S-GLCM熵:一种新的滚动轴承性能退化指标提取方法

S变换兼具了小波变换和快速傅里叶变换各自的优势,具有良好的时频聚集性.灰度共生矩阵能够通过研究灰度的空间相关特性来描述图像纹理.归一化信息熵能够定量的度量信号分布的复杂程度.经S变换取其模后得到S时频谱图,通过灰度共生矩阵对滚动轴承全寿命周期内不同状态进行特征提取并对其进行复杂度度量,提出了一种S-GLCM熵特征指标来反映滚动轴承的退化过程.通过对滚动轴承内圈、轴承外圈、轴承滚动体三种故障分别进行3种不同损伤程度数学模型仿真数据分析,提取各自S-GLCM指标进行对比,验证了该方法的可行性.通过对滚动轴承加速疲劳寿命周期内的数据进行分析,与工程中常用的时域指标有效值进行对比,结果表明了该方法的有效性.     

基于时频图像极坐标增强的柴油机故障诊断

针对柴油机不同部位的机械故障特征容易混淆且呈现非平稳循环特征的特点,提出了一种基于时频图像极坐标增强的柴油机故障诊断方法。将振动信号Gabor变换的时频特征通过等角度采样映射为极坐标图上某一区域的显著增强的特征,实现了周期瞬态特征的增强。提取不同技术状态振动信号6个工作循环内的极坐标图上区域能量特征作为故障特征参数,输入支持向量机进行分类训练和模式识别。试验结果表明,针对柴油机的5种典型故障,该方法能显著增强故障特征,有效提取故障特征信息,准确识别出不同类型的磨损故障。     

基于多尺度形态学分解谱熵的电机轴承性能退化特征提取

结合数学形态学与信息熵理论,提出一种基于多尺度形态分解谱熵的电机轴承退化特征提取方法。对不同损伤程度轴承的振动信号进行多尺度形态分解,分别计算其在不同尺度域内的复杂性度量:能谱熵与奇异谱熵,以其作为预测特征矢量可以对性能退化趋势有很好的线性反映能力。仿真与实例数据验证了此方法的有效性。     

基于杂草算法优化的轴承时频谱图聚类识别研究

针对KFCM算法对初始聚类中心敏感导致聚类效果不好等问题,提出一种基于杂草算法(IWO)优化的模糊核聚类算法(IWO-KFCM),将其运用于轴承时频谱图的状态识别.通过小波变换获取轴承运行状态的时频图像,利用灰度梯度共生矩阵提取图像的纹理特征,提出基于可分性测度构造IWO算法的适应度函数;将IWO算法优化获取的初始聚类...     

纯铜低周疲劳表面显微形貌的特征提取与分析

为进一步探索金属疲劳过程中内部结构及表面形貌的变化规律,进行了T2纯铜的低周疲劳试验,通过远端显微镜获取材料表面形貌显微图像并使用图像灰度直方图及灰度共生矩阵方法用Matlab编程对图像进行处理及特征提取。通过对不同循环周次图像特征值提取和分析,发现了表面形貌及其特征值与疲劳损伤的密切相关性。     

铁谱磨粒图像的计算机纹理分析

利用计算机图像处理技术，采用灰度共生矩阵方法提取典型磨粒图像的纹理特征参数，作为判断机械设备故障机理的判据之一。通过正常、滑动、切削、疲劳磨粒灰度共生矩阵纹理分析，得到熵、能量、惯性矩等参数的范围。     

基于IMF投影图像分析的滚动轴承故障诊断方法研究

提出了一种基于本征模式分量投影图像分析的滚动轴承故障诊断方法,实现了滚动轴承故障的状态识别与程度识别,首先,依托经验模式分解方法(Empirical Mode Decomposition,EMD)对轴承故障信号进行分析,获取故障本征模式分量(Intrinsic Mode Function,IMF);其次,构建各个本征模式分量的时频三维灰度投影图像,引入基于灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)的纹理特征对三维投影图像进行分析;最后,通过主成分分析进一步压缩特征维度,并结合支持向量机(Support Vector Machine,SVM)实现了滚动轴承的故障诊断。研究从图像特征角度实现故障诊断,丰富了现有振动信号故障特征获取方法,实现了滚动轴承故障的状态识别与程度识别。     

基于图形和图像融合的产品特征建模

自然界中的物体通常采用图形和图像两种表达形式,它们在计算机中的描述则是采用两种不同的数据格式。特征建模是当前工业产品数字化建模的主要手段,但是目前的特征描术不能描述复杂的表观和非均质材质信息。提出一种图形／图像融合的特征建模思想,可以有效解决这一难题。论文详细论述了基于图形图像建模的必要和方法,并给出了几个应用实例。     

基于灰色共生矩阵的齿轮磨损特征与性能的关系

为了研究齿轮工作表面摩擦磨损性能的影响机制,探讨了齿面的纹理特征与摩擦之间的关系。优化了灰度共生矩阵的构建参数,更有利于准确提取不同粗糙齿面的纹理特征。采用不同类型预测模型建立了齿面摩擦系数与纹理特征之间的数学模型,分析齿面纹理特征参数对摩擦系数的影响规律。研究表明:摩擦系数随着对比度的增大而增大,随相关性与逆差距的增大而减小;表面磨损程度影响了纹理特征的变化;齿面磨损会引发对比度的增大以及造成相关性与逆差距的减小。     

基于数学形态谱熵的机械部件性能退化特征提取

提出了基于数学形态谱熵的性能退化特征提取方法。首先对机械状态振动信号进行多尺度形态分解,建立数学形态谱,在此基础上,结合信息熵理论,度量振动信号在不同尺度域划分下的形态复杂性。实验结果表明,以数学形态谱熵作为特征参数,可以有效地描述轴承、齿轮等旋转机械部件的性能退化趋势。     

一种基于复合谱与关联熵融合的特征提取方法

液压泵特征提取是实现故障预测的关键环节。针对液压泵退化特征不理想的问题,提出一种基于改进复合谱与关联熵融合的特征提取方法。首先,对传统CS算法进行改进,对多通道振动信号进行融合,实现对特征信息的综合利用,并分别提取Shannon定义下和Tsallis定义下的DCS功率谱熵和DCS奇异熵作为特征;在此基础上,提出基于关联熵的融合方法,将所提取的特征融合为一个全新特征,作为液压泵退化特征,提高特征的简洁度;最后,利用液压泵性能退化试验所采集振动信号,验证了该方法的有效性。     

基于改进MF-DFA的液压泵退化特征提取方法

针对液压泵振动信号通常具有非线性强和信噪比低的特点,提出了一种基于改进多重分形去趋势波动分析(multi-fractal detrended fluctuation analysis,简称MF-DFA)的液压泵性能退化特征提取方法。首先,引入滑动窗口技术改进传统MF-DFA方法在时间序列数据分割过程中存在的不足,提高了MF-DFA方法的计算精度;然后,利用改进的MF-DFA方法计算液压泵多重分形谱参数,分析了不同分形谱参数对液压泵退化状态的反映能力,选取奇异指数α0和多重分形谱宽度Δα作为退化特征量;最后,以液压泵不同退化状态下的实测数据为例验证了该算法的有效性。试验结果表明,该方法能够准确提取液压泵退化特征,提高了退化状态识别的准确率。     

基于自适应谐振理论的特征频率提取与融合

借鉴自适应谐振理论的一些处理思想,提出了一种特征频率提取、融合和增强算法。通过对频谱向量进行多次归一化处理,并插入非线性阈值函数来抑制小幅度噪声频率,同时用适当的正反馈使特征频率进一步增强,且不同频谱之间的融合也被嵌入到其中,形成一种闭环迭代运算。对空调电机3种振动噪声频谱的处理结果表明,该算法有效抑制了原始频谱中的随机干扰频率,对频谱中有用的成分进行了较大幅度的增强。对于每一种振动噪声,该算法都从多个频谱中准确地获取了一个清晰可靠的特征频谱,效果优于平均谱。     

基于数据融合和“能量-损伤”的结构状态特征提取

基于一致性数据融合算法和小波包分析,提出了结构状态特征提取方法。采用改进的一致性算法融合多传感器的测量数据,克服了一致性算法中两传感器在测量精度不同时置信距离不同的缺点,对支持矩阵进行模糊化处理,并采用"能量-损伤"特征提取技术对融合后的多传感器测量数据进行处理。利用5层框架结构的数值算例对比了结构各层加速度信号与融合后加速度信号构造的特征向量。结果表明,融合后加速度信号构造的特征向量包含了结构不同位置的不同状态信息,能够全面描述结构的工作状态。     

基于CSLBP的轴承信号时频特征提取方法

针对滚动球轴承振动加速度信号特征提取问题,提出一种基于中心对称局部二值模式(center-symmetric local binary pattern,简称CSLBP)的时频特征提取方法。首先,利用广义S变换对滚动球轴承振动加速度信号进行处理,通过采用时频聚集性度量准则自适应地确定广义S变换的调整参数,从而获取时频分辨性较好的二维时频图;然后,计算二维时频图的CSLBP,提取CSLBP纹理谱描述滚动球轴承振动加速度信号的时频特征。对滚动球轴承正常、外圈故障、内圈故障和滚动体故障4种不同状态的振动加速度信号进行了研究。结果表明,CSLBP纹理谱能有效地表达滚动球轴承振动加速度信号的时频特征,与局部二值模式(local binary pattern,简称LBP)和统一模式LBP纹理谱相比,CSLBP纹理谱具有特征维数低和区分性能好的优点。     

一种基于LLE特征融合的故障识别方法

针对传统的故障识别中未能充分利用特征信息的问题,提出一种基于局部线性嵌入(LLE)特征融合的故障识别方法,通过初步提取信号时域和时频域的特征获得原始特征集,利用LLE算法对原始特征集进行二次特征提取,进一步融合两组特征集并使用KNN算法进行故障识别。仿真信号数据分析与实际故障分析证明了所提方法对故障样本识别的可行性和有效性。     

基于方向对比度和区域标准差的图像融合方法

提出了一种基于方向对比度和区域标准差最大化的多分辨率图像融合新方法。该方法先对参加融合的源图像进行小波多分辨率分解并定义方向对比度和区域标准差,然后采用基于方向对比度和区域标准差最大化的融合规则得到融合后图像的小波系数;最后通过逆小波变换得到融合图像。采用该方法得到的融合图像突出和增强了各源图像的对比度与细节信息。实验结果表明该方法是十分有效的。     

改进时频分析和特征融合在内燃机故障诊断中的应用

针对基于内燃机振动信号的故障识别诊断问题,首先提出一种基于阈值筛选的变分模态分解(VMD)、玛基诺-希尔时频分布(MHD)的时频分析方法,该方法针对Cohen类时频分布存在的交叉干扰项问题,通过阈值筛选法确定VMD算法的分解层数,从而将内燃机振动信号分解成一系列单分量模态信号,然后对单分量信号进行MHD时频表征及线性叠加得到时频聚集性优良、物理意义明确的振动信号时频谱图。再通过局部非负矩阵分解(LNMF)对时频图像特征进行提取,将提取的特征与振动信号时域参数进行特征融合,得到融合特征向量。对支持向量机(SVM)采用改进粒子群优化算法进行参数优选,然后对特征向量进行训练和测试,实现了内燃机的故障识别诊断。将该方法应用于内燃机气门间隙故障8种工况下缸盖振动信号的识别诊断试验,结果表明,该方法能够对不同工况振动信号进行有效识别分类。通过参数优选,最高识别率达到了99.17%,同时对比传统的最近邻分类器的分类结果,证明了该方法的优越性。     

行星变速箱退化特征参数提取方法

研究行星变速箱的退化特征参数提取方法对于机械系统的故障预测与健康管理(prognostic and health management,简称PHM)具有重要意义。为了分析行星变速箱的退化特性,首先,在峭度谱信号处理和构图方法的基础上提出改进型峭度谱,在特征参数提取过程中用均方根(root mean square,简称RMS)代替峭度,将其称为RMS谱,RMS谱能够同时从时域和频域分析系统退化过程中各个频带RMS的变化趋势;其次,在峭度谱原理的基础上研究RMS谱和RMS归一化谱的原理,并用公开的轴承数据解释新提出方法的数据处理流程;最后,用新提出方法对行星变速箱的退化过程进行详细的研究,发现不同频带的RMS趋势不同,而且有些频带能比较稳定的反映退化过程,有些频带对加速退化阶段比较敏感,这些结论对提取适合行星变速箱故障预测的退化特征参数很有参考价值。     

基于CEEMD-WPT的滚动轴承特征提取算法

为实现对滚动轴承振动信号中特征频率成分的精确提取,提出了将互补总体平均经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)与小波包变换(wavelet package transform,简称WPT)相结合即CEMMD-WPT特征信号提取算法。两种方法的结合既有效解决了CEEMD分解后依然存在的模态混叠问题,又消除了进行WPT处理后产生虚假频率分量、频率混淆现象的影响。通过仿真试验验证了该方法的有效性,并应用于实际,取得很好的结果。