基于小波包散布熵与Meanshift概率 密度估计的轴承故障识别方法研究

为提升轴承故障特征提取精度和运行状态评估准确性,提出一种基于小波包散布熵与Meanshift概率密度估计的诊断方法.首先,采用小波包变换对轴承振动信号数据进行升维,通过计算每个子带的散布熵构建特征矩阵;然后,利用PCA对多维矩阵进行可视化降维,采用Meanshift无参估计得到训练样本的概率密度最大位置作为聚类中心;最后,通过计算测试样本散布熵坐标与各聚类中心的欧式距离判定测试样本类别归属.采用CWRU和QPZZ-II轴承实验台不同故障类型和故障程度样本数据对所提方法进行验证,结果表明,得益于小波包完备的理论模型和信号频带分解稀疏性,结合散布熵指标对数据样本良好的鲁棒性,所构造的特征矩阵具有较好的类内聚集性和较大的类间距离,同时,Meanshift以概率密度最大化为目标自适应迭代聚类中心和隶属度,可以有效实现对不同数据样本的分类识别.     

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。     

基于多尺度熵和支持向量机的局部放电模式识别

为了准确、可靠地有效识别电力变压器中绝缘劣化的严重程度和局部放电的位置,本文提出一种基于多尺度熵特征提取方法,采用支持向量机对放电类型进行模式识别。首先,利用多尺度熵对放电信号从定性和定量两个角度有效提取特征放电信号特征量;其次,将获得的特征信号输入支持向量机对放电类型进行模式识别。实验结果表明,该方法可以有效提取局部放电信号特征量。     

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法.通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型.实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断.     

采用滑动平均多元多尺度色散熵的液压泵故障诊断方法

为了提高色散熵的信息提取能力，在兼顾计算效率和效果的前提下，引入多维嵌入重构理论，借鉴滑动平均的思想，更新了传统多尺度算法的粗粒化方式，提出了滑动平均多元多尺度色散熵(moving average multivariate multiscale dispersion entropy，MA_mvMDE)用以提取液压泵故障特征。首先，利用均匀相位经验模态分解（uniform phase empirical mode decomposition，UPEMD）将振动信号分解为多个本征模态分量（intrinsic mode functions，IMF），再采用相关系数法筛选敏感分量，将包含大量故障信息的模态分量作为多通道数据计算其MA_mvMDE值来提取故障特征。接着，采用MCFS方法选择故障敏感特征实现降维。最后，通过随机森林分类器完成故障识别。采用液压泵故障振动数据验证了该方法能够准确诊断不同类型和不同程度的故障。     

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.     

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.     

多尺度排列熵在涡旋压缩机故障诊断中的应用

针对传统的单尺度信号分析在故障特征的表达上有很大的局限性,引入多尺度排列熵,对不同尺度下的涡旋压缩机振动信号进行了定量分析,并通过马氏距离实施故障诊断.实验结果表明,与单尺度排列熵相比,多尺度排列熵能够对不同故障的复杂性进行准确的描述,反映了不同尺度下故障特征的变化趋势.此外,选择合适尺度下的排列熵作为故障诊断的特征参数,既节省了时间,又可以提高诊断的准确率.     

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.     

精细复合多尺度模糊熵在电机轴承损伤检测中的应用

针对电机轴承的损伤检测问题,本文提出一种基于精细复合多尺度模糊熵算法（RCMFE）和粒子群优化最小二乘支持向量机的诊断模型,通过提取振动信号中的关键特征有效识别轴承的运行状态.该方法以粗粒化过程和模糊熵的优化改进算法,克服了传统多尺度模糊熵（MFE）因粗粒化尺度不断增大而引起的熵值不规则浮动、误差增加等缺陷.之后,结合电机轴承不同工况的振动数据进行实验验证.结果表明,相较于其他方法,RCMFE计算熵值的误差更小,一致性更强,且分类结果显示RCMFE获得了更高的诊断精度.     

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.     

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。     

天然气压缩机耦合故障的波动熵诊断模型

针对天然气压缩机耦合故障的定性及定量特征难以提取的问题,提出基于信息熵的故障诊断方法,提取机组振动信号构造能量谱向量,进而提取信号的波动熵特征作为识别参数建立耦合故障的波动熵诊断模型,并根据波动熵对耦合故障进行分类。研究结果表明:波动熵模型可准确诊断出压缩机的耦合故障;该模型无需提取信号局部细节特征,可解决故障特征提取及故障建模的复杂性难题,提高诊断的容错性和灵活性。     

城市配电网电缆故障诊断研究

电缆在配电网中的的使用越来越多,供电系统内部电缆出现问题的几率会变大.基于此,以电力电缆故障诊断为研究对象,采用小波奇异熵算法对电缆故障原始信号进行故障特征量提取,然后采用神经网络辨别电缆故障类型.仿真结果表明本方案能够准确辨别出故障类型,具有较高的精准度.     

基于小波和神经网络的多故障检测系统研究

研究了对离散序列进行小波变换后,再提取个各尺度下的离散细节信号的小波特征熵,并将小波特征熵作为序列的特征提交给神经网络进行分类的故障信号识别方法,通过计算距离可分性测度,从理论上说明了该方法的合理性,并从实践应用中证明了该方法的可行性.     

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。     

基于直觉模糊多属性决策的逆向物流供应商选择

逆向物流供应商选择是典型的多属性决策问题.针对逆向物流供应商选择问题的特点,提出一种基于直觉模糊熵的逆向物流供应商选择问题的直觉模糊多属性决策方法.在回顾相关基础理论知识基础上,建立了逆向物流供应商评价指标体系,给出了基于直觉模糊熵的评价指标权重的确定方法,然后运用直觉模糊加权平均算子对二级指标信息集结,得到逆向物流供应商选择问题的直觉模糊决策矩阵,提出了基于直觉模糊熵和TOPSIS法(逼近理想解的排序方法)的逆向物流供应商评价方法.最后通过数值分析验证了该方法的可行性与有效性.     

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

表面肌电信号的基本尺度熵分析方法

提出了一种基于基本尺度熵的表面肌电信号特征的提取方法.对动作持续阶段的信号进行基本尺度熵的计算,来获取肌电假手执行腕上翻、腕下翻、展拳和握拳4类动作时所对应的表面肌电信号特征.实验结果表明,通过这种方法获得的基本尺度熵能够聚集,在各自特定的范围内具有很好的类区分性,通过聚类可以有效地进行手部4种动作类别的区分.