共查询到10条相似文献,搜索用时 31 毫秒
1.
为有效地对轴承退化状态进行识别,结合LCD分解和Hilbert变换定义了LCD-Hilbert时频谱,同时利用相对熵可以较好表征振动信号概率分布差异的特性,提出基于LCD-Hilbert相对谱熵的轴承退化特征提取方法。通过仿真信号对定义的LCD-Hilbert相对频率能谱熵、相对瞬时能谱熵和相对奇异谱熵的合理性和有效性进行了验证。将这3个特征指标组成退化特征,对实测轴承内圈和外圈故障模式下的不同程度故障振动信号进行了进一步分析,并通过支持向量机对轴承退化状态进行了识别,结果验证了所提方法的有效性。 相似文献
2.
为更好的表征电机轴承的退化状态,对电机轴承退化特征提取方法进行了研究。结合变分模态分解(Variational modal decomposition, VMD)和信息熵理论,提出了基于VMD分解谱熵的退化状态识别方法。对不同损伤程度的轴承振动信号进行VMD分解,分别计算其在不同尺度下的复杂度度量能谱熵、奇异谱熵和边际谱熵,以其作为退化特征向量。通过建立相关向量机退化状态识别模型实现轴承的退化状态识别。仿真信号和轴承实测信号均验证了VMD分解谱熵对轴承退化状态的表征能力。 相似文献
3.
液压泵特征提取是实现故障预测的关键环节。针对液压泵退化特征不理想的问题,提出一种基于改进复合谱与关联熵融合的特征提取方法。首先,对传统CS算法进行改进,对多通道振动信号进行融合,实现对特征信息的综合利用,并分别提取Shannon定义下和Tsallis定义下的DCS功率谱熵和DCS奇异熵作为特征;在此基础上,提出基于关联熵的融合方法,将所提取的特征融合为一个全新特征,作为液压泵退化特征,提高特征的简洁度;最后,利用液压泵性能退化试验所采集振动信号,验证了该方法的有效性。 相似文献
4.
5.
基于KPCA-HSMM设备退化状态识别与故障预测方法研究 总被引:2,自引:1,他引:2
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. 相似文献
6.
7.
《机械科学与技术》2016,(12):1882-1887
针对设备的视情维修,提出一种将小波包奇异谱熵和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。先提取轴承全寿命周期内振动信号的小波包奇异谱熵作为轴承状态的特征矢量,然后以轴承正常状态下的特征矢量训练SVDD,得到正常状态下的基准超球体,再计算轴承全寿命周期内的特征矢量与基准超球体之间的相对距离,作为性能退化过程的定量评估指标,并对失效阈值和早期故障阈值进行设定。结果表明,与基于小波包和SVDD的性能退化评估方法相比,该方法的早期故障检测能力更强,对轴承性能退化各个阶段的描述更加准确。最后,利用基于EMD的Hilbert包络解调方法对评估结果的正确性进行了验证。 相似文献
8.
相关熵是一种基于信息理论学习和核函数的相似性度量方法,不仅能有效刻画信号的时间和统计特征,而且包含了信号的高阶统计量,因而,相关熵是处理非高斯、非线性信号的有效方法。将相关熵与循环平稳信号处理方法结合,提出了一种基于循环平稳相关熵的轴承故障诊断方法。首先,简述了相关熵的基本概念,推导了循环平稳相关熵函数和循环平稳相关熵谱密度函数公式;其次,分析了循环平稳相关熵轴承故障诊断流程;最后,将循环平稳相关熵应用于轴承内圈、外圈局部裂纹故障振动信号的分析与处理。实验结果表明:相关熵能有效提取轴承故障振动信号中的周期成分,循环平稳相关熵函数和循环平稳相关熵谱密度函数能有效刻画轴承故障的频谱特征,便于进行故障特征提取与识别,验证了提出方法的优越性。 相似文献
9.
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。 相似文献
10.
《压缩机技术》2015,(4)
往复压缩机是用于压缩和输送气体的机械设备,针对其振动信号特征,提出基于LMD与多尺度排列熵的往复压缩机轴承间隙故障特征提取方法。利用具有保形特性的Hermite插值法替代传统LMD中滑动平均法构造均值与包络函数,提高LMD对非平稳信号的分解精度;以改进的LMD方法分解各状态下的振动信号,依据相关性系数筛选包含故障状态主要信息的PF分量;利用多尺度排列熵对各PF分量进行定量描述,并以平均类间样本距离对尺度因子进行优选,得出可分性良好的特征向量;利用SVM识别轴承间隙故障的类型,以识别准确率为依据,通过与不同方法所提取的特征向量进行对比,验证了方法的有效性。 相似文献