基于层次逆向散布熵和WELM的滚动轴承故障诊断

滚动轴承的故障信息一般包含在振动信号中，如何有效地从原始信号中挖掘出故障信息，是机械设备健康状况检测和评估的关键.为此，本文提出了层次逆向散布熵特征提取方法，以提高故障诊断的准确性.该方法利用逆向理论解决了散布熵的不足，能从原始信号中获得更多的故障特征.其次，从时间序列中分层提取高频和低频分量，可以提高对动态特征的描述能力.仿真和实验分别证明了层次逆向散布熵的优越性.实验结果表明，本文方法在提取故障信息方面明显优于多尺度逆向散布熵、多尺度排列熵和多尺度样本熵.     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

基于多尺度排列熵和正则化RVFL的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀运行工况复杂,运行时产生的振动信号具有非线性、非平稳特性,导致信号特征提取困难,故障状态难以识别.为了提取单向阀运行状态的非线性动力学特征,提升故障诊断模型的识别精度和泛化能力,提出了一种基于多尺度排列熵（Multi-scale Permutation Entropy,MPE）和正则化随机向量函数链接（Random Vector Functional Link,RVFL）网络的单向阀故障诊断方法.首先,对工况下采集的单向阀振动信号进行变分模态分解（Variational Mode Decomposition,VMD）获得既定的若干本征模态函数（Intrinsic Mode Function,IMF）分量;然后,计算IMF分量的多尺度排列熵,构建表征单向阀运行状态的特征值向量;最后,基于运行状态的特征值向量,建立正则化随机RVFL的故障诊断模型,并应用于单向阀的运行状态监测与识别.实验结果表明,构建的故障诊断模型能够精确地识别单向阀的故障类型,准确率达到98.89%.     

HVDC换相失败小波故障诊断方法

将小波变换应用于高压直流输电(HVDC)系统换相失败的故障诊断中,基于多尺度分析分别对不同故障情况下的直流电流进行分解,并利用尺度能量和尺度熵这两种小波处理方法提取故障特征,分别定义两个故障诊断指标作为辨识各种故障的判据,然后针对这两个指标分别设置4个阈值以诊断直流线路故障和换相失败故障.仿真表明,在不同的HVDC系统故障情况下,暂态信号小波尺度能量和尺度熵的分布都具有一定的规律性,可分别作为判断系统故障的有效依据,提出的判据能准确地对换相失败故障做出诊断.     

基于多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有不同复杂性的特点,提出了一种新的基于多尺度熵(multi-scale entropy,简称MSE)和支持向量机的滚动轴承故障诊断方法.该方法首先利用MSE方法对滚动轴承不同类型振动信号进行故障特征提取,然后与样本熵方法对比说明MSE方法相对于样本熵方法的优势,最后通过适合小样本分类的支持向量机作为分类器来识别滚动轴承故障类型.对实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.     

基于EEMD多尺度样本熵的S700K转辙机故障诊断

针对S700K转辙机在运行过程中的故障诊断问题,提出一种基于集合经验模态分解(EEMD)的多尺度样本熵的信号分析及故障诊断方法。首先对S700K转辙机功率曲线进行EEMD分解,得到不同时间尺度的固有模态函数(IMF)分量,并提取每一个IMF分量的样本熵,由于样本熵能够有效区分不同信号的复杂度,故可获得转辙机不同状态下的特征参数。最后,利用这些不同运行状态下的特征参数构建特征模式矩阵,采用模糊聚类分析算法求解该矩阵的模糊等价矩阵。在模糊等价矩阵中,当λ(可变阈值)在[0, 1]范围内变动时,模糊等价矩阵转化为等价的布尔矩阵,由布尔矩阵可以得到动态聚类图并得到分类结果,从而实现故障诊断。研究结果表明:本文算法能准确提取故障特征且支持多种故障同时检测,有效提高了S700K转辙机故障诊断的精度与效率。     

多尺度时空信息融合驱动的图神经网络故障诊断方法

行星齿轮箱作为机械系统中常见的减速装置,由于长期在强噪声环境和变工况工作条件下运行,导致采集到的振动信号故障特征微弱、信号模式多变难以识别,针对行星齿轮箱故障诊断效果不佳,泛化能力差的问题,提出一种多尺度时空信息融合驱动的图神经网络故障诊断方法来提高故障诊断模型准确率和泛化能力。该方法首先构建多尺度卷积核对原始时序信号进行不同尺度特征提取,削弱强噪声信号对有效信息的掩盖作用并增强故障特征的表达能力;然后再构造通道注意力机制,根据通道特征重要程度,给不同尺度卷积核提取的特征自适应分配不同权重,对含有关键故障特征的信息片段进行特征强化;最后对卷积输出的多尺度特征,构造空域下的图数据并通过图卷积网络聚合多尺度特征,从而有效利用数据的时序多维信息和空域结构关联信息,实现多尺度下时空域故障信息的深度融合,提高诊断的准确精度和模型的泛化性能。通过利用具有行星齿轮箱结构的风电装备故障数据集对所提方法进行验证,并与其他深度学习方法（第一层宽卷积核深度卷积神经网（WDCNN）、长短时记忆网络（LSTM）、残差网络（ResNet）、多尺度卷积神经网络（MSCNN））进行比较,结果表明：本研究提出的方法在跨...     

基于谱熵梅尔积和改进VMD的轴承故障预警

针对传统轴承故障预警实时性较差、故障特征提取准确性影响预警效果的问题,将语音端点识别思想进行迁移,采用谱熵梅尔积特征的双门限法实时追踪故障起始点.为克服变分模态分解（variational mode decomposition,VMD）参数选取不当和端点效应对提取效果造成的影响,提出能量差网格搜索法对VMD进行参数寻优,并用支持向量回归机对端点效应进行抑制,结合多尺度加权排列熵在检测振动信号随机性方面的优势,充分发挥VMD对信号的重构能力,对起始点后的故障段进行特征捕捉.通过实际轴承故障信号的实验及数据分析,验证了该方法在轴承故障预警中的有效性.      

基于注意力机制BiLSTM的设备智能故障诊断方法

状态监测与故障诊断是保证机械设备安全稳定运行的必要手段.本文提出一种基于注意力机制双向LSTM网络(ABiLSTM)的深度学习框架用于机械设备智能故障诊断.首先,将传感器采集的设备原始数据进行预处理,并划分为训练样本集与测试样本集;其次,训练多个不同尺度的双向LSTM网络对原始时域信号进行特征提取,得到设备故障多尺度特征;再次,通过引入注意力机制,对不同双向LSTM网络提取特征的权重参数进行优化,筛选保留目标特征,滤除冗杂特征,以实现精准提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过利用发动机气缸振动实验数据和凯斯西储大学滚动轴承实验数据进行故障诊断实验,故障识别准确率均达到99%以上.实验结果表明,ABiLSTM模型可以实现对原始时域信号的多尺度特征提取和故障诊断,通过与深度卷积网络(CNN)、深度去噪自编码器(DAE)和支持向量机(SVM)等方法进行对比,ABiLSTM模型的故障识别性能优于各类常见模型.另外,通过利用凯斯西储大学滚动轴承在不同工况条件下的数据,对ABiLSTM模型进行泛化性能实验,变工况样本的故障识别准确率仍然能够达到95%以上.     

自适应多尺度形态学分析及其在轴承故障诊断中的应用

为解决强背景信号下冲击特征的提取问题,提出了一种自适应多尺度形态学分析方法.对于实际的待分析信号,分别定义长度尺度和高度尺度来确定多尺度形态学分析的结构元素,并基于信号的局部峰值实现自适应多尺度形态学分析.数值仿真实验分析表明,自适应多尺度形态学分析方法较单尺度形态学分析方法更利于提取信号的形态特征,避免了单尺度形态学分析在结构元素选择时的盲目性和对相关先验知识的依赖性.本文所提出的方法应用于轴承故障诊断,结果表明这种方法可以清晰地提取出各种特征信号.     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及基于多分辨分析的信号小波的分解算法 ,研究了信号局部奇异性在小波变换下的特性 ;根据故障信号的局部奇异性在小波变换下模的极大值及其在不同尺度上的传播特性 ,对 30 8型滚动轴承振动加速度故障信号进行分解 ,对故障特征信号进行时域定位 ,并提取了故障特征频率f=46 .88Hz,这与实际的故障特征频率相近 ,说明该方法适用于滚动轴承的在线监测和故障诊断     

VP型宽频带倾斜仪故障信号的BBA-SOM智能诊断

针对现有VP型倾斜仪故障诊断主要依靠人工经验和诊断流程较为复杂的问题,提出以互补集合经验模态分解(complete ensemble empirical mode decomposition, CEEMD)多尺度近似熵和二进制蝙蝠算法(binary bat algorithm, BBA)优化SOM神经网络参数的VP型倾斜仪故障诊断新方。首先,将归一化后的仪器故障信号进行CEEMD分解,对6阶本征模态函数(intrinsic mode function, IMF)求取多尺度近似熵值;然后将网络输入法按比例分为训练集和测试集,以训练集的识别率为适应度函数,应用二进制蝙蝠算法(binary bat algorithm, BBA)优化SOM神经网络的竞争层维数和网络训练次数;最后应用上述得到的BBA-SOM网络模型对倾斜仪故障特征数据进行辨识。实验表明：CEEMD多尺度近似熵判据对倾斜仪故障特征的区分效果符合预期;相对于朴素贝叶斯、AdaBoost集成学习与LDA等学习模型,BBA-SOM模型可以准确进行故障诊断;该方法对实现VP型倾斜仪故障的自动诊断有重要现实意义。     

自适应冗余多小波及其在故障诊断中的应用

针对机械设备在运行过程中萌生的故障尚在特征不明显、特征信息微弱且往往被机械设备运行过程中的强噪声所淹没等给故障特征提取与故障定位带来了很大困难,提出了自适应冗余多小波的故障诊断方法.基于Chui-Lian多小波,依据信号特点采用两尺度相依变换方法,以谱熵最小为优化目标、遗传算法为优化方法,实现了冗余多小波的自适应构造.同时,对振动信号进行了冗余多小波分解,从而实现了对故障的准确定位及特征提取.将提出的方法应用于滚动轴承的故障分析和烟汽轮机的碰摩故障诊断中,结果显示,该方法可以有效地提高对机械设备在运行中产生故障的诊断能力.对比结果表明,该方法明显地优于传统的傅里叶变换、Db6单小波变换和原始CL3多小波变换等方法.     

基于小波最优重构尺度的AUV推进器故障检测方法

针对采用传统小波方法检测外部干扰下自主式水下机器人(AUV)推进器故障时存在的故障检测灵敏度较低问题,提出一种基于小波最优重构尺度确定的AUV推进器故障检测方法,基于小波Shannon熵的小波最优重构尺度确定方法确定离散多层小波分解后细节系数的最优重构尺度,目的是滤除外部干扰等与故障无关信号,并选择故障信息含量最多的最佳重构尺度进行小波单支重构以识别AUV推进器故障特征.AUV实验样机水池实验结果表明,与传统小波方法相比较,所提方法故障检测灵敏度提高了27.78%.     

基于改进的本征时间尺度分解和基本尺度熵的齿轮故障诊断方法

针对齿轮振动信号的非线性、非平稳特征和难以获取大量故障样本的问题,提出改进的本征时间尺度分解方法(IITD)和基本尺度熵(BE)的齿轮故障诊断方法。采用IITD方法对齿轮振动信号进行分解,再对得到的前4个有意义的合理旋转(PR)分量计算其基本尺度熵,并将熵值作为特征向量输入支持向量机分类器,从而实现齿轮故障类别的诊断。实验结果表明,该方法能有效地实现齿轮故障类型的诊断。     

基于乘积函数相关熵的滚动轴承故障辨识方法

为了提高多工况下对滚动轴承的故障辨识能力,本文提出以乘积函数相关熵为故障特征的滚动轴承故障辨识方法,并利用最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)实现自动辨识.首先对预处理的轴承振动信号进行局部均值分解,提取乘积函数(Product Function,PF),然后计算PF与原始信号的皮尔逊积矩相关系数熵,进而根据离散变量相关熵的估计模型得到乘积函数相关熵(Product Function Correntropy,PFC).以PFC为故障特征,结合LSSVM实现滚动轴承的故障识别.多组工况下的滚动轴承状态辨识实验证实了PFC比经典故障特征具有更高的故障辨识效率;另外改变工况参数提取轴承振动数据,验证了PFC-LSSVM方法具有更好的鲁棒辨识能力.综上所述,本文验证了LMD-PFC-LSSVM方法的高效性和实用性,为提高复杂工况下在线故障诊断能力提供了可靠的技术支持,具有广阔的应用前景.     

采用多尺度注意力机制的旋转机械故障诊断方法

针对旋转机械故障诊断需要复杂特征提取过程,且对混有噪声的信号故障识别准确率偏低的问题,提出了一种基于注意力机制的多尺度端到端故障诊断方法。该方法在输入端引入随机丢弃抑制输入噪声,然后利用故障信号具有多个固有振动模态的特点,通过多尺度粗粒度层获取不同尺度下振动信号,进而利用全卷积网络实现多尺度特征提取,接着采用注意力机制将多尺度特征进行融合,最后利用多分类函数实现旋转机械故障诊断。分别在凯斯西储大学轴承数据集和变速箱数据集对该方法的有效性进行验证,结果表明:该方法的故障识别率高达100%;人为引入噪声信号的信噪比为-4dB时,在凯斯西储大学轴承数据集F上的故障识别正确率为84.77%,在齿轮箱数据集上的识别正确率为78.365%,识别正确率明显高于其他机器学习算法,证明了该方法具有较强的抗噪声干扰能力。     

基于多分量奇异熵的往复式压缩机故障分类

由于往复式机械振动信号的强烈非线性,对其进行特征提取较为困难.针对上述现象提出了一种计算信号多分量奇异熵的特征提取方法.通过局域波法提取出振动信号的各基本模式分量. 利用非线性动力学相空间重构理论适当选择嵌入维数与延迟时间,计算出往复机振动信号各基本模式分量的奇异熵值,提取出故障信息,并经自适应神经模糊推理系统(ANFIS)对故障特征进行分类.结果表明全部分类正确,达到了故障诊断的目的.     

本征时间尺度排序熵及其在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳、非线性特性,将经验模态分解方法和排序熵有机结合,提出一种新的基于自适应尺度的复杂度参数——本征时间尺度排序熵,用于描述不同本征模态分量的复杂程度,从而实现故障特征的量化描述。首先,将原始振动信号经过EMD分解得到若干本征模态分量,然后分别对各本征模态分量计算排序熵,即可得到不同本征时间尺度排序熵,最后利用该参数实现不同故障状态的有效区分与识别。实例分析结果表明了该方法的有效性和实用性,从而为机械设备状态监测与故障诊断提供了一种有效途径。     

基于参数优化变分模态分解与支持向量机的齿轮箱故障诊断

齿轮箱故障振动信号具有非线性、非平稳的特点,在故障早期难以实现故障特征的提取和故障类型的识别。本文提出磷虾群算法（krill herd algorithm, KHA）-变分模态分解（variational mode decomposition,VMD）-多尺度排列熵（multi-scale permutation entropy,MPE)与支持向量机(support vector machine,SVM)相结合的齿轮箱故障类型识别算法。首先对采集到的齿轮箱振动信号利用KHA优化的VMD进行分解,选取有效分量进行重构,然后求取其MPE作为特征向量,最后将特征向量输入SVM进行故障类型的识别。通过实测数据的分析表明,故障类型识别准确率达到了99.14%,该方法在机车车辆、发电机组等装备的齿轮箱状态监测和故障诊断中具有一定的参考价值。