多传感器信息融合的滚动轴承振动性能研究

在变工况和多传感器条件下,分析滚动轴承振动性能的主要影响因素并进行排序.对采集到的数据样本进行均值归一化处理,运用最大熵法计算归一化样本的概率密度函数;基于概率密度函数交集法,求解载荷、转速等数据样本与振动数据样本的概率密度函数的重合面积;融合灰自助法和最大熵法,分析4个工位温度数据样本对轴承振动性能的综合影响度,最终...     

最大熵谱法在传感器动态建模中的应用

动态数学模型定量描述传感器输入与输出关系，是研究其工作机理的重要手段。本文用最大熵谱法，分别建立机器人腕力传感器，压力传感器和涡街流量计输出信号的自回归模型，理论结果与实测吻合。文中还对ＦＰＥ准则，最佳阶数和采样频率等进行了讨论。     

基于灰自助最大熵法的机床加工误差的调整

基于灰自助最大熵法,进行了机械制造工艺中输出的误差分布及机床加工误差调整研究。在分析误差分布时,首先运用自助法对当前少的信息量进行自助再抽样得到大量样本数据,然后利用灰色系统理论建立误差的灰自助动态预报模型GBM(1,1),最后用最大熵法获得了输出误差的概率分布。根据输出误差的概率分布,对机床的加工误差进行调整,使加工的产品误差满足要求。计算机仿真和实际案例的研究表明,灰自助最大熵法能够对机床进行准确调整,且预报准确率高。     

基于多尺度熵与SOM神经网络的滚动轴承故障识别

滚动轴承故障识别是实现视情维修的基础。针对滚动轴承出现故障时振动信号表现出的非平稳性和非线性,提出了一种基于多尺度熵(Multi-scale Entropy, MSE)和自组织特征映射(Self-organizing Feature Maps, SOM)神经网络的滚动轴承故障识别方法。该方法通过提取滚动轴承振动信号中不同故障状态下的MSE作为SOM神经网络的输入,通过SOM神经网络进行识别,得出轴承的不同故障及故障程度。通过实验表明提出的方法能有效地实现滚动轴承故障类型以及故障程度的智能识别。     

基于改进多尺度模糊熵的滚动轴承故障诊断方法

滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采用滑动均值的方式代替粗粒化过程,提出了改进的多尺度模糊熵算法,并通过仿真信号将其与MFE进行了对比分析。在此基础上,提出了一种基于改进多尺度模糊熵与支持向量机的滚动轴承故障诊断方法。最后,将所提故障诊断方法应用于的滚动轴承实验数据分析,并与基于MFE的故障诊断方法进行了对比,结果验证了所提方法的有效性和优越性。     

基于冲击脉冲法诊断滚动轴承故障的研究

在分析冲击脉冲诊断原理、实施要点和轴承状态判别的基础上,从不同的侧面去展示和研究滚动轴承的振动特征。揭示了机器在不同运行状态下,轴承的状态及故障的原因和部位。为滚动轴承振动物理本质的诊断研究提供了可靠的分析技术。     

基于EEMD和多元多尺度熵的风力发电机组滚动轴承故障特征提取

为了降低风力发电机组滚动轴承信号的噪声和进行多信道数据处理,提出了一种基于EEMD和多元多尺度熵的特征提取方法。利用EEMD算法对多信道的原始声发射信号进行分解获取无模式混淆的IMF,通过敏感度评估算法选取反应故障特征敏感的IMF进行多元多尺度熵分析,由单因素方差分析选择最优尺度对应的多元样本熵作为各种故障的特征值。通过从实验台采集得到正常、轻微损伤和断裂3种状态的样本数据,与多种特征提取方法相比较和SVM算法分类分析,证明了所选择故障特征量的准确性,同时也验证了所提出的滚动轴承故障特征提取方法的有效性和准确性。     

基于多尺度熵和神经网络的滚动轴承故障诊断

滚动轴承是机械设备中最常用的零部件之一,其运行状态直接影响整机性能。文章针对滚动轴承故障振动信号具有跨尺度复杂性的特点,提出了一种新的基于多尺度熵(Multiscale entropy,简称MSE)和BP神经网络的滚动轴承故障智能诊断模型。该模型首先利用MSE方法对滚动轴承不同健康状态下的振动信号进行特征提取,再将其作为BP神经网络的输入,实现网络训练,最后利用神经网络自动识别故障类型及故障程度。实验结果表明,该方法能有效地实现滚动轴承故障类型及程度的智能诊断,并具有对网络初始值不敏感及较低的误报率和漏报率等优点。     

基于多尺度熵的滚动轴承Elman神经网络故障诊断方法

针对滚动轴承故障振动信号具有跨尺度复杂性的特点,提出了一种新的基于多尺度熵(multiscale entropy,MSE)和反馈式Elman神经网络的滚动轴承故障诊断方法。该方法利用MSE对滚动轴承不同健康状态下的振动信号进行故障特征提取,并将其作为Elman神经网络的输入,利用Elman神经网络自动识别轴承所属的故障类型及故障程度。实验数据包括不同故障类型和不同故障程度样本,结果表明提出的方法能有效地实现滚动轴承故障类型以及程度的智能诊断,效果优于前馈式概率神经网络(Probabilistic neural network,PNN),并具有较低的虚警率和漏警率。     

滚动轴承故障的振动信号诊断方法

针对滚动轴承损伤类故障振动信号的特点,充分利用HMM、SVM在序列行为的分类和小样本方面的优势,把SVM的输出转化为HMM中观察值概率矩阵模型,建立了动态过程时间序列分类器,提高模型的学习速度和分类性;基于对包络解调信号提取AR模型参数构建的用于训练和故障识别的特征矢量,提出了一种基于SVM-HMM混合算法的滚动轴承故障诊断方法.将该方法应用到滚动轴承故障诊断中取得了较好的效果.     

基于LMD能量熵的滚动轴承故障特征提取

为了对滚动轴承运行状态进行有效的判断,利用局部均值分解(LMD)对滚动轴承振动信号进行分解,将复杂的多分量信号分解成多个单分量信号;针对分解后的单分量信号在各频域范围分布不均匀特点,利用LMD能量熵提取出滚动轴承振动信号的故障特征。实验结果表明,LMD能量熵具有较强的信号表征能力,可以有效提取出滚动轴承故障特征。     

滚动轴承早期故障的多源多方法融合诊断技术

为了使滚动轴承故障的诊断效果更好,提出基于振动信号的滚动轴承多源多方法融合诊断技术。在融合方法中考虑小波分析、时延相关解调法和希尔伯特-黄变换(HHT)3种方法,采用3个传感器测试轴承座加速度,得到多源振动数据。利用3种方法得到的滚动轴承故障特征值,研究了9种融合方案,并利用支持向量机(SVM)进行了特征融合,讨论了不同方法和数据融合的诊断效果。经过实验验证和融合方案比较,表明了融合诊断方法的可行性和有效性     

多尺度排列熵及其在滚动轴承故障诊断中的应用

引入多尺度排列熵（MPE）的概念,用来检测振动信号不同尺度下的动力学突变行为,并将其应用于机械故障诊断中滚动轴承故障特征的提取,结合支持向量机(SVM),提出了一种基于MPE和SVM的滚动轴承故障诊断方法,将新提出的滚动轴承故障诊断方法应用于实验数据分析,并通过与BP神经网络对比,结果表明,该方法能够有效地提取故障特征,实现故障类型的诊断。     

基于小波包样本熵的滚动轴承故障特征提取

将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性.     

最小熵反褶积的数学形态法在滚动轴承故障特征提取中的应用

针对强噪声背景下滚动轴承故障特征提取,提出了基于最小熵反褶积的数学形态法。该方法先应用最小熵反褶积算法加强信号中的冲击特性,再利用数学形态法进行故障特征提取,其中选取具有双向脉冲提取能力的DIF滤波器作为形态算子,并以峭度值作为结构元素长度选取依据。仿真信号和滚动轴承的内外故障实例分析表明该方法具有较好的特征提取效果。通过对比发现:最小熵反褶积算法能够增大信号中峭度值,有效加强信号脉冲特性。     

基于流形-奇异值熵的滚动轴承故障特征提取

提出一种基于流形-奇异值熵的滚动轴承时频故障特征提取方法。首先,在HHT(Hilbert-Huang transform,简称HHT)时频分析基础上,应用二维流形方法提取信号流行成分以达到对轴承故障特征进行降维和提取敏感参量的目的;然后,定义了奇异值熵来定量衡量不同故障状态下流行成分的差异;最后,将流形奇异值向量与概率神经网络相结合,有效实现了轴承故障样本分类。与一般的考虑欧式空间全局范围最优值的主分量(principal component analysis,简称PCA)方法及以向量为研究对象的一维流形方法不同,该方法直接以二维信息为研究对象,避免了一维流形算法需将二维信息转化为向量带来的信息损失,与PCA方法相比更能发现隐藏在高维数据流形结构中的局部数据特征。工程信号分析验证了该方法的有效性,为准确提取滚动轴承故障特征提供了一种可靠手段。     

熵值法在滚动轴承选型灰色优化决策中的应用

运用灰色理论中的多目标局势决策方法对轴承的类型进行优选,根据要求的目标和用途对各种轴承类型的评价因素进行了研究和分析,引入熵值法来确定目标的权重.通过实例表明,添加熵值权重的多目标灰色决策方法是一种合理、可行、有效的新型决策方法.     

基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法

为克服多尺度样本熵的不足,更精确地提取滚动轴承非线性故障特征,将一种新的非线性动力学分析方法--精细复合多尺度散布熵引入到滚动轴承的故障特征提取。在此基础上,提出了一种基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断新方法。通过滚动轴承实验数据分析,将所提方法与基于多尺度样本熵和多尺度散布熵的故障诊断方法进行了对比,结果表明：所提方法不仅能精确地识别滚动轴承故障类型和故障程度,而且故障识别率高于另两种方法。     

基于二元多尺度熵的滚动轴承退化趋势预测

针对轴承振动信号随机噪声干扰大、多尺度熵表征轴承退化趋势偏差大的问题,提出了一种基于二元多尺度熵的滚动轴承退化趋势预测方法。首先对滚动轴承振动信号进行局部特征尺度分解,采用多元多尺度熵理论对二阶信号进行计算,提取了二元多尺度熵特征。然后采用互信息法和假近邻法对算法中的嵌入维数和延迟向量等参数进行了优化。最后采用极限学习机预测模型对二元多尺度熵退化趋势曲线进行预测,并对比了不同激活函数的预测性能。结果表明,相对于传统多尺度熵,二元多尺度熵偏差较小;激活函数为sigmoid时极限学习机模型预测精确度较高。