基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

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。     

基于变分模态分解近似熵和支持向量机的轴承故障诊断方法

针对滚动轴承振动信号的非平稳特征,以及现实中难以获得大量典型故障样本的情况,提出了一种基于变分模态分解的近似熵和支持向量机的故障诊断方法。首先,通过VMD将原始振动信号分解为若干个频率尺度的本征模态分量;然后,计算各个IMF分量的近似熵并组成特征向量;最后,将上述特征向量输入支持向量机进行训练,并判断轴承的工作状态和故障类型。分析结果表明:与EMD及LMD相比,VMD近似熵与支持向量机相结合后,诊断精度得到了较大的提高,更适用于轴承故障的自动化诊断。     

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。     

一种基于小波包与KPCA的发动机多信号融合故障诊断方法

针对活塞式发动机典型故障提出一种基于小波包分析与核主成分分析技术的多信号融合诊断方法。首先采用小波包对原始振动信号进行分解,提取故障频域特征;然后融合振动时域信号及机组排温等热工参数,采用核主成分分析技术进行参数维度缩减,获得典型故障的敏感特征;最后采用支持向量机完成故障自动分类。实际故障案例数据表明,该方法可有效提取发动机故障特征,故障分类准确性较高。     

基于多维度排列熵与支持向量机的轴承早期故障诊断方法

针对许多现有方法无法有效诊断滚动轴承早期故障的问题,引入排列熵的方法对轴承振动信号进行早期故障分析。通过研究嵌入维数和延迟时间对信号排列熵的影响,提出多维度排列熵的特征提取方法。利用多维度排列熵方法所提取的特征,建立了基于支持向量机的轴承早期故障智能诊断模型。对轴承不同类型、不同程度的故障数据进行分析,证明了多维度排列熵方法可以有效提取轴承不同状态的特征信息,与支持向量机结合的智能诊断模型可以精确地诊断轴承不同类型的早期故障,具有很强的通用性;该模型在贫样本的情况下,依然具有很高的诊断精度,适用于滚动轴承早期故障状态的在线监测。     

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

基于小波包变换与样本熵的滚动轴承故障诊断

针对滚动轴承振动信号的不规则性和复杂性可以反映轴承故障的发生和发展,提出一种基于小波包变换与样本熵的轴承故障诊断方法。样本熵可以较少地依赖时间序列的长度,将轴承振动信号进行3层小波包分解,利用分解得到的各个频带的样本熵值作为特征向量,利用支持向量机对轴承故障进行分类。对轴承内圈故障、滚动体故障和外圈故障3种故障及不同损伤程度的实测数据进行实验,结果表明该方法取得较高的识别率,具有一定的工程应用价值。     

基于能量熵和EEMD结合的滚动轴承故障诊断方法

采用了一种基于小波包能量熵结合集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方式完成对高速列车轴箱轴承仿真振动信号和实测振动信号的故障诊断.在完成仿真轴承应力状态分布分析和仿真振动信号故障提取方式检验以及实测振动信号时域参数分析和对轴承故障初步诊断的基础上,对振动信号进行三层小波包分解以及降噪处理;将处理后的剩余信号进行重构,再对重构后的8个小波包频段进行能量熵和能量百分比的计算,找出所含剩余信息量较大的频段,进行EEMD方式分解;对分解后的IMF1分量进行频谱和包络谱转换,从而准确提取出轴箱轴承故障特征信号,完成轴承早期微弱故障特征提取.     

局域波信息熵在高速自动机故障诊断中的应用

针对自动机工作时的短时冲击信号特征,首先,对其运动形态进行分解,截取与故障构件动作相对应的振动信号进行分析;其次,利用多层小波包分解截取信号,对其频率成分及能量分布进行研究;然后,将小波包分解后频带能量大的信号重构进行局域波分解,同时提取局域波奇异谱熵、边际谱熵和特征空间谱熵定量描述信号状态的时域、频域和能量的变化,并将其作为故障特征量;最后,利用遗传算法的全局寻优能力对支持向量机的参数进行优化,建立了遗传支持向量机(genetic algorithms-support vector machine,简称GA-SVM)模型,将提取的特征量输入其中进行故障分类识别,并将识别结果与空间穷尽搜索支持向量机(support vector machine,简称SVM)的识别结果进行对比。     

基于α稳定分布和支持向量机的轴承模式分类

针对滚动轴承发生故障时振动信号表现出来的脉冲特性,提出了一种基于α稳定分布和支持向量机的模式分类方法。介绍了α稳定分布的定义和概率密度函数,并与故障轴承振动信号的概率密度函数曲线进行比较,证明了具有脉冲特性的轴承振动信号符合α稳定分布。用小波包分解技术对不同类型的轴承实测数据进行分解,并提取相应特征参数作为特征向量,建立支持向量机诊断模型,进行特征模式分类。通过与传统的基于峭度和方差的模式分类方法进行比较,表明该方法具有较高的诊断准确性。     

利用小波包和SVDD的分拣机轴承故障诊断

针对邮政分拣机供包台轴承故障识别精度较低问题,展开一种基于小波包结合支持向量数据描述的振动故障辨识研究。运用小波变换对检测的振动信号进行降噪,再利用统计分析、共振解调和小波包技术从预处理后的信号中提取故障特征频率和小波包能量等时、频域特征作为输入向量。通过核参数优化选取和正常类样本集训练学习,建立描述轴承正常工作状态的最小特征超球体作为预测模型并带入轴承试验台中。试验结果表明,该方法的正确识别率可以达到98%以上。     

基于多维度模糊熵的齿轮故障诊断方法

针对齿轮的故障诊断问题,引入模糊熵的方法对齿轮振动信号进行分析。通过研究嵌入维数和延迟时间对信号模糊熵的影响,提出多维度模糊熵的齿轮故障特征提取方法。利用多维度模糊熵特征提取方法提取故障特征,并结合支持向量机建立了齿轮故障诊断模型。对实测齿轮故障数据进行分析,证明了多维度模糊熵方法可以有效提取齿轮不同状态的特征信息,与支持向量机结合可以精确地诊断齿轮典型故障,具有一定的优势。     

EMD-AR谱分析和SVM的变速箱故障诊断

针对特种车辆变速箱工作环境恶劣、故障模式难以识别的问题,在现有方法基础上,将EMD分解和AR谱估计相结合,应用于变速箱故障诊断中.首先,在自行搭建的实验台上采集变速箱正常、轴承间隙故障、外环压痕、齿轮断齿4种典型状态下的振动信号;然后采用EMD-AR谱进行分析,对比不同状态下信号前6个IMF分量的AR谱,再提取EMD-AR谱能量特征值,将特征值输入到构建好的SVM分类器中,根据输出结果识别变速箱的故障类型.结果表明,该方法能有效应用于特种车辆变速箱故障诊断,诊断正确率达到94.5％,为其他特种变速箱诊断提供了一种有效的参考途径,有一定工程实用价值.     

基于局部特征尺度分解与基本尺度熵的轴承故障诊断

为了准确进行轴承故障诊断,提出了基于局部特征尺度分解与基本尺度熵的故障特征提取及诊断方法。首先,分析了基本尺度熵提取轴承振动信号蕴涵的故障信息的合理性,针对基本尺度熵的参数选择问题,提出了基于相空间重构理论的延迟时间和嵌入维数选择方法;然后,运用局部特征尺度分解对基本尺度熵进行自适应多尺度化,充分提取了故障特征;最后,将原始信号的降噪数据及有用分量的基本尺度熵作为特征向量,通过支持向量机进行故障诊断。以轴承振动试验信号为例进行了验证,结果表明,所提方法能有效识别正常、内圈故障、外圈故障及滚动体故障等4种状态。     

基于谐波小波包和OAO-RVM的滚动轴承故障诊断方法

结合谐波小波包和相关向量机设计了滚动轴承故障诊断方法,以实现轴承正常状态、内圈故障、滚动体故障及外圈故障状态的诊断。首先,利用谐波小波包对轴承的振动信号进行多层分解,根据各频段的小波分解系数计算各个频带能量,归一化之得到特征向量;其次,对传统的OAO-RVM模型进行简化,改进为新的OAORVM多模式分类模型;最后,利用滚动轴承试验台的振动数据对设计方法进行了验证。结果表明,设计的诊断方法在识别的准确率及算法计算效率方面均比传统的支持向量机诊断方法好。     

磷虾算法优化多分类支持向量机的轴承故障诊断

为了提高滚动轴承故障类型诊断准确度,提出了磷虾算法优化多分类支持向量机的轴承故障诊断方法。对于时频域特征参数的提取,将CEEMD算法与小波包优势结合,提出了CEEMD与小波包半软阈值去噪相结合的提取方法;对于特征参数降维,针对轴承振动信号的非线性特点,使用局部线性嵌入算法降维,对降维后特征参数使用模糊C均值聚类进行验证,可以看出LLE降维不仅降低了计算量而且有利于模式识别;将二叉树法与投票法支持向量机结合,给出了混合多分类支持向量机,使用磷虾算法对其进行参数优化。实验验证可知,磷虾算法优化的多分类支持向量机具有很高的输出精度,轴承状态识别准确率为100%,使用粒子群算法优化的支持向量机输出精度低,轴承状态识别准确率为79%。     

基于优化支持向量机的轴承故障诊断方法研究

以滚动轴承在正常、内圈故障、外圈故障和滚动体故障四种工况下的振动信号为研究对象,采用小波包变换的方法提取信号的能量熵,构成振动信号的特征向量。在此基础上采用支持向量机进行故障模式识别,建立支持向量机模型需要选择适当的核函数及相关参数,使用径向基核函数,需要设置的参数为核函数的宽度和误差惩罚系数,分别结合传统的网格搜索,遗传算法,粒子群算法优化支持向量机参数以提升分类性能。试验结果表明,采用优化后的支持向量机进行故障诊断可以大大提高诊断精度。