基于信息熵距的旋转机械振动故障诊断方法

介绍了信息融合的基本概念和目前在旋转机械振动故障诊断当中用得比较多的一些融合诊断方法.从信息融合的思想出发,利用时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵和小波空间特征谱熵,通过特征级的信息融合,提出了一种基于信息熵距的旋转机械振动故障监测和诊断的方法.数学推导表明,信息熵距符合模糊理论中最大隶属度原则,将它作为判别指标是可行的.实例计算表明,信息熵距能够较好的区分故障类别,在此基础上,通过多转速下的熵距曲线图可以提高转子故障诊断的准确性.     

基于熵带与DS理论的焊缝等级磁记忆量化评价

针对焊缝不同等级的磁记忆特征提取及定量评价难题,提出信息熵带与D-S理论联合的磁记忆定量评价模型。以Q235B焊接试件为实验材料,通过焊缝疲劳损伤试验,对照X射线定量评价标准,引入能够反映焊缝损伤程度的奇异谱熵、功率谱熵和小波空间能谱熵,分别提取不同损伤等级对应的这3种信息熵及其熵带的特征值,构建基于信息熵带数学期望的各等级贴近度公式,以信息熵贴近度作为证据体,建立基本可信度分配函数,通过D-S理论的证据组合原理将基本可信度进行信息融合,依据D-S诊断规则输出焊缝缺陷等级的定量识别结果,建立基于信息熵带和D-S证据理论联合的焊缝等级磁记忆评价模型。结果表明焊缝等级识别的不确定度为0.008,为实际工程中焊缝缺陷等级磁记忆定量化评定提供新的思路和方法依据。     

旋转机械振动信号的信息熵特征

从信息融合的思想出发 ,针对单个和多个振动传感器 ,在时域、频域以及时 -频域系统、深入地研究了定量评价旋转机械振动状态的方法 ,提出了反映不同域中振动能量分布不确定性的奇异谱熵、功率谱熵、涡动状态特征熵、小波空间特征熵等信息熵特征。通过对实际信号的分析表明 ,这些信息熵形成了有效综合评价转子振动状态的特征指标。     

基于信息熵的滚动轴承声发射信号故障诊断

利用声发射信号进行低速滚动轴承故障检测.在状态特征提取的基础上,从信息融合的思想出发,建立一种基于时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵和空间特征谱熵的故障诊断方法,并作为综合评价滚动轴承运行状态的定量特征指标.     

基于信息熵的涡旋压缩机故障诊断研究

为了定量描述涡旋压缩机运行状态,在状态特征提取的基础上,从振动信号分析的思路出发,结合信息论中熵和灰关联度的理论,建立了一种基于时域的奇异谱熵、频域的功率谱熵、时-频域小波能量谱熵和小波空间特征谱熵的故障诊断方法,并作为综合评价涡旋压缩机振动状态的定量特征指标,可实现对涡旋压缩机几种故障的较好识别,证明了该故障诊断方法的有效性。     

全信息小波能量熵及其在旋转机械状态监测中的应用研究

结合全信息技术、小波分析以及信息熵的基本理论,提出全信息小波能量熵的概念.用小波分析将两个垂直通道的信号分别分解至不同的频率带,综合所有分解系数计算得到小波熵,对融合信号能量分布的紊乱程度进行量化.仿真计算表明,全信息小波能量熵能反映融合振动信号能量分布的复杂性,且对能量分布的变化较为敏感,可作为衡量设备工作状态的指标,应用于旋转机械状态监测中.     

基于LCD信息熵特征和SVM的机械故障诊断

提出了一种基于局部特征尺度分解(LCD)信息熵特征和支持向量机(SVM)相结合的机械故障诊断方法。首先采用LCD对振动信号进行分解,得到若干个具有物理意义的内禀尺度分量(ISC);结合信息熵理论,从时域、频域和时频域3个角度分别定义了时域奇异谱熵、频域功率谱熵以及时频域的特征空间熵、边际谱熵和瞬时能量熵,并将这些熵值组成特征向量;最后通过SVM对特征向量进行分类识别。轴承故障诊断的实例表明,基于LCD信息熵特征和SVM相结合的方法能够准确地对轴承故障信号进行识别,并且效果要好于EMD信息熵特征和SVM结合的方法。     

基于KPCA-HSMM设备退化状态识别与故障预测方法研究

为消除多通道观测信息冗余,压缩高维故障特征,提出基于KPCA多通道特征信息融合的HSMM设备退化状态识别与故障预测新方法.首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量,然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量,并以此向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器与故障预测模型,从而实现设备退化状态识别与故障预测.将其应用到滚动轴承的退化状态识别与故障预测中,验证了该方法的有效性.     

基于Winger谱时频熵在齿轮故障诊断中的应用

为了充分挖掘Winger时频谱有效信息,研究提出一种基于Winger分布和信息熵理论相结合的柴油机故障诊断方法。首先运用Winger分布分析得到原始信号的时频分布,然后基于信息熵理论建立Winger谱时频熵,得到反映故障状态特征的特征参数,通过识别变速箱齿轮的磨损程度为例,通过Winger谱熵的大小判断齿轮的磨损程度。通过实验分析,证明此方法的有效性,为变速箱预知维修提供了一定的理论依据。     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

New method of fault diagnosis of rotating machinery based on distance of information entropy

This paper introduces the basic conception of information fusion and some fusion diagnosis methods commonly used nowadays in rotating machinery. From the thought of the information fusion, a new quantitative feature index monitoring and diagnosing the vibration fault of rotating machinery, which is called distance of information entropy, is put forward on the basis of the singular spectrum entropy in time domain, power spectrum entropy in frequency domain, wavelet energy spectrum entropy, and wavelet space feature entropy in time-frequency domain. The mathematic deduction suggests that the conception of distance of information entropy is accordant with the maximum subordination principle in the fuzzy theory. Through calculation it has been proved that this method can effectively distinguish different fault types. Then, the accuracy of rotor fault diagnosis can be improved through the curve chart of the distance of information entropy at multi-speed.     

基于信息熵的涡旋压缩机振动信号分析

为了定量描述涡旋压缩机的运行状态,应用信息熵理论,建立了一种基于时域的奇异谱熵、频域的功率谱熵、时 频域小波能量谱熵和小波空间特征谱熵的振动信号分析方法,并作为综合评价涡旋压缩机振动状态的定量特征指标。实现了在恒转速条件下涡旋盘固有频率的识别,定量分析了动涡盘轴向振动、径向柔性机构及轻微液击等对压缩机的影响。揭示了变转速条件下涡旋盘3种周期激变的运动形式及信息熵随着压缩机转速变化的规律。研究结果为涡旋压缩机故障诊断提供了基础数据。     

基于信息熵与信息融合的供输弹系统故障诊断研究

针对供输弹系统早期故障微弱特征难以提取等问题,提出了信息熵与信息融合的故障诊断方法。将经过降噪预处理后的信号提取样本熵作为特征参量,经Elman神经网络初步诊断,将其输出值归一化后作为证据体的基本概率分配,采用一种基于证据关联系数加权平均融合模型,最终得到决策级融合的诊断结果。结果表明:该方法能有效对供输弹系统故障进行诊断,诊断正确率高达93.71%。     

基于SIE和SVR的液压泵故障定量诊断

为更好地实现液压泵故障定量诊断,对故障定量诊断中的退化特征提取和故障程度诊断方法进行研究。针对排列熵算法的不足,提出空间信息熵(spatial information entropy,简称SIE)的概念,分析了空间信息熵3个参数(时间序列的分区数s、相空间重构的嵌入维数m和延迟时间τ)变化对其性能带来的影响,为其选取提供了依据。仿真分析结果也验证了其作为液压泵退化特征的有效性和优越性。基于空间信息熵算法提取液压泵故障退化特征集,针对退化特征与故障程度之间存在的非线性关系,提出采用果蝇优化算法优化参数的支持向量回归机实现液压泵的故障定量诊断。对实测液压泵振动信号分析结果表明,空间信息熵在表征液压泵故障程度方面具有更好的性能。将果蝇算法优化参数的支持向量回归机用于液压泵的故障定量诊断得到了理想的定量诊断效果,并通过对比分析验证了提出的支持向量回归机模型的有效性和优越性。     

全信息小波包分析及其在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的不足，结合设备状态检测和故障诊断中微弱振动信号难以提取的问题，在介绍全信息技术的基础上，提出新的信号处理方法——全信息小波包分析，用小波包变换对双通道信号分别进行分解，以提取信号中的微弱局部成分，把需要的对应小波包进行重构并用全矢谱技术进行融合，根据融合后的数据进行故障诊断。工程应用实践表明，全信息小波包分析是一种新的、较为实用的信号处理方法。     

神经网络与 D-S 证据理论融合的液压系统故障诊断方法

针对液压驱动火箭炮随动系统故障类型的多样性以及故障信息不确定性等问题,提出了证据理论与神经网络综合集成的故障诊断方法。为克服单一神经网络自身的缺点,在普通节点处建立2个改进神经网络模型来简化网络结构,分别以铁谱数据和压力、流量、温度特征参数作为输入向量进行初始故障诊断,并将诊断结果作为证据理论的基本概率分配,从而实现了赋值的客观化。然后,利用 D-S 证据理论对2个改进神经网络的初始诊断结果进行融合。实验结果表明：该方法避免了神经网络识别时的误诊,提高了液压驱动的火箭炮随动系统故障诊断的准确性。     

基于改进小波神经网络的旋转机械故障诊断

根据旋转机械复杂的故障特点，提出了结合第2代小波分析、模糊理论和神经网络形成的改进小波神经网络。该诊断方法利用第2代小波分析对信号进行预处理-征向量的提取，然后用训练好的模糊神经网络进行故障识别，并对相应算法进行了优化。将改进小波神经网络运用于旋转机械的故障诊断，通过计算机仿真和试验的结果表明，该方法在处理多故障耦合的情况时优势明显，不仅可以正确识别故障的类型，还可以进一步对故障的严重程度及其发展趋势进行可靠的诊断。这表明改进的诊断方法是行之有效的，为旋转机械的故障诊断提供了理论支持。