LCD谱熵及其在滚动轴承退化状态识别中的应用

针对滚动轴承在出现故障时其振动信号呈现出非线性、非平稳特性,以及退化特征难以提取等问题,将局部特征尺度分解法应用到轴承振动信号分析中,并与信息熵理论融合提出局部特征尺度分解谱熵的滚动轴承退化特征指标。该方法首先对不同故障程度的轴承振动信号做局部特征尺度分解,基于得到的内禀尺度分量计算振动信号得能谱熵、奇异谱熵和包络谱熵用于表征轴承故障程度,仿真信号分析结果表明以上特征指标能够较好地反映滚动轴承的退化状态。对内圈故障和外圈故障模式下不同程度故障的轴承振动信号进行分析,结果表明该文提出的退化特征能够有效表征轴承的退化状态,并采用灰关联分析法构建轴承退化状态识别模型,可有效实现轴承退化状态识别。     

基于精细复合多尺度熵特征向量相关系数在滚动轴承故障诊断中应用

复合多尺度熵(CMSE)是在多尺度熵(MSE)基础上提出来的,它改善了MSE存在的熵值不精确、波动较大等,但不能解决样本时间序列太短引起未定义熵问题。精细复合多尺度熵(Refined Composite Multi-scale Entropy,RCMSE)通过改进算法使熵估计的准确性得到提高,并能降低诱导未定义熵的概率。以此为基础,提出基于RCMSE特征向量关系数的轴承故障识别分类方法。该方法首先利用RCMSE对数据样本生成多尺度熵,计算测试样本与已知故障状态的训练样本的RCMSE相关系数,从而判断测试样本的状态类型。对轴承信号数据进行试验表明,该方法能100%准确的对轴承正常,内圈,外圈和滚动体故障信号识别分类。因此,该方法是一种有效的识别故障特征,可为实际轴承故障诊断提供参考。     

复合多尺度散布熵在滚动轴承故障诊断中的应用

为了提取滚动轴承的非线性故障特征,将复合多尺度散布熵应用于滚动轴承故障特征提取,提出1种基于复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法,并将所提方法应用于滚动轴承实验数据分析。通过与多尺度散布熵和多尺度熵进行对比,结果表明:论文提出的故障诊断方法不仅能够准确地诊断滚动轴承的故障类型和程度,而且识别率优于所对比的方法。     

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。     

基于层次模糊熵和改进支持向量机的轴承诊断方法研究

提出一种新的轴承故障特征提取方法——层次模糊熵(Hierarchical Fuzzy Entropy,HFE)。层次模糊熵包括层次分析和模糊熵计算。与多尺度模糊熵相比,层次模糊熵既分析信号的低频分量又分析信号的高频分量,因而能提取更全面、准确的故障信息。改进支持向量机(Improved support vector machine based binary tree,ISVMBT)相比其他多分类器具有识别率更高的优势,因此提出了一种基于层次模糊熵和改进支持向量机的轴承故障诊断方法。首先将HFE作为故障特征提取工具,然后将所得的特征向量输入到改进支持向量机进行模式识别。通过轴承故障诊断的工程应用,表明该方法可以有效提取轴承故障特征,实现轴承不同故障类型和故障程度的准确识别。     

基于LMD-MFE和DHMM的滚动轴承故障诊断算法

针对滚动轴承在恶劣环境影响下,其特征信息难以被有效提取出来的问题,提出一种基于局部均值分解(Local Mean Decomposition,LMD)和多尺度模糊熵(Multiscale Fuzzy Entropy,MFE)的滚动轴承故障诊断算法。首先,利用LMD对轴承振动信号进行分解,得到一系列乘积函数(Product function,PF)分量,并与经验模态分解(Empirical Mode Decomposition,EMD)进行对比,分析其优越性;然后对每一个分量分别提取MFE特征,同时与多尺度样本熵(Multiscale Sample Entropy,MSE)进行对比,分析MFE的优越性;最后结合各个轴承状态的类间平均距离对多个尺度因子下的熵值进行优选,筛选出可分性良好的敏感特征集,并输入到离散隐马尔科夫模型(Discrete Hidden Markov Models,DHMM)模式分类器中对轴承故障类型进行诊断识别。实验结果表明,所提出的基于LMD和MFE的轴承故障诊断算法能较好识别出多种轴承故障类型。     

基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断

提出了一种基于局部均值分解多尺度模糊熵和灰色相似关联度相结合的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数,并从中选取包含主要故障信息的PF分量计算多尺度模糊熵作为特征向量,通过计算待识别样本与标准故障模式的灰色相似关联度,对滚动轴承故障类型和损伤程度进行判断。将该方法与LMD模糊熵和灰色相似关联度相结合的方法进行了对比,实验表明,基于LMD多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断方法,能够有效地识别滚动轴承运行状态,实现对滚动轴承的故障诊断。     

基于多尺度熵和距离评估的滚动轴承故障诊断

为了解决滚动轴承非线性故障特征难以提取的问题,将多尺度熵和距离评估方法有机结合,提出一种新的滚动轴承非线性特征提取方法。首先利用多尺度熵来刻画滚动轴承振动信号在不同尺度上的细节特征;然后引入距离评估选择算法,对多尺度特征进行特征评估,优化选取敏感尺度特征,并送入支持向量机实现轴承不同状态的分类。通过滚动轴承故障诊断实验对该方法进行验证,结果表明,选取敏感多尺度熵特征集对故障特征进行刻画,较单尺度特征、原始特征集和随机特征集等诊断效果更佳,提高了诊断精度。     

基于ASTFA和PMMFE的齿轮故障诊断方法

提出一种新的反映信号复杂度或非线性度的方法——多尺度模糊熵偏均值(PMMFE),PMMFE是在多尺度模糊熵的基础上提出的。多尺度模糊熵虽然包含不同尺度上的时间模式信息,反映了信号的内在特征,但是对于特征相近的信号,其在绝大部分尺度上的表征并不理想。PMMFE综合考虑多个尺度的模糊熵值,利用不同尺度上模糊熵值的偏态分布特性来定量表征信号的复杂度或非线性度,更加准确地反映信号的特征。但是齿轮箱中的齿轮故障振动信号是多源振动信号,需将齿轮振动本源信号分离出来才能进行特征提取。自适应最稀疏时频分析方法(ASTFA)根据齿轮啮合频率确定初始相位函数就可以有效分离齿轮故障振动本源信号。将ASTFA和PMMFE相结合用于齿轮故障诊断,首先采用ASTFA分离齿轮箱中的齿轮故障振动信号,其次计算该信号的多尺度模糊熵,再根据多尺度模糊熵计算PMMFE。实验分析结果表明该方法能够有效判别齿轮箱中的齿轮故障及其类型。     

基于多重降噪的滚动轴承声信号故障特征提取

针对滚动轴承故障诊断中声信号信噪比较低、特征提取困难的问题,提出多重降噪轴承故障特征提取方法.该方法首先用最小熵解卷积对故障轴承声信号进行预处理来提高信噪比,然后利用局部特征尺度分解将处理后的信号分解为多个内禀尺度分量,进一步利用相关系数-峭度值原则,筛选出最佳内禀尺度分量进行重构,最后通过1.5维Teager能量谱提...     

基于LMD自适应多尺度形态学和Teager能量算子方法在轴承故障诊断中的应用

为了从故障轴承信号中提取包含故障信号的特征频率,提出了基于LMD自适应多尺度形态学和Teager能量算子解调的方法。首先,采用LMD将目标信号分解成有限个PF（Product function,PF）分量,分别对其进行多尺度形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应寻求最优解,最后用Teager能量算子计算各PF分量的瞬时幅值,通过瞬时Teager能量的Fourier频谱识别轴承的故障特征频率。为了验证理论的正确性,进行了数字仿真实验和轴承故障模拟实验,并与EMD形态学和包络解调方法进行了比较,结果表明该算法明显优于其他两种方法,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的频率特征。     

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。     

基于时间-小波能量谱熵的滚动轴承故障诊断研究

针对轴承振动信号中存在周期性冲击这一现象,提出了时间-小波能量谱熵的计算方法,用于滚动轴承的故障诊断。首先构造脉冲小波,采用连续小波变换的方法得到时间域内小波能量谱,再沿时间轴计算能量谱熵,定量描述振动信号沿时间的分布情况,不同故障下轴承的冲击振动随时间变化程度不同,其时间-小波能量谱熵值也就不同。将不同故障轴承信号的时间-小波能量谱熵作为向量特征输入建立支持向量机,实现了对轴承的工作状态和故障类型的判断。实验结果表明,时间-小波能量谱熵可以有效地对滚动轴承进行故障诊断。     

基于频带熵的滚动轴承故障诊断研究

发生早期故障的轴承,由于故障特征频率处的能量比较微弱,易于被噪声淹没。通过对滚动轴承故障原理的研究,讨论了利用共振频率解调故障特征频率对于噪声的抑制能力。为了寻找轴承的共振频率,结合时频分析和信息熵的特点,提出了一种新的频带熵方法。首先利用短时傅里叶变换得到信号的时频分布,再沿时间轴计算各个频率的幅值谱熵,从而得到各个频率成分随时间变化的复杂度指标。利用频带熵对轴承共振频率的检测能力,揭示了频带熵与自适应滤波器参数的关系。与原始包络相比,滤波后的包络信号能有效的从噪声中提取出轴承故障特征频率。最后通过仿真和实验验证了该方法的有效性。     

基于变分模态分解和排列熵的滚动轴承故障诊断

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EMD和Lempel-Ziv指标的滚动轴承损伤程度识别研究

针对不同损伤程度的滚动轴承内、外圈故障,提出一种基于经验模式分解(EMD)和Lempel-Ziv指标的评估方法。EMD用于高效地分解信号,并结合能量与峭度条件找出蕴含故障本质特征的最优IMF分量,在此基础上分别计算最优IMF及其包络的Lempel-Ziv归一化值,再加权求和得到最终的Lempel-Ziv综合指标。由于EMD消除了噪声干扰,有利于准确揭示轴承恶化情况,并且指标本身受实验条件影响不明显,同时介于0和1的取值方便快速使用。轴承内、外圈故障实验证实:内圈损伤的Lempel-Ziv综合指标随故障加重递减,而外圈损伤相反,随故障加剧递增。同时还分别给出了内、外圈损伤情况下不同故障程度评估的Lempel-Ziv取值区间,能有效用于轴承故障程度的识别。     

复合多尺度反向散布熵在轴承故障诊断中的应用EI北大核心CSCD

滚动轴承发生故障时,其振动信号往往表现出非线性和非平稳特征。反向散布熵(reverse dispersion entropy,RDE)能够有效衡量振动信号的复杂性变化和非线性动力学突变行为,但是单一尺度的RDE值并不能完全反映振动信号的复杂性和非线性特征。对此,受多尺度熵启发,同时针对传统多尺度粗粒化方式的不足,提出了复合多尺度反向散布熵(composite multi-scale reverse dispersion entropy,CMRDE)。通过仿真信号分析,将CMRDE与多尺度反向散布熵(multi-scale reverse dispersion entropy,MRDE)和RDE进行对比,结果表明:CMRDE不仅能反映不同尺度下信号复杂度的差异,且变化更平缓、波动更小。在此基础上,将CMRDE应用于滚动轴承故障特征提取,提出了一种基于CMRDE、集合经验模态分解和布谷鸟搜索算法优化支持向量机的滚动轴承故障诊断方法。将所提方法应用于滚动轴承试验数据分析,并通过与现有方法进行对比,结果表明:相较所对比的方法,所提方法能有效识别轴承故障类型,提取的故障特征误差更小、故障识别率更高。     

基于VMD的行星齿轮箱故障特征提取新方法

针对行星齿轮箱振动信号故障特征提取困难的问题,提出一种基于变分模态分解的行星齿轮箱故障特征提取方法。首先利用变分模态分解(VMD)算法对样本信号进行分解,得到若干本征模态函数(imf)。然后,计算各分量与样本信号之间的相关系数和欧氏距离,筛选出表征样本信号特征的有效分量,并计算其Teager能量算子,将计算结果进行重构。最后,针对多尺度模糊熵对信号局部差异不够敏感,提取重构信号的多尺度模糊熵和多尺度能量作为基本参数,进行参数融合构成新指标。将其应用于行星齿轮箱太阳轮和行星轴承故障分析,结果表明:新方法既可以区分行星齿轮箱太阳轮不同故障类型,又能有效识别行星轴承不同位置故障。另外,与现有方法对比,新方法区分效果更好。     

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。     

基于自适应多尺度散布熵的滚动轴承故障诊断方法

针对滚动轴承振动信号的非平稳、非线性特性,将一种新的衡量时间序列复杂性和不规则程度指标——散布熵(dispersion entropy,DE)引入到滚动轴承非线性故障特征提取,提出一种基于经验模态分解与DE相结合的自适应多尺度散布熵滚动轴承故障诊断方法。首先,采用经验模态分解对振动信号进行分解,得到若干不同尺度的本征模态函数;其次,计算每个本征模态函数的DE值;再次,将得到的DE值作为特征向量输入到基于支持向量机建立的多故障分类器进行训练和识别。最后,将提出的滚动轴承故障诊断方法应用于试验数据分析,结果表明,提出的方法能准确地识别滚动轴承故障类型。