电机轴承故障的多尺度排列熵特征提取与GK识别

为了有效提取电机轴承故障特征并准确识别出故障类型,提出了复合多尺度排列熵偏均值的特征参数提取和GK聚类的模式识别方法。在故障特征提取方面,使用自适应局部迭代滤波对振动信号进行分解,选择与原振动信号相关性较大的前3个分量,计算分量信号的复合多尺度排列熵偏均值作为特征参数,则每个振动信号得到了一个三维特征向量;在模式识别方面,使用GK算法对特征参数进行聚类。使用美国某大学的电机轴承数据进行效果验证,与基于EMD分解的特征参数比,ALIF分解所得特征的聚类效果更好,类与类之间区分明显,不存在交叉混叠现象,且样本围绕类心的分布更加紧凑。实验结果证明了故障特征提取方法和故障模式识别方法的有效性。     

基于PSO优化SVM数控机床主轴系统故障诊断的研究

通过分析主轴系统的故障特征和产生机理,提出了一种基于变分模态分解(VMD)与多尺度加权排列熵(MWPE)的故障特征提取方法和粒子群(PSO)优化支持向量机(SVM)的数控机床主轴系统故障分析诊断模型。首先,利用变分模态分解方法对所采集的主轴系统振动信号进行分解,得到若干有效本征模态分量(IMFs);其次,通过多尺度加权排列熵提取故障特征信息,利用SVM模型对故障特征信息进行分类与识别;为了提高模型的识别准确率,将引入粒子群优化算法(PSO)对SVM模型参数进行优化。实验验证表明,所提出的信号特征提取方法和状态识别模型在数控机床主轴系统的故障诊断方面取得了很好的成效,其故障识别准确率最高达99.56%。     

基于多尺度基本熵和参数优化KELM的电机轴承故障诊断

针对信号特征提取中多尺度样本熵(MSE)与多尺度排列熵(MPE)算法计算效率差的问题,提出一种基于多尺度基本熵(MBSE)和参数优化核极限学习机(KELM)的电机轴承诊断新方法。该方法先通过MBSE来提取所拾取滚动轴承振动信号的特征信息,同时对比分析了多尺度基本熵、多尺度样本熵与多尺度排列熵的计算效率。最后利用KELM分类器对滚动轴承的不同状态进行判定,并通过人工鱼群算法(AFSA)对KELM的关键影响参数进行寻优。实验结果表明所述方法能够对滚动轴承的运行状态进行有效识别。     

基于精细复合多尺度模糊熵的往复压缩机轴承间隙故障特征分析方法

针对往复压缩机故障信号呈现非线性、非平稳等特点,提出了基于精细复合多尺度模糊熵(RCMFE)的往复压缩机轴承间隙故障特征提取方法。在精细复合多尺度熵的基础上,结合模糊熵概念,提出了RCMFE方法,应用其量化信号非线性特性形成故障特征。白噪声和1/f噪声仿真信号分析结果表明:RCMFE熵值对数据长度不敏感,未定义熵出现概率小。以往复压缩机传动机构轴承间隙故障为研究对象,应用RCMFE实现其故障信号特征提取,并与多尺度模糊熵、复合多尺度模糊熵进行对比,该方法特征区分度显著,支持向量机故障识别准确率高于其他方法。     

基于SHO-VMD分解和多特征参数的变工况滚动轴承故障诊断

风机在多种工况条件下运行时,利用轴承的振动监测系统所检测到的信号难以实现故障诊断,而大量文献研究的轴承故障诊断多是在恒定转速下进行的。针对变工况下运行的滚动轴承,提出一种基于SHO-VMD分解和多特征参数融合的特征提取方法,使用t-SNE降维可视化,提取出振动信号的故障信息与转速变化信息。变分模态分解(VMD)方法的分解效果取决于分解个数和惩罚因子的取值,采用自私羊群优化算法（SHO）对参数进行优化,将振动信号分解为一些本征模态分量,再对每组分量进行特征参数提取,基于奇异值特征、能量熵、样本熵特征进行多特征量融合,使用t-SNE降维来提取轴承故障信息以及速度变化信息,实验结果表明：提出的方法可以有效提取出轴承的故障和速度信息。     

基于EMD-MPE与HMM的滚动轴承故障诊断

针对故障轴承的特征难以提取以及状态识别困难的问题,提出了基于经验模态分解(EMD)-多尺度排列熵(MPE)与隐马尔科夫模型(HMM)的滚动轴承故障识别方法。首先,运用EMD滤波降噪原理对滚动轴承振动信号进行降噪,而后将已降噪的信号进行多尺度排列熵分析并提取不同尺度下排列熵的较大值作为信号特征。最后,将特征信号向量输入已训练好的HMM模型进行故障类型判别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于EMD-MPE与HMM的滚动轴承故障诊断方法对滚动轴承的故障状态能够进行有效地识别。     

基于WOA-VMD及综合评价指标的轴承故障诊断北大核心

针对轴承振动信号的冗余信息过多、故障特征提取率较低的问题,提出一种基于鲸鱼算法及综合评价指标优化变分模态分解(VMD)参数的轴承故障特征提取方法。首先构建了一种模糊熵与峭度倒数和的综合评价指标,作为鲸鱼优化算法(WOA)的适应度函数;其次对VMD的相关参数进行寻优;然后使用优化的参数对原始信号进行VMD分解,得到固有模态函数(IMFs),选取模糊熵与峭度倒数和最小的IMF作为目标模态;最后对目标分量进行希尔伯特包络谱分析来提取故障特征。在仿真信号实验和实测数据实验中与传统方法对比,结果表明,鲸鱼算法与综合指标的结合能选取最优VMD分解参数,故障频率提取率较传统方法有所提高。     

改进的精细复合多尺度反向加权排列熵在齿轮箱故障诊断中的应用北大核心

针对多尺度加权排列熵(MWPE)的粗粒化处理易造成信息丢失,无法全面提取齿轮箱故障信息的缺陷,提出了基于改进的精细复合多尺度反向加权排列熵(IRCMRWPE)和支持向量机(SVM)的齿轮箱故障诊断方法。引入精细复合多尺度反向加权排列熵,将其粗粒化处理中的平均值替换为最小值来表征数据段信息,以缓解传统粗粒化处理的不足并强化故障特征的质量;将IRCMRWPE作为表征齿轮箱故障状态的特征向量,使用SVM分类器对故障特征进行识别。基于齿轮箱实验数据对所提方法进行了评估,结果表明该方法可准确地识别齿轮箱的不同故障型,相比于基于MRWPE、MRPE和MWPE的方法,能够更有效的提取齿轮箱的故障特征,增强故障识别的可靠性。     

基于CIELMD与RCMFE的往复压缩机轴承间隙故障特征提取方法

针对往复压缩机轴承间隙故障诊断振动信号强非平稳、非线性与特征耦合特性,提出基于复合插值包络局部均值分解(CIELMD)与精细复合多尺度模糊熵(RCMFE)特征提取方法。使用CIELMD方法分解不同轴承间隙故障信号,利用相关系数筛选包含主要故障信息的PF分量;通过RCMFE方法定量描述PF分量构成状态特征矩阵,为解决信息冗余问题,进一步使用文化基因算法优选矩阵中平均样本距离最大的元素,构成可分性良好的特征向量。往复压缩机轴承间隙故障模拟信号试验结果表明:该方法提取故障特征可分性强,故障识别准确率高。     

基于多域熵与FCM聚类的故障诊断模型

针对传统故障诊断中,特征的有效提取依赖于降噪的效果,提出一种基于多域熵与模糊C均值聚类的故障诊断模型。采集设备运行过程中的振动信号,分别计算其小波包能量熵、功率谱熵和近似熵,其反映了振动信息在小波域、频域以及时域内的复杂程度。将其作为设备运行特征向量,通过模糊C均值聚类对设备状态进行识别。利用轴承故障实验和转子故障实验验证基于多域熵与FCM聚类的故障诊断模型,结果表明该方法地对故障类别以及故障程度的识别分类具有良好的效果。     

基于ALIFD模糊熵和GK聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号具有非平稳性及非线性的特点，提出一种基于自适应局部迭代滤波分解（ALIFD）模糊熵和GK聚类的滚动轴承故障诊断方法。首先对滚动轴承故障振动信号进行ALIFD分解，得到若干个本征模态函数（IMF）分量，然后通过相关性分析筛选出前3个包含主要特征信息的IMF分量，并将筛选的IMF分量的模糊熵作为特征向量，最后利用GK聚类对所得的特征向量进行识别分类。将该方法应用于滚动轴承实验数据分析，并使用分类系数和平均模糊熵对分类性能进行评价，结果表明，与基于经验模态分解模糊熵和GK聚类的故障诊断方法进行对比，该方法具有更好的分类性能。     

基于MIGA-VMD和t-SNE的轴承故障诊断方法

针对从汽轮机轴承的非线性、非平稳振动信号中提取故障特征困难而导致诊断识别率低的问题,提出一种基于MIGA-VMD和排列熵、t-SNE的特征提取方法.变分模态分解(VMD)在轴承故障诊断中的分解效果很大程度上取决于分解个数和惩罚参数的选取.为实现VMD相关参数的最优选择,采用多岛遗传算法(MIGA)对VMD参数进行优化....     

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明：与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。     

基于SSD和MPE的滚动轴承故障诊断方法

为了解决滚动轴承故障特征难以提取的问题,提出了一种奇异谱分解(SSD)和多尺度排列熵(MPE)的故障特征提取方法,结合K近邻(KNN)算法识别滚动轴承故障类型。首先对滚动轴承振动信号用SSD进行分解,得到3个奇异谱分量(SSC),根据峭度最大原则选择主分析分量;然后用MPE计算主分析分量的熵值,实现滚动轴承的故障特征进行提取;最后将熵值作为特征向量输入KNN分类器中,完成滚动轴承的状态识别。将该方法应用于实验数据分析,并与VMD和MPE相结合的故障诊断方法做比较,结果证明,该方法能够有效地提取故障特征,实现故障诊断。     

基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承的故障特征提取方法

与普通滚动轴承相比,柔性薄壁轴承存在背景冲击载荷,使得故障特征提取难度大。针对这一问题,提出基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承故障特征提取方法。利用多点峭度谱(MKurt)对原始故障信号进行分析,确定柔性薄壁轴承故障周期,然后通过多点最优最小熵解卷积(MOMEDA)处理,再经Teager能量算子增强,最终提取柔性薄壁轴承外圈与内圈的故障特征频率,并与单一的MOMEDA算法、基于MKurt-MCKD与Teager能量算子故障特征提取方法进行了对比,证明了该方法明显增强了故障特征频率的幅值,为柔性薄壁轴承故障特征提取提供了参考。     

双树复小波算法在滚动轴承故障信号特征提取中的应用

现有滚动轴承故障特征提取算法的性能会随着故障集规模扩大而出现衰减。针对故障信号间存在的干扰和模态混叠等问题,提出一种基于双树复小波的特征提取算法。双树复小波结构包含两个独立的滤波器组,在含噪混合信号的分解和重构中形成互补关系,提升信号采样的平稳性;优化双树复小波滤波器组的结构,降低故障信号平移敏感性,利用门限阈值处理高频小波系数,达到降噪的目的,并基于时间序列样本熵提取子带信号的能量特征。实验结果显示：提出的算法能够准确提取滚动轴承各部分的故障特征信息,算法的在线故障识别率达到99.56%。     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

基于排列熵和CHMM的齿轮故障诊断

针对齿轮故障特征提取和状态识别困难的问题,提出一种基于排列熵和连续隐马尔可夫模型(CHMM)的齿轮故障诊断方法。首先对提取的目标齿轮啮合信号作降噪处理,再采用排列熵算法进行分析,提取排列熵均值、方均根、最大值、最小值作为特征量输入到CHMM中训练和识别,通过对比最大对数似然概率值来确定齿轮的故障。最后在变速箱齿轮故障模拟试验台上,对正常、轻微磨损、严重磨损和断齿4种齿轮状态进行试验验证,结果表明该方法能有效地对齿轮故障进行诊断。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。