多尺度排列熵及其在滚动轴承故障诊断中的应用

引入多尺度排列熵（MPE）的概念,用来检测振动信号不同尺度下的动力学突变行为,并将其应用于机械故障诊断中滚动轴承故障特征的提取,结合支持向量机(SVM),提出了一种基于MPE和SVM的滚动轴承故障诊断方法,将新提出的滚动轴承故障诊断方法应用于实验数据分析,并通过与BP神经网络对比,结果表明,该方法能够有效地提取故障特征,实现故障类型的诊断。     

多尺度熵在转子故障诊断中的应用

为解决从信号中提取故障特征难的问题,介绍了一种新的信号故障特征提取方法——多尺度熵(multi-scale entropy,简称MSE),并将样本熵和多尺度熵分别应用于转子故障信号复杂性的度量,以提取故障特征.试验数据分析表明,与样本熵相比,多尺度熵更能有效地实现转子故障类型的诊断.     

多尺度近似熵在机械故障诊断中的应用

针对机械故障信号非线性、非平稳性特点,提出了一种基于多尺度近似熵和支持向量机的故障诊断方法,首先利用多尺度近似熵对故障信号进行故障特征提取,然后结合支持向量机对不同的机械振动信号进行分类。结果表明,该方法能有效识别轴承类故障。     

精细广义复合多元多尺度反向散布熵及其在滚动轴承故障诊断中的应用

多尺度反向散布熵能够有效度量时间序列的复杂性，但在粗粒化构造上存在缺陷，且在表征滚动轴承非线性故障特征时缺乏对其他通道同步信息的有效利用。为了准确提取轴承信号的故障特征，结合精细化和广义复合多尺度的思想，将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中，提出了精细广义复合多元多尺度反向散布熵(RGCMvMRDE)。在此基础上，提出了一种基于RGCMvMRDE与引力搜索算法优化支持向量机(GSA-SVM)的滚动轴承故障诊断方法。首先，利用RGCMvMRDE全面表征滚动轴承故障特征信息，构建故障特征集；其次，采用GSA-SVM对故障类型进行智能识别；最后，将所提方法应用于滚动轴承实验数据分析，并将其与现有基于多尺度反向散布熵、广义多尺度反向散布熵和精细复合多元多尺度排列熵的故障特征提取方法进行了对比。研究结果表明，所提RGCMvMRDE不仅能够有效和精准地诊断轴承的不同故障类型和故障程度，且诊断效果优于上述对比方法。     

基于多尺度基本熵的CFS聚类滚动轴承故障诊断

提出了一种基于多尺度基本熵的CFS聚类滚动轴承故障诊断方法,首先使用多尺度基本熵对滚动轴承振动信号进行多尺度分解,然后使用PCA模型对得到的多尺度熵值特征向量进行降维操作,最后选择第1~2主成分作为CFS聚类算法的输入进行滚动轴承的故障诊断。试验结果表明:在聚类效果相同的情况下,多尺度基本熵的计算效率高于多尺度排列熵模型,并且CFS聚类算法的故障识别效果较好。     

基于多尺度排列熵的滚动轴承故障诊断

针对轴承发生故障,振动信号会表现出复杂性的情况,运用多尺度排列熵(Multiscale Permutation Entropy,MPE)方法对振动信号进行分析。首先对嵌入维数、延迟时间以及数据长度对排列熵的影响进行了分析,在此基础上分析尺度因子关于多尺度排列熵的影响,然后对滚动轴承振动信号进行更准确的故障特征提取,并利用极限学习机(Extreme Le arning Machine,ELM)方法对其进行故障分类,与神经网络的分类效果相比较,结果显示,极限学习机与多尺度排列熵相结合,可以很好地实现故障诊断。     

基于局部特征尺度分解与基本尺度熵的轴承故障诊断

为了准确进行轴承故障诊断,提出了基于局部特征尺度分解与基本尺度熵的故障特征提取及诊断方法。首先,分析了基本尺度熵提取轴承振动信号蕴涵的故障信息的合理性,针对基本尺度熵的参数选择问题,提出了基于相空间重构理论的延迟时间和嵌入维数选择方法;然后,运用局部特征尺度分解对基本尺度熵进行自适应多尺度化,充分提取了故障特征;最后,将原始信号的降噪数据及有用分量的基本尺度熵作为特征向量,通过支持向量机进行故障诊断。以轴承振动试验信号为例进行了验证,结果表明,所提方法能有效识别正常、内圈故障、外圈故障及滚动体故障等4种状态。     

多尺度熵在变压器振动信号特征提取中的应用

以提取变压器绕组振动信号有效特征为目的,对多尺度熵(multiscale entropy,简称MSE)适用于非平稳非线性振动信号分析的特点和机理进行分析,在此基础上将其引入变压器绕组振动信号的特征提取中。利用不同尺度内信号样本熵的变化来反映变压器绕组运行状态的改变,将其作为一个能定量描述绕组故障信号特征的有效特征参数。实验数据分析表明,与样本熵相比,多尺度熵能更好地实现故障信号特征的定量提取,是表征变压器绕组不同故障信息的一种有效参数。     

参数化局部特征尺度分解及其在复合故障诊断中的应用研究

为了消除局部特征尺度分解方法出现一阶导数不连续的问题,设计了Hermite插值与可调参数相结合的解决方案。构造了参数化Hermite插值方法,通过调整可调参数可以进一步逼近理想曲线;提出了参数化局部特征尺度分解方法,该方法的核心在于利用了参数化Hermite插值获得拟合曲线,并通过调整可调参数λ获得了更加理想的分量信号,克服了LCD分解过程中出现的拟合误差问题,并将所提方法应用于复合故障仿真信号和实际信号。研究结果表明:与LCD和经验模态分解方法相比,PLCD方法可以有效地提取微弱信号的故障特征。     

基于多尺度熵和神经网络的滚动轴承故障诊断

滚动轴承是机械设备中最常用的零部件之一,其运行状态直接影响整机性能。文章针对滚动轴承故障振动信号具有跨尺度复杂性的特点,提出了一种新的基于多尺度熵(Multiscale entropy,简称MSE)和BP神经网络的滚动轴承故障智能诊断模型。该模型首先利用MSE方法对滚动轴承不同健康状态下的振动信号进行特征提取,再将其作为BP神经网络的输入,实现网络训练,最后利用神经网络自动识别故障类型及故障程度。实验结果表明,该方法能有效地实现滚动轴承故障类型及程度的智能诊断,并具有对网络初始值不敏感及较低的误报率和漏报率等优点。     

柯尔莫哥洛夫熵及其在故障诊断中的应用

熵作为一个状态函数 ,表征了系统能量在空间分布的均匀程度 ,直接反映了系统的状态。本文详细分析了柯尔莫哥洛夫熵 (Kolmogorov熵 ,简称 K熵 )的物理含义及其从实测的时间序列中计算 K熵数值的算法 ,并首次将 K熵引入大型旋转机械的故障诊断领域中 ,利用 K熵的计算数值作为故障的特征值来识别机械的故障类型及严重程度     

基于LCD多尺度散布熵的数控机床故障诊断

为提升数控机床用轴承故障诊断效果,提出了基于LCD多尺度散布熵的数控机床轴承故障诊断方法。该方法利用局部特征尺度分解(LCD)对轴承振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据散布熵能有效区分不同故障信号的复杂度,计算ISC分量的散布熵,获得原始信号多个尺度下的复杂度特征作为轴承故障的特征参数;将该特征参数输入SVM分类器中判断轴承故障,实现故障诊断。轴承不同类型和不同程度故障诊断实验结果表明,所提方法能够提升轴承的故障诊断效果,相比其他一些方法,具有一定的优势。     

变分框架下多尺度熵相关优化的模态分解在故障诊断中的应用

针对变分框架下,一种新的模态分解——变分模态分解(Variational Mode Decomposition,VMD)的最优模态分量选择和关键参数辨识问题,借鉴折半查找的思想,提出应用多尺度熵相关系数和频域相关系数来改进VMD的上述关键环节,并通过轴承故障信号仿真研究其频域分解的数据特点,揭示其滤波本质;轴承故障信号仿真及工程应用的结果表明,相对于经验模态分解(Empirical Mode Decomposition,EMD)和总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),改进后的VMD(IVMD)去噪效果更为明显,是一种有效的自适应频域模态分解方法,可更为准确地提取出微弱特征频率信息,实现轴承故障的正确识别。     

多尺度柔性形态滤波在轴承故障诊断中的应用

针对经典的形态学滤波在取单一结构元素的情况下存在缺陷的问题,提出了一种基于多尺度柔性形态滤波的轴承振动信号滤波方法。多尺度柔性数学形态学在保留柔性形态学好的鲁棒性、滤除正负噪声和保留细节等优点的同时,进一步对其结构元素进行改进,以期获得更好的脉冲提取性能。将多尺度柔性形态滤波应用于轴承故障诊断,结果表明,其比经典的柔性形态滤波能更好地保留振动信号中的冲击脉冲,为轴承故障的进一步诊断打下基础。     

加权多尺度形态滤波在轴承故障诊断中的应用

滚动轴承故障信号中通常包含了周期性出现的冲击衰减成分,冲击频率反映了轴承发生故障的位置信息。多尺度形态滤波可以提取分布在不同尺度下的冲击特征,为了更准确的反映不同尺度分析结果的贡献,提出了一种评价冲击特征提取效果的指标,并以此计算权值对多尺度分析结果进行加权综合。仿真信号和轴承外圈故障信号的分析结果表明,加权多尺度形态滤波方法可以有效提取强背景噪声下的冲击特征,为滚动轴承故障诊断提供了一种有效的手段。     

基于多尺度样本熵和VPMCD的自动机故障诊断

针对自动机故障诊断过程中振动信号的非线性、非平稳性、非周期性导致的故障特征较难提取,以及故障识别率偏低这一问题,提出了一种基于多尺度样本熵和多变量预测模型(variable predictive model-based class discriminate,简称VPMCD)的自动机故障诊断方法。首先,对采集到的信号进行小波阈值降噪处理;其次,利用小波包分解的方法对振动信号进行分解,得到多个尺度下的信号分量;然后,计算不同尺度下信号的样本熵值,并提取对故障特征较为敏感的尺度因子,组成故障特征向量;最后,利用多变量预测模型对故障特征向量进行训练和识别,进而实现自动机的故障诊断。自动机故障诊断试验分析结果表明,利用多尺度样本熵和多变量预测模型的方法可以准确识别多种典型的自动机故障类型。     

基于多尺度熵的滚动轴承Elman神经网络故障诊断方法

针对滚动轴承故障振动信号具有跨尺度复杂性的特点,提出了一种新的基于多尺度熵(multiscale entropy,MSE)和反馈式Elman神经网络的滚动轴承故障诊断方法。该方法利用MSE对滚动轴承不同健康状态下的振动信号进行故障特征提取,并将其作为Elman神经网络的输入,利用Elman神经网络自动识别轴承所属的故障类型及故障程度。实验数据包括不同故障类型和不同故障程度样本,结果表明提出的方法能有效地实现滚动轴承故障类型以及程度的智能诊断,效果优于前馈式概率神经网络(Probabilistic neural network,PNN),并具有较低的虚警率和漏警率。     

利用增强多尺度模糊熵的齿轮故障诊断方法

为克服多尺度模糊熵(MFE)在刻画齿轮故障信息时存在的不足,对其进行改进,提出增强多尺度模糊熵(EMFE)的概念,并由此提出基于EMFE的齿轮故障诊断新方法.相比于MFE,EMFE的序列粗粒化过程不存在信息泄露,并且能够保证熵值计算的稳定性,能够更为准确的对信号包含的信息进行刻画.齿轮故障诊断实例结果表明,以EMFE作为故障特征输入支持向量机(SVM)中进行故障诊断,可以有效提高故障诊断的精度.     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

VMD多尺度熵用于高速列车横向减振器故障诊断

针对高速列车横向减振器故障振动信号具有非线性和非平稳特征、特征信号提取相对困难问题,提出了变分模态分解和多尺度熵结合的特征提取方法。原始信号经变分模态分解方法处理后,被分解为若干本征模态,利用互信息指标筛选有效模态,求多尺度熵组成特征向量,通过特征评价方法去除冗余特征,最终将最优特征子集输入支持向量机识别横向减振器的故障类型。实验结果表明,该方法能有效提取振动信号的特征,实现横向减振器故障的有效判别,验证了该方法在高速列车横向减振器故障诊断的可行性。