基于多方法结合应用的齿轮箱故障特征提取研究

基于振动信号分析的齿轮箱故障诊断的关键是实现对信号中故障特征的提取.由于在工程实际中采集到的齿轮箱振动信号含有较强的噪声干扰,所以单一的信号分析方法难以实现对故障特征的提取.因此将两种或两种以上方法相结合应用于齿轮箱振动信号的处理成为当前的研究趋势.为研究将不同方法相结合应用于齿轮箱故障信号特征提取的优势,对大量文献的研究成果进行了归纳整理.综合分析发现:将多种方法结合应用于齿轮箱振动信号特征提取,可有效避免单一方法的局限性,充分发挥不同方法的优势.总结了在齿轮箱故障诊断领域中分别以频谱分析为基础和以非线性理论为基础的将不同信号处理方法结合应用于齿轮箱故障特征提取的现状,最后针对多种方法结合应用于齿轮箱故障诊断的发展趋势提出了建议.     

基于多重分形的齿轮故障特征提取方法

为提取齿轮的故障特征,提出利用多重分形谱参数来表征齿轮振动信号特征的方法.运用多重分形理论对实测的齿轮振动信号进行分析,计算了振动信号的多重分形谱参数,并对齿轮振动信号多重分形谱参数的变化规律进行了研究.结果表明:齿轮工作状态不同,振动信号的多重分形谱参数△a、△f及fmax发生明显变化.当齿轮出现断齿故障时,△a、△f和fmax均显著增大.多重分形谱参数可定量刻画振动信号的特征,成功识别齿轮断齿故障.     

基于小波包能量及高阶谱的特征提取方法

针对广泛存在的油气管道周边安全问题,研究了管道周围地面活动目标产生的震动信号的特性,提出了一种基于小波包能量谱和信号高阶谱分析相结合的特征提取方法来区分不同的活动目标.根据目标产生的地面震动信号是非平稳的特点,采用基于小波包分解能量的方法对信号的各频带进行分解,得到信号在不同频带内的能量分布特性.仅根据能量谱并不能完全区分不同类型信号,通过对信号高阶统计特性的分析,提取出高阶谱特征频率,结合这两种方法提取出的特征作为神经网络的输入向量进行模式识别.通过对实验数据进行分析,单独采用小波包能量特征其平均识别率为88.5%,而采用本文提出的方法平均识别率可以提高到94.6%,验证了文中提出方法的有效性.     

基于VMD-熵方法的管道信号特征提取方法

由于仪器设备工作以及室外环境等因素的影响,采集的管道信号中会存在一定的随机噪声,使原始信号失去本身特征,导致无法对管道信号进行准确识别,为此,提出一种基于变分模态分解(VMD:Variational Mode Decomposition)算法-熵方法的特征提取方法。首先基于VMD算法对采集的管道工况信号进行去噪处理,然后从能量、冲击特性、时间序列复杂性3个角度全面提取不同工况下的信号特征,分别计算3种工况信号重构后信号的能量熵、峭度熵以及模糊熵,最后建立特征向量输入到极限学习机中进行工况识别。实验结果表明,该特征提取方法相比其他特征参数能更加准确地分类识别管道工况信号,识别率达到98.33%,证明该方法对管道泄漏信号分类识别的可行性。     

CEEMDAN自适应阈值去噪算法在地震方向的应用

提出一种基于自适应完备集合经验模态分解(CEEMDAN,complete ensemble empirical mode decomposition with adaptive noise)的自适应阈值去噪算法。含噪信号经CEEMDAN算法分解成若干个模态分量(IMF,intrinsic mode functions),根据样本熵理论,对IMF分量中高频分量自适应选取,根据噪声和有用信息与原始信号的相关性不同,对高频分量中的噪声系数定位,利用能量熵选取噪声主区间,用高频分量中噪声主区间的噪声系数方差作为阈值,对高频分量进行阈值去噪,进一步去除噪声,保留高频中的有用信息,最后将信噪分离的高频分量和低频分量重构。分别对合成和实际地震信号去噪处理,并与常规去噪算法进行对比。数据仿真和实验结果表明,在原始信号信噪比为0.5dB时,常规与改进算法去噪后信噪比分别为4.55dB和9.97dB,大幅提高信噪比,达到随机噪声压制的目的,实现了高频分量的自适应选取和高频分量中有用信息的再提取。     

基于MCKD与CEEMDAN的声信号故障特征提取方法

在双转子轴承状态监测与故障诊断中,信号传递路径复杂,很难通过加速度传感器直接获得信号,而声音信号有非接触式测量的优势,包含大量特征信息.为了能够准确、有效地通过声音信号实现滚动轴承故障诊断,检测出轴承故障,提出了基于自适应噪声完备集合经验模态分解(CEEMDAN)和最大相关峭度解卷积(MCKD)的滚动轴承故障诊断方法.首先运用最大相关峭度解卷积方法增强轴承故障声音信号中的冲击,然后对处理后的信号进行CEEMDAN处理,计算每个经验模态分量的峭度值,根据峭度值选取最优分量并求Hilbert包络谱,以准确提取故障特征频率.文中采用该方法基于声音信号实现滚动轴承故障诊断,为提取最优分量提供了理想筛选标准,一定程度上降低了故障诊断的复杂程度,具有良好的自适应性.     

小波方差与小波熵在信号特征提取中的应用

讨论了单一尺度下的小波方差,并结合信息论中信息熵的定义和物理意义,进一步引进了多尺度下的小波熵;分别以频率突变和幅度突变两种仿真信号为对象,分析了小波方差与小波熵在反映随机信号统计特征方面的特点;最后,以一类钻井信号为例,分别利用两种方法分析和提取了信号在强噪声环境下的脉冲特征。仿真和实例说明,相对于小波方差对尺度选择的依赖,小波熵可以综合各尺度的信息,能够从整体上更有效地提取信号特征。     

基于组合模量S变换能量熵的配电网故障选线方法

针对目前含逆变型分布式电源配电网故障选线方法无法在各种故障类型下准确选线的问题,提出一种利用组合模量特征结合S变换算法和信息熵理论的有源配电网故障选线方法。提取配电网各出线端的电流信号,通过组合模量行波电流变换以消除在不同故障类型下故障特征失效的情况;将组合模量行波电流进行S变换以提取故障信号处的幅值和相角信息,结合信息熵理论通过故障信号最大幅值处的短窗数据在多频段下求取各条出线的多尺度能量熵;通过故障线路与非故障线路之间能量熵差值的实例分析,选取差值最大的频段作为求解能量熵的固定频段以减少运算量;以各条出线固定频段下的熵值大小作为判据来定位故障线路。数值仿真结果表明,该方法对各种故障类型均能准确地选出故障线路,且不受故障初始角、故障距离以及过渡电阻的影响,特别是在高阻情况下仍然能够实现准确、高效的故障选线。     

熵、信息和能量

从物理学角度探讨了熵、信息熵、信息概念的物理含义,并在此基础上研究了熵、信息、能量的区别和联系。     

基于DOST能量相对熵的配网单相接地故障选线方法

针对小电流接地故障中,不同类型配电线路故障特征频带能量分布不一致的情况,提出一种基于离散正交S变换与能量相对熵的故障选线方法。首先提取各线路故障后首半个工频周波的暂态零序电流,利用离散正交S变换计算暂态零序电流各频带的变换系数及各频带暂态能量,结合能量相对熵对两个波形细微区别的识别能力,分别获取各线路在不同频带的能量相对熵,并综合得到每条线路的综合能量相对熵,据此熵值大小进行故障选线。Matlab仿真表明该方法不受接地电阻、故障初始角、故障距离等条件的影响,在间歇性电弧故障时仍然可准确实现线-缆混合线路单相接地故障选线。     

基于原子能量熵和CSM的配电线路故障分类方法

针对配电线路上的故障分类问题,提出了一种结合原子能量熵和连续字符串匹配(CSM)的故障分类方法.通过分析故障信号的暂态特征,利用原子分解法得到故障暂态信号的主导原子以及对故障信息进行补充的次级原子,计算原子能量熵作为故障特征量,较完备地描述了故障特征.应用CSM进行故障分类节省了智能算法故障辨识中参数选择和优化的时间,通过建立的编码规则,将故障特征进行编码,搜索故障编码库,最终确定故障类型.通过仿真研究,验证了该算法的可行性与有效性.     

基于随机共振的振动故障特征提取及可分性分析

为提高故障特征提取的准确性,将随机共振算法用于振动信号的预处理,在此基础上进行故障特征的提取。首先介绍了随机共振的降噪原理,并对适用于大参数信号的变尺度随机共振进行了分析,提出一种快速的频率压缩比R的寻优方法;为了验证本文提出的特征提取方法,分别提取了基于时域、频域和时频域的振动故障特征集;最后,应用类内类间离散度指标对故障集的分类性能进行了分析。分析结果表明,由随机共振输出信号提取得到的特征集的分类指标要明显优于原始信号提取的特征集,特征提取的准确性得到显著提高。     

一种基于压缩感知和小波信息熵的滚动轴承特征提取方法

为降低滚动轴承在线监测和故障诊断过程中振动信号采集、传输、存储和处理负担,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的滚动轴承特征提取方法,用于滚动轴承故障诊断。应用部分哈达玛矩阵采集振动信号实现压缩,通过小波包分解提取滚动轴承状态特征,计算其小波信息熵作为故障诊断特征。在标准数据集上进行振动信号特征提取,并采用四种分类方法完成故障诊断实验,结果表明本文特征提取方法能够在较高的数据压缩率条件下,保持较高的故障诊断精度,适用于滚动轴承在线监测和故障诊断。     

基于代数方法的图像特征抽取和识别

该文对文献（３）中的相似度计算了改进,用低维矩阵替代高维矩阵进行计算,先证明没有改变原有图像矩阵的相似度,然后用新方法和原方法解决一组人脸图像识别问题,实验结果表明,新方法大大减少了计算量,又能保持稳定的识别率,具有较高的识别效果。     

基于一种自适应核学习的KECA子空间故障特征提取

核属性约简方法对于去除冗余信息,调整数据非线性结构具有独特的优势.针对航空电子设备故障诊断中有效特征提取困难,核属性约简方法中核函数与核参数选择繁琐等问题,提出了一种基于自适应核函数优化学习的核熵元分析（kernel entropy component analysis,KECA）特征提取方法.首先针对一种自适应核函数基于改进的Fisher核矩阵测量准则建立了一种面向多分类任务的核函数优化框架,然后将优化结果与KECA相结合,通过在KECA特征子空间中选择对输入数据Renyi熵估计有较大贡献的核矩阵特征向量来实现故障特征提取.实验结果表明,本文方法不仅提升了分类精度,而且对噪声具有一定的抑制作用,具有良好的泛化性能.      

基于提升方法的小波构造及早期故障特征提取

针对机械信号早期故障特征的提取问题，提出了一种根据故障特征波形的特点来构造相应小波的方法．该方法以提升方法为基础，通过对初始双正交滤波器组进行提升和对偶提升，来获得不同的提升算子和对偶提升算子，从而构造出具有理想特性的新小波．提取提升后小波分解的高频细节信号在每个信号工作周期中的模极大值，来确定信号发生微弱突变的时刻和位置．工程振动信号分析表明，同其他类型的小波相比，用提升方法构造的小波能更好地匹配机械信号故障特征波形，因此较理想地提取出了某炼油厂重催机组转子不平衡、轴系不对中和轻微碰摩的故障特征．     

基于局域判别基空间能量的特征提取

针对模式识别中如何提取信号有效特征的问题,对信号进行小波包分解,求取小波包局域判别基,提出求取局域判别基的各子空间的能量,形成特征矢量的特征提取方法。利用Fisher准则函数进行特征选择,得到识别特征矢量。在水声模式识别实例中应用此方法提取特征矢量进行分类实验,取得良好的分类效果,验证了该方法的有效性。     

旋转机械振动信号处理中的滤波及特征提取技术

在广泛调研国内外旋转机械振动信号处理技术研究的基础上,针对振动信号处理中的滤波和特征提取技术进行了较为详细的回顾和总结,分析了各种滤波和特征提取方法的优缺点．文中调研和总结的研究方法和技术,可为大型旋转机械振动检测与故障诊断研究提供参考．     

基于熵权法的过滤式特征选择算法

互信息过滤式特征选择算法往往仅局限于互信息这一度量标准.为规避采取单一的互信息标准的局限性,在互信息的基础上引入基于距离度量的算法RReliefF,从而得出更好的过滤式准则.将RReliefF用于分类任务,度量特征与标签的相关性;应用最大互信息系数(maximal information coefficient,MIC)度量特征与特征之间的冗余性、特征与标签的相关性;最后,应用熵权法为MIC和RReliefF进行客观赋权,提出了基于熵权法的过滤式特征选择算法(filtering feature selection algorithm based on entropy weight method, FFSBEWM).在13个数据集上进行对比实验,结果表明,FFSBEWM所选择的特征子集的平均分类准确率和最高分类准确率均优于其他对比算法.