基于局部特征尺度分解和JRD距离的液压泵性能退化状态识别方法

针对液压泵振动信号通常具有非线性强与信噪比低的特点,提出了基于局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)与JRD(Jensen-Renyi Divergence)距离的液压泵性能退化状态识别方法。该方法首先对原始振动信号进行局部特征尺度分解,得到不同特征尺度下的内禀尺度分量(Intrinsic Scale Component,ISC);然后,提取包含主要退化特征信息的ISC分量的Renyi熵,以此作为退化特征量;最后,通过计算不同特征量之间的JRD距离来判断液压泵的退化状态。将该方法应用于液压泵实测数据,结果表明,基于局部特征尺度分解和JRD距离的退化状态识别方法能够有效识别液压泵的性能退化状态。     

基于多尺度形态分解谱熵的电机轴承预测特征提取及退化状态评估

由于预测特征提取与退化状态评估直接关系故障预测可信性,结合数学形态学与信息熵理论,针对电机滚动轴承,提出基于多尺度形态分解谱熵的预测特征提取方法,用灰色关联分析对退化状态进行评估。对不同损伤程度轴承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、奇异谱熵,以其作为预测特征向量。建立标准退化模式矩阵,对待检测样本信号特征向量与标准模式进行灰色关联分析,据关联度大小对样本信号退化状态进行评估。并仿真与实例数据验证该方法对电机轴承退化状态评估的有效性。     

LCD谱熵及其在滚动轴承退化状态识别中的应用

针对滚动轴承在出现故障时其振动信号呈现出非线性、非平稳特性,以及退化特征难以提取等问题,将局部特征尺度分解法应用到轴承振动信号分析中,并与信息熵理论融合提出局部特征尺度分解谱熵的滚动轴承退化特征指标。该方法首先对不同故障程度的轴承振动信号做局部特征尺度分解,基于得到的内禀尺度分量计算振动信号得能谱熵、奇异谱熵和包络谱熵用于表征轴承故障程度,仿真信号分析结果表明以上特征指标能够较好地反映滚动轴承的退化状态。对内圈故障和外圈故障模式下不同程度故障的轴承振动信号进行分析,结果表明该文提出的退化特征能够有效表征轴承的退化状态,并采用灰关联分析法构建轴承退化状态识别模型,可有效实现轴承退化状态识别。     

基于完备总体经验模态分解和模糊熵结合的液压泵退化特征提取方法

针对液压泵振动信号具有非线性、非平稳性,以及信噪比低等特点,提出了基于完备总体经验模态分解和模糊熵结合的液压泵性能退化特征提取方法。首先,使用完备总体经验模态分解方法对液压泵振动信号进行分解,得到若干个固有模态函数分量。其次,求取各个分量与原始信号的相关性,选取相关性较高的前几个分量作为有效分量并求其模糊熵,实现液压泵的退化特征提取,形成特征向量。最后,以液压泵不同退化状态下的实测数据为例,使用基于变量预测模型的模式识别方法对提取的特征向量进行验证。实验结果表明,该液压泵退化特征提取方法具有较高的精度,使退化状态识别的准确率提高到了100%。     

基于基本尺度熵与GG模糊聚类的轴承性能退化状态识别

针对轴承性能退化状态的识别问题,提出一种基于基本尺度熵与GG聚类的退化状态识别方法。首先分析轴承性能退化过程中的基本尺度熵演化规律,并分析该参数的单调性与敏感性。考虑到轴承退化状态在时间尺度的连续性,构建基本尺度熵、有效值以及退化时间的三维退化特征向量,并采用GG模糊聚类方法对轴承性能退化状态的不同阶段进行划分,实现对性能退化状态的识别。采用来自IEEE PHM 2012的轴承全寿命试验数据进行实例分析,并与FCM、GK算法进行对比,结果表明本文所提出的方法聚类效果更优,同一退化状态内的时间聚集度更高,能够为轴承性能退化状态的识别提供一种有效的途径。     

基于改进多尺度熵与VPMCD的滚动轴承故障诊断

多尺度熵(Multiscale entropy,MSE)是一种衡量时间序列复杂性的方法,针对其粗粒化过程由时间序列长度变短而导致熵值不精确、波动较大等问题,提出一种改进的多尺度熵(Improved multiscale entropy,IMSE)算法。在此基础上,结合迭代拉普拉斯得分(Iteration Laplacian Score,ILS)特征选择和多变量预测模型(Variable predictive model based class discriminate,VPMCD),提出一种新的滚动轴承智能故障诊断方法。最后,将提出的方法应用于滚动轴承试验数据分析,并与现有方法进行对比。结果表明,提出的方法不仅能够有效地识别滚动状态和故障类型,而且其诊断效果优于现有方法。     

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。     

基于排列熵和VPMCD的滚动轴承故障诊断方法

VPMCD(Variable Predictive Model Based Class Discriminate)是一种新的模式识别方法,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。论文将VPMCD结合排列熵(Permutation Entropy,简称PE)方法应用于滚动轴承故障诊断。首先采用ITD(Intrinsic Time-scale Decomposition,简称ITD)对滚动轴承振动信号进行分解,得到若干个固有旋转(Proper Rotation)分量,并对包含主要故障信息的PR分量提取排列熵作为故障特征值;然后,对VPMCD分类器进行训练;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明该方法能够有效地应用于滚动轴承故障诊断。     

局部特征尺度分解方法及其分解能力研究

在研究内禀时间尺度分解(Intrinsic Time-Scale Decomposition,ITD)方法的基础上提出了一种新的自适应时频分析方法——局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法,该方法可以自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀尺度分量(Intrinsic Scale Component,ISC)之和.对LCD方法的基本原理进行了阐述,通过建立分解能力研究模型分别研究了分量信号的频率比、幅值比和初相位差以及单个分量迭代次数对LCD方法分解能力的影响,并给出了多分量信号可由LCD方法分解的大致条件.     

基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断

提出了一种基于局部均值分解多尺度模糊熵和灰色相似关联度相结合的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数,并从中选取包含主要故障信息的PF分量计算多尺度模糊熵作为特征向量,通过计算待识别样本与标准故障模式的灰色相似关联度,对滚动轴承故障类型和损伤程度进行判断。将该方法与LMD模糊熵和灰色相似关联度相结合的方法进行了对比,实验表明,基于LMD多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断方法,能够有效地识别滚动轴承运行状态,实现对滚动轴承的故障诊断。     

MOMED和双谱熵在液压泵退化特征提取中的应用

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,提出了一种基于多点最优最小熵解卷积(Multipoint Optimal Minimum Entropy Deconvolution,MOMED)和双谱熵(Bispectral Entropy)的液压泵退化特征提取方法。首先针对最小熵解卷积(Minimum Entropy Deconvolution,MED)降噪效果受滤波器长度和迭代次数影响的问题,提出了一种多点最优最小熵解卷积(MOMED)降噪方法,并利用MOMED对液压泵原始振动信号进行处理,以降低原始信号中干扰成分的影响;然后采用双谱分析提取双谱熵作为退化特征,以提高对液压泵退化状态的反映能力;最后,通过对液压泵性能退化试验实测振动信号的应用分析,验证了该方法的有效性。     

基于局部均值分解和多尺度熵的运动想象脑电信号特征提取方法

研究了脑电信号特征的提取。考虑到传统的脑电信号特征提取方法不能够很好地刻画脑电信号特征,因而会给不同意识任务下运动想象脑电信号的分类带来困难,该研究提出了一种基于局部均值分解(LMD)和多尺度熵(MSE)的脑电信号特征提取方法。该方法首先把脑电信号自适应地分解为一系列具有物理意义的乘积函数(PF)分量;然后选取有效的PF分量并计算多尺度熵,将多尺度熵组成特征向量;最后将其作为支持向量机(SVM)的输入来对脑电信号进行分类识别。实验表明该方法能够有效地提取脑电信号的特征,从而验证了该方法的有效性和可行性。     

基于分段多项式的局部特征尺度分解方法及应用

针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中两极值点连线在极值点处一阶微分不连续,引起分解精度降低问题,提出新非平稳信号分析方法-基于分段多项式的局部特征尺度分解(Piecewise Polynomial based Local Characteristic-scale Decomposition, PPLCD)。用分段多项式取代LCD中直线连接,且均值曲线插值点由相邻3个同类极值点构成的多项式计算产生。通过仿真信号将PPLCD与LCD对比,结果表明,PPLCD在提高分量正交性、精确性等具有一定优越性;由转子碰摩故障诊断表明该方法的有效性。     

基于三次Hermite插值的局部特征尺度分解方法

内禀时间尺度分解(Intrinsic time-scale decomposition,简称ITD)方法采用线性变换获得基线信号,使得分解结果出现毛刺和瞬时频率失真现象。因此,在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,简称ISC)基础上,提出基于三次Hermite插值的局部特征尺度分解方法(Cubic Hermite interpolation-Local characteristicscale decomposition,简称CHLCD),该方法能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的内禀尺度分量之和。首先对CHLCD方法的原理进行分析,然后给出采用CHLCD对信号进行分解的详细步骤,最后采用仿真信号和滚动轴承信号对CHLCD进行验证,结果表明了CHLCD方法的有效性。     

基于分段多项式的局部特征尺度分解方法及应用

针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中两极值点连线在极值点处一阶微分不连续,引起分解精度降低问题,提出新非平稳信号分析方法 -基于分段多项式的局部特征尺度分解(Piecewise Polynomial based Local Characteristic-scale Decomposition,PPLCD)。用分段多项式取代LCD中直线连接,且均值曲线插值点由相邻3个同类极值点构成的多项式计算产生。通过仿真信号将PPLCD与LCD对比,结果表明,PPLCD在提高分量正交性、精确性等具有一定优越性;由转子碰摩故障诊断表明该方法的有效性。     

基于多尺度最优模糊熵的液压泵特征提取方法研究

为了更有效地提取液压泵振动信号的特征,在多尺度模糊熵(Multiscale Fuzzy Entropy,MFE)的基础上,结合层次熵(Hierarchical Entropy,HE)提出了基于多尺度最优模糊熵(Multiscale Optimal Fuzzy Entropy,MOFE)的特征提取方法。基于多尺度模糊熵的特征提取方法是不够全面的,它仅仅分析了时间序列在各尺度上的均值成分,而非均值成分也应当被考虑在内。多尺度最优模糊熵通过引入层次熵的理论,首先,分析时间序列在不同尺度下的所有节点;其次,比较同尺度各节点的模式区分能力;然后,选取最能区分液压泵振动信号不同状态的节点为该尺度最优节点;最后,不同尺度下的最优节点模糊熵构成了对原时间序列的多尺度最优模糊熵分析。实验数据分析和比较结果验证了该方法的有效性。     

广义局部特征尺度分解方法及其应用

针对自适应时频分析方法局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中均值曲线插值点的属性主要由相邻两同类极值点的属性决定,不能很好地体现数据的整体变化趋势,从而可能引起分解精度降低,提出了广义局部特征尺度分解(Generalized Local Characteristic-scale Decomposition,GLCD)方法。该方法在借鉴EMD和LCD等方法思路的基础上,采用典型的数值计算方法定义了5种不同的均值曲线,并定义了瞬时频率具有物理意义的广义内禀尺度分量(Generalized Intrinsic Scale Component,GISC)和GISC判据。GLCD从不同均值曲线筛分得到的每一阶分量中选取最优分量作为该阶最终的GISC,确保了最终结果为最优。研究了GLCD方法的原理及GISC判据,通过仿真信号将GLCD方法与LCD方法进行了对比,结果表明GLCD在提高分量精确性和正交性等方面具有一定的优越性,并将GLCD方法应用于转子不对中和碰摩故障的诊断,结果表明了方法的有效性。     

基于局部特征尺度分解和形态学分形维数的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解与形态学分形维数的滚动轴承故障诊断方法。首先采用局部特征尺度分解方法将机械故障信号分解为若干个内禀尺度分量,然后利用形态学分形维数计算包含故障特征分量的分形维数,将得到的分形维数作为特征量判别信号故障的状态,实验结果表明基于局部特征尺度分解与形态学分形维数的故障诊断方法能够有效识别滚动轴承的内圈故障、外圈故障、滚动体故障和正常状态,实现滚动轴承故障诊断。     

基于局部特征尺度分解和核最近邻凸包分类算法的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和核最近邻凸包(Kernelnearest neighbor convex hull,KNNCH)分类算法的滚动轴承故障诊断方法。采用LCD方法对滚动轴承原始振动信号进行分解得到若干内禀尺度分量(Intrinsic scale component,ISC),然后将这些ISC分量组成初始特征向量矩阵,再对该矩阵进行奇异值分解,提取奇异值作为故障特征向量并输入到KNNCH分类器,根据其输出结果来判断滚动轴承的工作状态和故障类型。LCD方法是一种新的自适应时频分析方法,非常适用于非平稳信号的处理,而KNNCH算法是一种基于核函数方法,并将凸包估计与最近邻分类思想相融合的模式识别算法,可直接应用于多类问题且需优化的参数只有核参数。实验分析结果表明,所提出的方法能有效地提取滚动轴承故障特征信息,而且在小样本的情况下仍能准确地对滚动轴承的工作状态和故障类型进行分类。同时,与支持向量机(Support vec-tor machine,SVM)算法的对比分析结果表明,KNNCH算法的分类性能的稳定性要高于SVM算法。     

基于形态非抽样融合与DCT高阶奇异熵的液压泵退化特征提取

针对轴向柱塞式液压泵性能退化中振动信号非线性强、退化特征提取困难等问题,提出基于形态非抽样融合与DCT(Discrete Cosine Transform)高阶奇异熵的退化特征提取方法。在一般框架下提出形态非抽样小波融合方法,通过构建特征能量因子筛选各分解层近似信号,据融合规则实现双通道振动信号融合重构、改善重构信号的特征信息;并利用DCT高阶谱分析法对融合信号进一步处理,通过奇异值分解分别计算Shannon、Tsallis奇异熵作为液压泵性能退化特征向量;用仿真信号及液压泵实测振动信号验证该方法的有效性。