谱向量的熵值作为故障的诊断特征,建立了基于小波方差谱熵的故障检测及诊断模型,并提出了基于判别能力因子的小波基选择方法。试验结果验证了小波方差谱熵能有效地反映轴承信号特征并检测出故障类别,实验最后将本文方法同基于小波能谱熵的故障检测方法进行比较,实验结果表明本文建议的方法在检测率及时间上有显著提高。     

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EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.     

最小熵解卷积法轮对轴承故障诊断

针对强噪声下轮对轴承弱故障特征难以提取,以及在实际信号检测中检测信号在故障点到检测点的传播路径中有变形和失真导致实际采集信号成分复杂难以判别的问题,提出基于最小熵解卷积的轴承故障诊断方法。该方法的核心是利用熵最小原理设计最优滤波器,突出信号中的脉冲冲击,使滤波后信号近似于原始冲击信号,消除检测中传递路径对信号的干扰,对解卷积后的信号做包络谱分析达到轮对轴承故障诊断的目的。通过实验分析,基于最小熵解卷积的轴承故障诊断方法能很好突出冲击脉冲,在包络谱中能够准确检测到故障的基频和高次谐波。     

基于EEMD排列熵的高速列车轮对轴承故障诊断方法

高速列车轮对轴承的可靠度对高速列车的安全运行具有重要意义,其故障特征主要体现在轴箱振动信号中。该文提出基于聚合经验模态分解排列熵的轮对轴承特征分析方法,提取高速列车轮对轴承振动信号的非线性特征参数,并用于故障状态的分类识别。首先,对高速列车轮对轴箱振动信号进行聚合经验模态分解,得到一系列窄带本征模态函数;然后,对原信号和主要本征模态函数分别计算,得到多组排列熵,形成多尺度的表征信息复杂性高维特征向量;最后,将高维特征向量输入最小二乘支持向量机分类识别出轮对轴承的故障状态。台架试验分析结果表明:该方法针对高速列车轮对轴承故障尤其是轴承复合故障具有较高的识别率,验证通过聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性。     

基于多尺度形态分解谱熵的电机轴承预测特征提取及退化状态评估

由于预测特征提取与退化状态评估直接关系故障预测可信性,结合数学形态学与信息熵理论,针对电机滚动轴承,提出基于多尺度形态分解谱熵的预测特征提取方法,用灰色关联分析对退化状态进行评估。对不同损伤程度轴承振动信号进行多尺度形态分解,分别计算其在不同尺度域内的复杂性度量能谱熵、奇异谱熵,以其作为预测特征向量。建立标准退化模式矩阵,对待检测样本信号特征向量与标准模式进行灰色关联分析,据关联度大小对样本信号退化状态进行评估。并仿真与实例数据验证该方法对电机轴承退化状态评估的有效性。     

改进的奇异值分解在轴承故障诊断中的应用

滚动轴承是旋转机械设备的重要部件,对滚动轴承的故障诊断研究具有重要的意义。为了从复杂的轴承振动信号中提取有效的故障信息,提出了改进的奇异值分解故障诊断方法。阐述了奇异值分解与包络谱分析的原理,并对轴承振动信号构造Hankel矩阵进行奇异值分解。利用功率谱密度函数构造滤波器提高信号的信噪比,对滤波器处理后的信号再进行奇异值分解和包络分析,并将此方法应用于滚动轴承振动信号分析。实验结果表明:此方法对振动信号故障特征频率的提取效果具有明显优势。     

基于奇异值分解和相关峭度的滚动轴承故障诊断方法研究

为了从复杂的轴承振动信号中提取微弱的故障信息,将相关峭度引入滚动轴承故障诊断领域,结合奇异值分解(Singular Value Decomposition,SVD)和相关峭度,提出了一种新的滚动轴承故障特征提取方法。该方法首先利用SVD对轴承振动信号进行分解,然后根据相关峭度选取SVD分解后的分量,提取出滚动轴承的弱故障信号。通过对轴承内圈故障的仿真和实验研究验证了该方法的有效性。     

基于阶次包络谱的轴承故障诊断研究

研究旋转机械在变速过程中振动信号的分析方法。在利用B＆K3560多分析仪对齿轮箱加速时测得的振动信号进行时域采样的基础上，利用样条插值算法进行角域重采样得到等角度分布的采样点，并对其进行阶次跟踪分析，在此基础上利用Hilbert包络解调得到轴承故障信息的阶次包络谱。结果显示阶次包络谱分析法在处理轴承转速变化信号的优越性：能够有效地避免传统频谱方法所无法解决的“频率模糊”现象，对轴承的早期故障有一定的识别能力。该方法是对传统的频谱分析法的有力补充，具有很广阔的应用前景。     

基于自适应多尺度形态梯度与非负矩阵分解的轴承故障诊断

轴承故障诊断的关键步骤是信号处理与特征参数提取。提出采用自适应多尺度形态梯度算法对轴承振动信号进行处理,综合利用小尺度下能保留信号细节和大尺度下抑制噪声的优点,可有效地提取振动信号中反映轴承状态的冲击分量;在此基础上提出采用非负矩阵分解技术对信号进行压缩,计算用于轴承故障诊断的特征参量。采用轴承在七种状态下的振动信号对所提出的信号处理和特征参数提取方法进行验证,结果表明：与传统的信号处理与特征参量提取方法相比,本文提出的方法具有更高的轴承故障分类精度,为准确判断轴承工作状态提供了一种行之有效的新方法。     

基于自适应VMD的高速列车轴箱轴承故障诊断

以尺度空间对信号频谱中共振频段的识别能力为基础,结合变分模态分解(VMD)对信号的自适应分解能力,提出了预估惩罚因子的尺度空间引导VMD算法.该算法的核心包括以尺度空间对信号频段的共振频段划分从而确定VMD中的本征固有模态个数,并根据共振频段边界预估VMD各个本征固有函数的初始中心频率与相应的惩罚因子取值,从而提高VM...     

基于B样条本征时间尺度分解和对角切片谱的轴承故障诊断

针对轴承振动信号的非线性、非平稳特征,提出了B样条改进的本征时间尺度分解方法 (B-spline Intrinsic Time-scale Decomposition,BITD)、Teager能量算子和对角切片谱相结合的轴承故障诊断方法。首先采用BITD方法对轴承振动信号进行分解,将其分解为若干个合理旋转(Proper Rotation,简称PR)分量之和,然后用样本熵和相关系数筛选出最能表征故障信息的PR分量重构信号,对重构信号进行能量算子解调,最后求对角切片谱提取故障特征。仿真信号与轴承故障诊     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于VMD降噪和CNN的轴承故障诊断

针对轴承运行环境复杂且振动信号具有非稳定性,受噪声影响较大,难以提取有效故障特征并准确诊断问题,提出一种改进变分模态分解降噪和卷积神经网络的智能诊断方法。首先利用排列熵阈值法确定VMD分解层数,对分解出的本征模态分量按照峭度准则和互相关准则重构,然后将降噪后的信号作为特征向量输入到CNN模型中训练,利用训练后的模型实现未知故障的诊断。试验结果表明,提出的方法能快速的对轴承进行故障诊断,并具有较高的准确率。     

基于非线性几何不变量的轴承故障诊断方法研究

针对轴承传动本身具有非线性而在传统故障诊断中又被忽略掉的问题,提出了基于分形和混沌等非线性几何不变量的轴承故障诊断方法。该方法对测得的轴承振动时间序列去噪以后进行相空间重构,然后计算重构信号的分形维数、Lypunove指数、K熵、关联距离熵等多个几何不变量,并以此作为轴承故障诊断特征量,输入到径向基神经网络,对轴承故障进行模式识别。实验结果表明该方法能有效区别轴承各种故障状态,且为旋转机械的故障诊断提供了一种新方法。     

基于VMD能量熵与优化支持向量机的轴承故障诊断

滚动轴承早期故障信号比较微弱,且受噪声与振动耦合影响,导致其故障判别失准.基于变分模态分解算法(VMD)与能量熵结合构建多模态特征矩阵,以灰狼算法(GWO)优化支持向量机(SVM)参数,提出VMD-Entropy-OSVM轴承智能故障诊断,采用轴承实验数据验证所提方法的有效性与优越性.实验结果表明:VMD-Entrop...     

基于最大幅值变分模态分解和均方根熵的滚动轴承故障诊断

针对变分模态分解中模态个数的设定会对分解结果产生重要影响的问题,提出一种求取最优分解层数的方法,该方法以瞬时频率的幅值特性为依据,通过分析变分模态分解过程中,各分量最大幅值之间的关系来确定最佳分解参数;均方根熵可以反映不同振动信号的能量值,以信号均方根熵为故障特征参量,通过优化支持向量机建立故障分类模型,实现故障模式分类。将基于最大幅值变分模态分解和均方根熵的故障诊断方法应用于滚动轴承实测信号中,实验结果表明基于最大幅值变分模态分解和均方根熵的方法能够有效识别滚动轴承运行状态,识别准确率高达98.75%。