基于小波方差谱熵的轴承故障诊断方法

本文提出了一种基于小波方差谱熵的故障诊断方法。该方法以信号的方差在小波域上分解形成的谱向量的熵值作为故障的诊断特征,建立了基于小波方差谱熵的故障检测及诊断模型,并提出了基于判别能力因子的小波基选择方法。试验结果验证了小波方差谱熵能有效地反映轴承信号特征并检测出故障类别,实验最后将本文方法同基于小波能谱熵的故障检测方法进行比较,实验结果表明本文建议的方法在检测率及时间上有显著提高。     

小波消噪及其在往复泵振动监测信号处理中的应用

采用浮动阀值分离噪声是小波分析中一个新的信号检测方法。本文在简述了小波分析及噪声分离的非线性小波理论的基础上,给出了从噪声污染信号中恢复原信号的实例。针对三缸往复泵测量信号非平稳时变特点,研究了用小波消噪方法提取反映往复泵动力端状态的振动波形特征。通过对振动信号的波形特征提取表明,该方法能在很高的背景噪声下有效提高反映往复泵状态的有用信息。     

基于小波包熵和高斯混合模型的轴承性能退化评估

为准确的描述设备性能退化的过程,采用小波包熵(Wavelet packet entropy, WPE)与高斯混合模型(Gaussian mixture model,GMM)对轴承性能退化状态进行评估。首先,提取轴承振动信号的小波包熵作为特征向量。接着以轴承正常状态数据的特征向量建立轴承性能的GMM评估基准模型。然后对试验中每一运行状态建立相应的GMM模型,并计算对应状态GMM相对基准模型的偏离程度,判断轴承是否发生退化以及退化程度。试验分析表明,与基于逻辑回归的设备性能退化方法相比,基于小波包熵与高斯混合模型的设备性能退化方法无需设备历史数据,不需要定义退化先验概率,能够较准确的反映轴承在全寿命周期中性能退化的过程。     

基于状态空间模型的可靠性评估方法

基于设备性能退化特征的可靠性分析是可靠性技术研究重要方向之一,但当前许多研究是基于多样本进行分析,但针对单个设备的可靠性预测问题非常有限,为此本文提出基于状态空间模型的可靠性方法进行小样本预测。首先通过在线监测技术获得反映设备状态的信号,运用小波分析方法提取监测信号的小波包能量,选取趋势明显符合设备状态变化的相关频带能量作为设备退化指标。然后对这些特征指标进行滑动平均滤波处理,提高了退化特征的信噪比,将其作为状态空间模型的输入对模型参数进行估计,从而建立退化指标的状态空间预测模型,最后预测退化指标的概率分布并计算可靠度。结合滚动轴承试验数据和铣刀磨损数据验证方法的准确性和有效性,本文为小样本事件的可靠性预测提供一个有效方法。     

基于ECG和HRV特征提取的情绪状态分析

心电(ECG)和心率变异性(HRV)是心脏活动的直接响应,与自主神经系统有着密切关系,不同情绪状态有特定的自主神经反应模式,因而ECG和HRV可以反映人体情绪变化.本文利用Augsburg大学建立的情感生理数据库,选取音乐情感诱发下的心电信号,对其进行滤波处理去除噪声和干扰;采用小波变换提取心电信号小波系数的模极值和过零点,得到心电R波信号,计算其一阶差分,获得4种情绪状态下的心率变异性特征信号;提取情绪诱发的心电和心率变异性信号的时域、频域和小波熵时频特征,并对特征进行差异统计检验和情绪状态分析.仿真结果表明,HRV特征相比ECG特征可以更有效地反映人体的情绪状态,小波熵特征和HRV频谱总功率特征对于不同情绪状态的差异性更显著,该研究可为机器情绪识别提供借鉴.     

小波分析及其在刀具监控系统中的应用

应用离散小波变换进行刀具破损信号分析及确定刀具状态的研究。离散小波变换具有时－频分析特性，能将瞬短信号的细微变化显现出来。对钻削电机电流信号作离散小波变换的结果表明：离散小波变换对刀具破损信号来说比ＦＦＴ更为敏感，用于刀具监控系统可明显地提高系统的可靠性。     

基于非广延小波特征尺度熵和支持向量机的轴承状态识别

摘要：为了对轴承的运行状态进行有效的识别,以便进一步评估和预测轴承的寿命,提出了基于非广延小波特征尺度熵和Morlet小波核支持向量机（Morlet wavelet kernel support vector machine, MWSVM）的轴承运行状态识别的新方法。对采集到的轴承振动信号进行小波分解,得到相应的小波分解系数,在此基础上结合非广延熵理论提出了沿尺度分布的非广延小波尺度熵特征提取方法。但是通过小波特征尺度熵分析后获得的特征信息存在维数较高,特征信息间冗余严重的问题,因此,引入了流形学维数约简算法(locality preserving projection, LPP)进行敏感特征信息的提取,减少在特征信息提取过程中人为因素的干扰。以约简后的特征信息作为MWSVM的输入进行训练,建立轴承的状态识别模型,从而实现轴承状态的识别。通过对某轴承内圈正常状态和几种故障程度不同的状态进行识别,试验结果表明了方法的有效性。     

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。     

基于小波包特征提取和模糊熵特征选择的柴油机故障分析

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。     

基于小波包滤波的汽轮机转子振动故障的Kolmogorov熵诊断

根据Bently实验台所采集的碰摩、松动、不对中、不平衡四种典型汽轮机转子振动故障信号,采用小波包和Kolmogorov熵相结合的方法对其进行故障诊断.即先利用小波包方法对原始信号进行滤波,提取有用的信号频段,再对滤波后的信号求解Kolmogorov熵.诊断结果表明:小波包分析的方法有着很好的滤波和提取非平稳信号的能力;小波包滤波后的汽轮机转子的振动时间序列在不同故障状态下的Kolmogorov熵明显不同,Kolmogorov熵在进行汽轮机转子故障类型诊断时有较好的区分度.     

机械振动信号内在模式的复杂性评估

针对机械振动信号非平稳特性,利用经验模式分解法将其分解为若干个内在的振荡模式（即基本模式分量）,从而使得不同的基本模式包含有不同的设备状态信息。借助近似熵的概念,可定理描述原始信号和各振荡模式的复杂性,实现对机械振动信号内在模式复杂性的定理评估。该方法不仅有助于揭示和认识转子系统的复杂动力学行为,还能有效地监测系统状态的早期变化,及时捕捉机组潜在的隐患,预防故障的升级恶化。工程应用实例表明,该方法可有效提取机组的故障信息,从而为机械设备状态监测和故障诊断提供一种行之有效的新方法。     

基于小波能谱和小波信息熵的管道异常振动事件识别方法

提出了基于小波能谱和小波信息熵的油气管道异常振动事件识别方法。基于Mach-Zehnder光纤干涉仪原理的分布式光纤油气管道安全监测系统实时检测管道沿途振动信号,对测量的时间序列进行小波变换,根据小波系数计算小波能谱与小波信息熵,通过小波能谱和小波信息熵值两种测度识别不同的管道安全异常事件。港枣线成品油管道的现场实验结果表明,该方法可以快速有效地识别管道周围发生的泄漏及其他异常情况,其总体识别准确率达到98.5%,有效降低了误报警率,具有较强的在线工况识别能力。     

基于小波包变换的爆破振动信号能量熵特征分析

爆破振动信号是典型的短时非平稳随机信号。应用多分辨率特点的小波包变换对爆破振动信号进行多层分解,得到信号能量分布的细节信息。根据建立在概率统计基础上的信息熵概念,推导得到爆破振动信号能量熵计算方法。分析了4种类型爆破振动信号的能量熵,熵值由大到小为:隧道爆破、管道爆炸、台阶爆破、塌落振动。结果表明,能量熵能够反映不同类型爆破对振动信号的影响。提出将能量熵作为爆破振动信号的新特征量,为爆破振动信号特征提取、不同爆破类型振动信号识别和爆破振动预测提供一种新思路。     

Human and Nonhuman Recognition Using Pyroelectric Infrared Detector

The auto regressive (AR) model of time series is utilized in this paper to recognize a human and nonhuman from pyroelectric infrared (PIR) signals. Through the wavelet transform, the signals are reconstructed by removing the noise from the original signals. The coefficients of the AR model are selected as the features for human and nonhuman recognition and calculated by the Burg algorithm. The classification experiments of a human and nonhuman are performed with a support vector machine. The recognition results for different PIR signals using the proposed AR-based features show high performance with an optimal recognition rate, which is up to 94.6 % and higher than that of the traditional time domain feature and transform domain method, such as the wavelet entropy and wavelet entropy of the double-density dual-tree complex wavelet transform.     

归一化小波熵与RVM的滚动轴承运行可靠度预测

针对传统可靠度评估和预测方法难以实现对正在服役中的单台机械设备进行可靠度评估和预测的问题。设计了一种基于归一化小波包信息熵与相关向量机的滚动轴承运行可靠度预测方法;该方法主要包括确立运行可靠度指标以及构建相关向量机预测模型,通过试验测取滚动轴承运行过程中的振动信号,利用小波包分解,提取反映滚动轴承运行状态的特征频带能量,基于信息熵理论建立运行可靠度指标;构建相关向量机预测模型,准确预测正在服役中的滚动轴承运行可靠度指标及其变化趋势。试验结果表明,采用归一化小波包信息熵与相关向量机的可靠度预测模型,能有效克服传统基于概率统计数据的平均可靠度计算问题,并且相关向量机的可靠度预测精度更高。     

基于连续小波系数非线性流形学习的冲击特征提取方法

为了提取机械设备故障引发的冲击成分,提出了一种基于连续小波系数非线性流形学习的冲击故障特征提取方法。首先,基于小波熵方法优化出最优的Morlet小波波形参数,实现与冲击特征成分的最佳匹配,获取包含冲击特征信息的最优小波系数矩阵。其次,采用局部切空间排列算法对最优小波系数矩阵进行非线性约简,并基于峭度指标最大化原则,确定出特征空间中的有效低维嵌入,从而提取出最优的冲击故障特征。最后,通过仿真数据和工程实际的应用对比分析,表明该方法采用了局部线性化和全局排列的思想,与线性奇异值分解方法相比,不仅在时域上提取出峭度更大的微弱冲击特征成分,而且在频谱中还提取出了相应的低频故障特征。     

基于信号奇异性分析的轴承故障检测方法

针对轴承振动信号利用小波单奇异点检测无法克服噪声影响的不足,提出利用小波模极大值分析信号奇异性变化进而进行轴承故障检测的方法。实验中对信号的模极大分形指数,模极大分形指数熵,Lipschitz指数以及Lipschitz指数熵等奇异特征进行分析比较,实验结果表明这些特征都能有效克服噪声影响实现故障检测,但模极大曲线数最能体现故障特征且检测效果最好。将该方法同基于小波包能量谱特征和小波单奇异点检测的方法进行比较,结果表明本文建议的方法在检测时间及检测率上都有显著提高。     

基于多尺度降维的柴油机信号信息熵增强方法

针对柴油机曲轴轴承磨损故障信号特征微弱,易被噪声湮没且不同故障程度信号较难区分的特点,提出了一种基于压缩小波和局部保持投影的柴油机信息熵增强方法。利用压缩小波对信号多尺度重构减弱噪声干扰,通过局部保持映射对多尺度信号进行降维,消除冗余信息并增强信号的冲击特性,最终以时域、频域以及时频域的三种信息熵表征信号特征。仿真和实例信号表明,该方法对故障信号特征增强明显,依据信息熵值实现了曲轴磨损状态的分类识别。