基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

改进LMD及高阶模糊度函数的管道泄漏定位

针对天然气管道泄漏定位的问题,提出一种基于改进局域均值分解(LMD)及高阶模糊度函数的时延估计方法。该方法首先采用改进的LMD对声发射信号进行分解,获得多个PF分量,进而提出根据K-L散度的PF分量自动选择算法,获取含有主要泄漏信息的PF分量,在此基础上,研究了基于高阶模糊度函数计算声发射信号的时频参数,并通过时频分析获取特征频率的到达时间差,最后结合泄漏产生的广义声发射信号的传播速度完成对天然气管道泄漏的定位。实验结果表明,提出的方法能够进行定位且精度较直接相关法明显提高。     

基于改进LMD和IED-SampEn的齿轮故障特征提取方法

提出基于改进的局部均值分解(Local mean decomposition,LMD)和瞬时能量分布(Instantaneous energy distribution,IED)-样本熵(Sample entropy,Samp En)的齿轮故障特征提取方法。针对LMD存在的端点效应问题,提出最大相似系数法改进的LMD方法,该方法通过在信号内部寻找与两端指定波段相似系数最大的波段,来实现端点效应的改善。进行仿真验证,结果表明该方法能有效改善LMD的端点效应问题。采用改进的LMD方法分解信号得到瞬时幅值函数,由此可以获得信号的瞬时能量分布,将其作为样本熵输入获得IED-Samp En,通过试验研究并与PF-Samp En进行对比,结果表明IED-Samp En能够合理地、有效地反应齿轮的故障状态,作为齿轮振动信号的特征矢量具有典型性,可以作为一种有效的故障特征。     

基于多尺度排列熵的铣削颤振在线监测方法

排列熵是系统复杂性和规则性的一种测度,具有概念简单、稳健和计算速度快等优点。考虑到单尺度排列熵在反映铣削力信号特征方面的不足,通过试验分析提出基于单尺度排列熵和尺度4排列熵作指标的铣削颤振在线检测方法。通过试验验证,所提出的方法能有效地检测铣削颤振。同时基于多尺度排列熵的方法对于铣削力信号采集过程中的噪声、工艺参数变化等不敏感,因此这种方法适用于实际工业生产中的在线铣削颤振监测。     

基于排列熵的电磁声发射信号到达时间识别

排列熵算法简单高效,能够反映出信号的微小变化,是一种有效的信号突变检测工具。通过引入信号包络排列熵分析方法,对声发射信号到达时间识别问题进行求解。排列熵对信号幅值的大小不敏感,但对信号幅值的变化敏感,通过记录信号包络排列熵的变化,根据包络排列熵第一个极小值时刻来识别信号到达时间。根据裂纹电磁声发射实测信号识别结果可知,包络排列熵方法对声发射信号到达时间具有较高的识别精度。     

基于局部切空间排列和K-最近邻分类器的转子故障诊断方法

为了解决大型机械设备故障数据难以准确快速提取的问题,提出了一种基于局部切空间排列(LTSA)和K-最近邻分类器的转子故障诊断模型。首先基于转子的振动信号构造一个高维多征兆矩阵,利用LTSA提取高维矩阵的低维特征向量,映射在可视空间里;然后将提取的低维特征向量输入K-最近邻分类器进行故障模式识别。试验和数据降维仿真过程表明,该模型的准确度和快速性均优于LTSA和神经网络以及LTSA和支持向量机组成的故障诊断模型。     

基于原位拉伸的CrMoV钢焊接接头局部力学性能研究

采用微拉伸试验研究了CrMoV钢焊接接头焊缝金属的局部力学性能,并对焊缝金属进行了微观组织观察和显微硬度测试。结果表明,焊缝金属呈现不均匀的微观组织分布;焊缝金属环向试样的拉伸强度要大于径向和轴向试样的拉伸强度,而焊缝中心所取试样的拉伸强度要小于焊道上所取试样的拉伸强度。结合金相分析得到,焊接接头焊缝金属最薄弱的部位在焊缝中心等轴晶区。     

基于图像熵的自动聚焦函数研究

从图像中熵的定义出来,研究了图像熵在成像系统自动聚焦判决函数中的应用,研究发现:图像熵作为聚焦判决函数出现了两类不同的判决准则,一类是图像清晰熵小,另一类是图像清晰熵大.对不同类型测试图像的分析和计算,证实了这种非一致性的存在并分析了造成这种现象的可能原因,而且由于图像熵的峰值较小,数值仅在小数点后变化,不易找出全局最大值.在均方差判决函数的基础上,提出了条件加权均方的方法,得到了具有准则一致性的自动聚焦判别函数.实验证明:条件加权均方差判决函数在不增加运算量的前提下,可以加大函数的峰值,从而提高判决的准确性.实用中在测试条件变化不大的情况下,通过人机交互,可选用图像熵作为自动聚焦判决函数,否则优先考虑条件加权均方函数.     

光学表面中频误差的控制方法-确定区域修正法

提出了一种有效控制光学表面中频误差的方法——确定区域修正法。给出了确定区域修正法的基本思想和工作流程,并基于最大熵原理对抛光盘运动参数进行了优化选择(行星运动方式转速比为-1或0,偏心率为接近于0但不等于0)。最后,在Φ100 mm K9玻璃平面镜上进行了抛光对比实验。实验结果表明,应用确定区域修正法,在1.5 min内可使0.28 mm^-1频率误差对应的PSD值从14.76 nm²·mm下降到3.70 nm²·mm,有效地控制了光学表面的中频误差。与其他方法相比,确定区域修正法的突出优点在于其确定性和高效性。     

基于ITD与排列熵的往复压缩机故障特征提取方法研究

针对往复压缩机振动信号的非平稳、非线性和特征耦合特性,提出了基于ITD与排列熵的往复压缩机轴承故障特征提取方法.利用ITD方法将各状态振动信号分解为一系列PR分量,依据相关性系数选择代表故障状态主要信息的PR分量,计算其排列熵形成有效的特征向量.以平均样本距离为特征向量可分性标准,对比了ITD与近似熵方法所提取特征向量,结果表明此法具有更好的可分性.