基于LMD近似熵和PSO-ELM的齿轮箱故障诊断

针对齿轮箱使用中常见的故障检测与识别问题,考虑到齿轮箱振动响应信号非线性、非平稳的特性,提出基于局域均值分解(LMD)的近似熵和粒子群优化的极限学习机(PSO-ELM)结合的齿轮箱故障诊断方法。首先,使用LMD分解方法对齿轮箱各工况的振动信号进行分解,结合相关系数选取反映主要故障信息的前4个PF分量。利用近似熵进行定量描述,组成特征向量。最后用粒子群算法对ELM的输入权值与隐含层神经元阈值进行优化,建立PSO-ELM模型,并将近似熵特征值输入到ELM和PSO-ELM模型中,对齿轮箱不同工况进行故障识别与分类。结果表明,基于LMD近似熵和粒子群优化的ELM有更高的分类正确率,验证了该方法的可行性。     

近似熵与支持向量机在发动机故障识别中的应用研究

针对发动机曲轴轴承极易磨损,导致发动机出现故障的问题,提出了一种基于近似熵与支持向量机相结合的故障诊断方法。发动机在工作过程中,早期故障特征信号微弱。基于此,引入近似熵算法,分别模拟发动机曲轴轴承4种磨损状态,测取各状态下多测点的振动信号样本,计算样本近似熵值,构建了不同状态近似熵故障特征向量。结合支持向量机算法,构造支持向量机故障分类模型,将近似熵特征量带入其中进行训练与测试,测试结果准确率达到97.5%,并与普遍使用的BP神经网络诊断方法进行了对比,结果表明该方法具有更高的诊断识别率,是一种有效且准确率较高的在线诊断方法。     

风电齿轮箱故障诊断的SVM参数优化

针对风电齿轮箱易出现齿轮断齿、点蚀、磨损等故障问题,提取风电齿轮箱非平稳非线性振动信号的提升小波包能量熵,利用支持向量机(SVM)进行故障诊断。为提高算法的分类精度,利用遗传算法对参数进行优化处理,试验结果表明,优化后获得的最佳参数能够提高SVM测试样本的预测精度。     

基于MED-SVM的齿轮箱故障诊断方法

为了解决齿轮箱的故障诊断问题,提出了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)和支持向量机(Support Vector Machine,SVM)的齿轮箱故障诊断方法。该方法首先对齿轮箱振动加速度信号进行MED降噪处理,对降噪后的信号在幅域、频域和能量域进行特征参量提取,建立特征向量,以此作为输入建立多分类支持向量机,通过交叉验证方法优化模型参数,判断齿轮箱的故障类型。实测齿轮箱振动信号的故障诊断结果表明,该方法能有效识别多种齿轮和轴承的故障类型,优化模型参,数有助于提高故障识别准确率。     

基于SSA-VMD和1.5维包络谱的齿轮箱磨损故障诊断的研究

针对强噪声背景下行星齿轮箱特征提取困难的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合1.5维包络谱的故障诊断方法。该方法首先运用樽海鞘群算法(SSA)优化变分模态分解(VMD)的参数;然后运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用1.5维包络谱对重构信号进行故障的特征提取。在实验部分,首先通过仿真试验将SSA-VMD与变分模态分解(VMD)进行对比,验证了SSA-VMD的优越性;然后搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用SSA-VMD结合1.5维包络谱的方法提取出了振动信号的故障特征频率,总结了行星齿轮箱磨损故障演化规律。研究结果表明：随着磨损故障程度的加深,故障特征频率出现次数明显增多,凭借这一规律,有利于实现对行星齿轮箱磨损故障的诊断;该结果可为行星齿轮箱磨损的故障诊断提供依据。     

基于多维度互近似熵的滚动轴承故障诊断方法研究

针对滚动轴承的故障诊断问题,引入互近似熵的方法对轴承振动信号进行分析。通过研究嵌入维数和延迟时间对信号互近似熵的影响,提出多维度互近似熵的特征提取方法。利用多维度互近似熵方法所提取的特征,建立了基于支持向量机的轴承故障诊断模型。对轴承不同类型、不同程度的故障数据进行分析,证明了多维度互近似熵方法可以有效提取轴承不同状态的特征信息,与支持向量机结合可以精确地诊断轴承不同类型、不同程度故障,具有一定的优势。     

基于LMD能量熵和支持向量机的齿轮箱故障诊断

针对小样本情况下齿轮箱复合多种故障特征难以提取和分类的问题,提出了基于局部均值分解（LMD）能量熵和支持向量机（SVM）的故障诊断方法。首先利用LMD方法对采集的齿轮箱振动信号进行分解,得到有限个PF分量;然后根据不同故障下齿轮箱振动信号在频域区间内分布不均的特性,分析出PF分量能量在不同频域范围离散情况,即求出LMD能量熵;最后利用SVM多故障分类器对提取出的特征展开训练和测试,进行齿轮箱故障分类。实验结果显示,即使在小样本情况下,且同时存在非单一、多种齿轮箱故障时,基于LMD能量熵和SVM方法也可以对齿轮箱故障进行特征提取和精准分类,实现齿轮箱故障诊断。     

基于非平稳时间序列双标度指数特征的齿轮箱故障诊断

齿轮箱振动信号是含噪的多分量非平稳信号,故障模式相近的复杂齿轮箱振动信号的分类是齿轮箱故障诊断的难点。采用去趋势波动分析(Detrended fluctuation analysis,DFA)方法分析齿轮箱振动信号的标度行为,随着时间尺度的增大,标度指数会突然发生改变,形成双标度指数特征,由双标度指数构成的二维矢量具有明确的物理意义,可以作为表征时间序列内部动力学机制的特征参数。提出一种基于非平稳时间序列双标度指数特征的齿轮箱故障诊断方法,对正常状态和含有轻度磨损、中度磨损和断齿故障的齿轮箱故障诊断的结果表明,提出的方法成功地解决了故障模式相近的复杂齿轮箱振动信号的分类问题,很好地克服了傅里叶变换、小波变换和基于单标度指数的方法存在的缺陷,为齿轮箱的故障诊断提供了一种新的方法。     

EHDE和WHO-SVM模型在齿轮箱故障诊断中的应用

针对现有齿轮箱故障诊断方法对数据长度敏感的缺陷,提出了一种基于增强层次多样性熵(EHDE)和野马算法(WHO)优化支持向量机(SVM)的齿轮箱故障诊断模型。首先,传统熵值特征提取方法在特征提取阶段对数据样本的长度比较敏感,为此提出了增强层次多样性熵,并将其作为特征提取指标用于提取齿轮箱的故障特征;其次,采用WHO算法对SVM模型的参数进行了优化,建立了参数最优的WHO-SVM分类器;最后,将故障特征样本输入至WHO-SVM分类器中进行了训练和识别,完成了样本的故障识别;利用齿轮箱数据集分别从数据长度敏感性、算法特征提取时间、模型诊断性能三种角度对EHDE、精细复合多尺度样本熵、精细复合多尺度模糊熵、精细复合多尺度排列熵、精细复合多尺度散布熵、精细复合多尺度波动散布熵进行了对比研究。研究结果表明：EHDE方法对数据长度的要求较低,在数据长度为512时即可以取得99.1%的平均识别准确率,在诊断稳定性和诊断精度方面均优于其他对比方法;在算法的泛化性实验中,EHDE方法能够以98%的准确率识别齿轮箱的不同故障类型,具有明显的泛化性和通用性。     

基于多尺度熵-BP神经网络的采煤机摇臂齿轮故障诊断

采煤机摇臂齿轮箱是采煤机的故障多发区,为了提高采煤机摇臂运行可靠性,减少故障发生率,对其进行故障诊断研究显得尤为重要。研究一种基于多尺度熵(Multi-scale Entropy,MSE)和BP(Back-Propagation)神经网络的故障诊断方法,利用多尺度熵算法具有的抗干扰和抗噪能力,来对齿轮振动信号进行复杂度分析,以各尺度样本熵值作为故障特征信息对齿轮的故障类型进行诊断识别。通过实验数据分析得到,所提出的基于多尺度熵-BP神经网络的故障诊断方法可以准确区分多种齿轮故障,对于四种齿轮状态的识别率达到84.0%以上,是一种有效的采煤机摇臂齿轮故障诊断方法。