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。     

信息熵融合的PSO‑SVC涡旋压缩机故障诊断

针对涡旋压缩机振动信号的不稳定性及难以获取大量故障样本的问题,提出了一种信息熵融合与粒子群优化（particle swarm optimization,简称PSO）的支持向量回归（support vector classification,简称SVC ）涡旋压缩机故障诊断方法。通过奇异谱熵和功率谱熵分析,分别提取振动信号时域与频域特征,采用变分模态分解（variational mode decomposition,简称VMD ）能量熵衡量故障振动信号时?频域特征,利用因子分析融合奇异谱熵、功率谱熵和能量熵值得到单一评价指标特征向量。将评价指标作为PSO-SVC模型的输入,通过训练建立PSO-SVC涡旋压缩机故障分类模型。实验结果表明,该方法在小样本情况下,仍能有效地对涡旋压缩机4种典型故障类型进行分类,准确率达到94.5%。     

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.     

飞机发动机转子振动特征提取方法诊断

在研究航空发动机振动机理和分析转子故障对应的振动信号特征的基础上,采用经验模态分解方法对发动机机壳上测得的振动信号进行分解。由于振动信号的时频特性可以更有效地揭示转子故障,因此它被用于时频域以提取振动特征。首先将转子振动信号与EMD的固有模式函数的能量状态及其与原始信号的相关性进行比较。然后,在确定IMF包含的主要故障信息的基础上,分别在时域,频域和时频域评估三种信息熵。最后,转子故障诊断的特征向量由每个IMF计算得到的三个信息熵值和小波包分解得到的小波包空间特征的谱熵构成。结果表明,基于时频分析的经验模态分解方法能够有效地提取非平稳故障信号的特征向量。这为航空发动机转子故障诊断中的振动分析提供了一种系统的定量特征选择方法。     

基于信息熵贴近度和证据理论的旋转机械故障诊断方法

从信息融合的思路出发,建立反映振动能量的旋转机械故障状态的信息熵特征,如奇异谱熵、功率谱熵、小波空间状态特征谱熵和小波能谱熵。通过试验,建立了旋转机械典型故障下的信息熵期望值,即获得基于信息熵的故障诊断标准特征向量。由于传感器的不确定性和故障的多样性,提出采用D-S证据理论来对4种信息熵进行信息融合。根据越相似模式间的距离越短的思路,提出采用信息熵贴近度来建立证据理论的基本可信度分配,以基于基本可信数的决策方法来作为故障模式识别方法。通过实例计算,证明基于信息熵贴近度和证据理论的旋转机械故障诊断方法是故障模式定量识别的一种可行的新方法。     

基于信息熵和α稳定分布的滚动轴承故障诊断方法

为了更快、更准确的对滚动轴承的故障状态进行诊断,提出了一种结合信息熵(information entro-py,IE)和α稳定分布(alpha stable distribution,ASD)参数的特征融合方法IE-ASD,基于振动信号对滚动轴承进行故障诊断.首先提取振动信号的时域、频域和时-频域的四种IE(奇异谱熵、功率谱熵、小波空间特征谱熵和小波能谱熵)和估计ASD的四个参数,构建特征向量;然后,利用粒子群优化算法(particle swarm optimiza-tion,PSO)对支持向量机(support vectors machine,SVM)参数寻优,并用所构建的特征向量对其训练和故障诊断;最后,利用凯斯西储大学轴承数据库的数据验证该方法的有效性,并与由IE、ASD各自构建特征向量的诊断结果进行对比.结果表明:所提出的方法能精确的判断滚动轴承的故障位置,且比未进行特征融合的方法有更高的准确率.     

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.     

Application of time–frequency entropy method based on Hilbert–Huang transform to gear fault diagnosis

When faults occur in the gear, energy distribution of gear vibration signals measured in time–frequency plane would be different from the distribution under the normal state. Therefore, it is possible to detect a fault by comparing the energy distribution of gear vibration signals with and without fault conditions. Hilbert–Huang transform can offer a complete and accurate energy–frequency–time distribution. On the other hand, Shannon entropy could give a useful criterion for analyzing and comparing probability distribution and offer a measure of the information of any distribution. Targeting the feature of energy distribution of gear vibration signal, the merit of entropy and Hilbert–Huang transform, the concept of time–frequency entropy based on Hilbert–Huang transform is defined and furthermore gear fault diagnosis method based on time–frequency entropy is proposed. The analysis results from simulated signals and experimental signals with normal and defective gears show that the diagnosis approach proposed could identify gear status-with or without fault accurately and effectively. However, further study is needed to the classify gear fault pattern such as crack fault or broken teeth.     

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.     

一种频域特征提取自编码器及其在故障诊断中的应用研究

提出一种可以直接从振动信号中提取频域特征的非对称自编码器方法。与传统自编码器以重构振动信号作为目标输出不同,频域自编码器使用振动信号的频谱作为目标输出,这种非对称的自编码器可以学习振动信号与其频谱之间的映射关系,使得编码器可以输出频域特征。为了说明提出的频域自编码器的特征提取效果,在轴承数据集上进行特征提取和故障诊断实验,在没有引入标签信息的情况下,频域自编码器提取到的特征表现出较好的聚类效果,能够区分轴承的不同故障类型;进一步进行了泛化实验,训练分类器时使用1%的有标签样本,可以达到90%以上的故障分类准确率。实验结果表明,频域自编码器与传统自编码器相比,可以更好地提取振动信号的故障特征信息,具有一定的实用价值。     

全矢LMD能量熵在齿轮故障特征提取中的应用

齿轮故障信号具有非线性、非平稳特征,齿轮发生故障时,信号的能量结构随之改变,在不同的频带内能量不同。传统方法采用局部均值分解(LMD)提取振动信号的能量熵,将能量熵指标作为故障评判标准进行故障分类,依靠单一传感器信息源进行故障诊断,因而容易造成误诊、漏诊。全矢LMD能量熵法融合了双通道同源信息的回转能量,可降低故障误判率。通过实验模拟齿轮正常、齿根裂纹、断齿、缺齿等4种状态,验证了全矢LMD能量熵作为故障特征能达到很好的故障分类效果。     

基于局部平衡判别投影的旋转机械故障诊断方法

针对旋转机械故障数据的多类别、高维复杂特性导致的分类困难问题,提出一种基于局部平衡判别投影(LBDP)的故障数据集降维方法。从时域、频域和时频域多个角度提取转子振动信号的混合特征,构建原始高维故障特征集;通过LBDP选择出其中最能反映故障本质的敏感特征子集;将得到的低维特征子集输入到K近邻分类器(KNN)中进行故障模式辨识。通过一个双转子系统的振动信号集合验证了所提出方法的有效性,证明了该方法能够全面地提取出局部判别信息,使故障类别之间的差异性更清晰。