多尺度熵方法在机械故障诊断中的应用研究进展

机械设备状态监测与故障诊断的关键是故障特征的表征与提取,采用基于熵及相关方法建立的非线性动力学指标能够提取蕴藏在振动信号中的非线性故障特征信息。自熵方法引入以来,通过不断修改和改进来提高熵估计的准确性,多尺度熵进一步拓展了时间序列其他尺度上包含的复杂度信息,其在设备状态监测与故障诊断中得到广泛应用。本文对单一尺度熵及多尺度样本熵、多尺度模糊熵、多尺度排列熵和多尺度散布熵等多尺度熵方法在机械智能故障诊断中的应用进行综述,总结不同方法的特点优势与不足;针对多变量数据处理问题,综述由单变量推广到多变量的多元多尺度熵的应用发展过程。最后结合多尺度熵相关方法在机械智能故障诊断中面临的问题与挑战,对未来发展方向进行展望,即在工业大数据应用、故障机理、可解释性角度构建基于熵的深度学习模型。

基于自适应深度残差网络的旋转机械故障诊断方法

针对深度残差网络无法在噪声环境下精确诊断的问题,提出了一种基于直接快速迭代滤波(direct fast iterative filtering,DFIF)和自适应深度残差网络(adaptive deep residual network,AResNet)的方法,并将其应用于噪声环境下旋转机械的故障诊断中。首先,在采集的振动信号中增加不同强度的噪声,再经DFIF分解得到若干个本征模态函数(intrinsic mode function,IMF)分量,选取综合评价指标值最小的IMF分量作为输入样本;其次,提出了自适应残差单元(adaptive residual building unit,ARBU),ARBU通过计算各个通道的最优系数,自适应地放大故障敏感特征和抑制无关特征,能够更好地替代传统的残差单元;最后,基于ARBU构造AResNet,输入样本经过AResNet得到故障诊断结果。将所提方法应用于噪声背景下旋转机械的故障诊断中,在两个不同数据集中进行了验证。研究结果表明,与现有方法相比,所提方法具有更高的噪声鲁棒性、稳定性和更优的计算效率,且能够更好地解决旋转机械在噪声背景下故障特征难以有效挖掘的问题。

面向类不均衡数据的多任务博弈概率分类向量机

在工程实际中获取的故障样本往往会呈现不均衡特点,同时传统的分类模型也会存在局限性。针对这些问题,基于稀疏贝叶斯理论、模糊隶属度等理论,提出了一种多任务博弈概率分类向量机(MGPCVM)分类方法。首先,在MGPCVM的目标函数中,设计了博弈因子,将不同类样本质心间的博弈信息赋予每个样本特定的样本质心敏感值,以解决传统分类器对不平衡数据集分类表现较差的问题;然后,在贝叶斯框架理论下,采用截断高斯先验分布的方法,使样本参数的正负与对应的标签信息相一致,且使样本质心敏感值产生了稀疏估计;最后,将MGPCVM方法应用于两种不同实验平台采集的滚动轴承实验数据处理,进行了故障诊断有效性验证。研究结果表明:在不同的不平衡比(IR)下,MGPCVM方法的准确率均保持在95%以上,相对于支持向量机(SVM)、概率分类向量机(PCVM)等方法提升了4%~8%;与典型向量式分类方法相比,MGPCVM方法可以在不平衡数据条件下表现出优越的分类性能,适用于实际工况中数据失衡的分类问题。

自适应精简经验Ramanujan分解及其在复合故障诊断中的应用

Ramanujan傅里叶模态分解采用低频向高频扫描的方式获取分量信号,易出现过量分解和信息分散的现象,致使分解分量不具有单一完整的状态信息.为了解决上述问题,论文提出了一种自适应精简经验Ramanujan分解(Adaptive Concise Empirical Ramanujan Decomposition,ACERD)方法.在ACERD方法中,采用功率谱密度获取分割频带,旨在进行准确的频带划分.同时,利用Ramanujan傅里叶变换提取每个分割频带所对应的模式分量,提高周期分量的识别能力,并获得具有单一周期特征信息的模式分量.通过复合故障仿真信号和实测信号分析,结果表明:ACERD方法具有优异的频带分割和周期脉冲特征提取能力,适用于复合故障诊断.

变转速极低标签率下旋转机械故障诊断的图注意力网络

在极低标签率情况下,现有的图神经网络(graph neural network,GNN)在图构造时存在节点间的关联信息挖掘不充分等问题。工业生产中,旋转机械常工作在变转速工况下,且标记故障样本代价高昂。针对上述两个问题,基于JS(Jenson-Shannon)相对熵和动态图注意力网络(dynamic graph attention network,DGAT),提出了一种熵-图注意力网络,并将其应用于极低标签率下变转速工况的旋转机械半监督故障诊断中。首先,设计了基于JS相对熵的图构造方法,用于充分挖掘GNN中样本间的关联信息。其次,构建基于熵-动态图注意力网络的半监督学习模型,通过动态注意力机制进一步挖掘样本中故障敏感特征。最后,将所提方法在变转速工况下轴承和齿轮箱数据集上进行验证,结果表明所提方法能够在标签率不超过1%的极低情况下准确诊断出旋转机械的不同故障类型,且性能优于其它常用的图神经网络。

AM-FM算子分解方法在滚动轴承故障诊断中的应用

基于算子的零空间追踪算法能够实现复杂信号的自适应分解,其关键在于信号模型的构造与求解。通过定义一种新的可完全消除调幅调频信号的调幅调频算子(AFO),进一步建立了一种基于AFO的信号分解新模型。为了提高参数对信号分解的鲁棒性,将非参数正则化(NPR)方法用于解决上述模型的约束优化问题,提出了一种基于NPR的自适应信号分解方法——NPR-AFO。论文将NPR-AFO方法引入到机械故障诊断中,并通过仿真和滚动轴承局部故障实测数据分析,与现有的其他分解方法进行了对比。结果表明:所提方法不仅可以有效的提取故障特征,而且状态故障特征更加明显。

集成全息希尔伯特谱分析及其在滚动轴承故障诊断中的应用

全息希尔伯特谱分析(holo-Hilbert spectral analysis, HHSA)是一种新的信号解调分析处理技术,其采用双层经验模态分解(empirical mode decomposition, EMD),能够有效揭示非线性或非平稳振动信号中的跨尺度耦合关系。但是,EMD在信号分解过程中存在严重的模态混叠问题,导致瞬时频率估计不准确,影响了HHSA的分析精度。基于此,提出了集成全息希尔伯特谱分析(ensemble holo-Hilbert spectral analysis, EHHSA)方法。同时为了更精确解调故障特征信息,通过对载波变量进行积分,定义了一种可以揭示调制特征的调幅边际谱分析方法。最后,通过对滚动轴承仿真和实测数据进行分析,结果表明:与传统谱分析方法相比,所提EHHSA方法及调幅边际谱的特征提取性能和噪声鲁棒性更强。

单套索人工肌肉的力学特性建模及试验分析

套索传动机构因具有传动路径灵活、柔顺性强等特点而被广泛应用于机器人传动系统,尤其是在机器人的仿生设计中经常将套索传动与人工肌肉相结合实现远距离柔顺驱动。然而套索传动系统中存在明显的非线性因素,这对套索人工肌肉整体传递特性有较大影响。为探究套索人工肌肉传递特性的影响因素,基于Cloulomb摩擦模型及Lugre摩擦模型理论分别建立了传动系统的静态模型和动态模型,并搭建了试验台探究与验证其力/位移的传递特性,试验结果与仿真结果基本一致。试验结果表明,全曲率和摩擦力是影响套索传动效率的主要因素,并联弹性元刚度过大和串联弹性元刚度过小均会降低套索人工肌肉的效率。本文的研究为基于Hill模型的套索人工肌肉的应用提供了理论指导。

多尺度模糊熵及其在滚动轴承故障诊断中的应用

提出了一种新的时间序列复杂性度量的方法——多尺度模糊熵(multiscale fuzzy entropy,简称MFE)。多尺度模糊熵是基于模糊熵而定义的。模糊熵作为样本熵的改进,是对时间序列复杂性和无规则程度的度量,而多尺度模糊熵则在模糊熵的基础上引入了尺度因子,是对时间序列在不同尺度因子下复杂性的量度。与样本熵、模糊熵和分形维数等其他表征复杂性的非线性动力学方法相比,多尺度模糊熵包含更多时间模式信息。论文首先介绍了模糊熵和多尺度模糊熵的概念,并将其应用于滚动轴承振动信号复杂性的量度,由此提出了一种基于多尺度模糊熵和支持向量机的滚动轴承故障诊断方法。试验数据分析表明,新提出的方法能有效地提取故障特征,实现故障类型的诊断。

基于改进经验小波变换的时频分析方法及其在滚动轴承故障诊断中的应用

经验小波变换是最近提出的非平稳信号分析方法,针对其不足,提出了一种改进的经验小波变换方法;同时结合瞬时频率新定义,提出了一种非平稳信号时频分析新方法.该方法首先通过改进的经验小波变换将一个复杂的非平稳信号自适应地分解为若干个具有紧支集频谱的内禀模态函数之和;再通过对每个内禀模态函数进行解调,得到原始信号的时频分布.将提出的方法应用于滚动轴承试验数据分析,并将其与希尔伯特黄变换进行了对比,结果表明,论文提出的方法能够有效地诊断滚动轴承故障,且诊断效果优于希尔伯特黄变换方法.

改进的EEMD算法及其应用研究

总体平均经验模态分解(Ensemble EMD,EEMD)虽然能够在一定程度上抑制模态混淆,但计算量较大,添加的白噪声不能被完全中和,不具有完备性。补充的EEMD(Complementary EEMD,CEEMD)成对地添加符号相反的白噪声到目标信号,大大减小了重构误差。结合CEEMD和基于排列熵的信号随机性检测,提出了改进的EEMD方法(Modified EEMD,MEEMD),MEEMD方法在检测出CEEMD分解的异常分量之后,直接进行EMD分解;MEEMD不仅能够抑制EMD分解过程中的模态混淆,而且减小了计算量,缩小了重构误差。通过分析仿真信号和实测信号,结果表明,MEEMD方法有很好的分解效果,对模态混淆有一定的抑制作用。

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。

基于多变量多尺度模糊熵的行星齿轮箱故障诊断

行星齿轮箱被广泛用于风电、直升机和工程机械等大型复杂机械装备中。当行星齿轮箱发生故障时,振动信号往往表现出非线性和非平稳特征,多尺度熵理论能够有效地衡量振动信号的非线性和复杂性变化。同时为了尽可能地利用多通道振动信号信息来提高故障诊断的效率,将评价同步多通道数据多变量复杂度的多变量多尺度熵理论引入到行星齿轮箱故障诊断。针对其统计特征稳定性差的问题,提出了多变量多尺度模糊熵,并在基础上,提出了一种新的行星齿轮箱故障诊断方法。将提出的方法应用于行星齿轮箱故障试验数据分析,并与现有方法进行对比,结果表明了所提方法的有效性和优越性。

基于广义复合多尺度排列熵与PCA的滚动轴承故障诊断方法

多尺度排列熵能够有效地反映滚动轴承振动信号的随机性变化和非线性动力学突变行为。针对其多尺度过程中粗粒化方式的不足,提出了广义复合多尺度排列熵(Generalized Composite Multiscale Permutation Entropy,GCMPE)。研究了参数对GCMPE计算的影响,并通过分析仿真数据将GCMPE与MPE进行了对比。将GCMPE应用于滚动轴承非线性故障特征的提取,提出一种基于GCMPE、主元分析和支持向量机的滚动轴承智能故障诊断方法。将提出的方法应用于实验数据分析,结果表明,所提方法能够有效地实现滚动轴承故障诊断,且故障识别率较高。

基于复合多尺度模糊熵的滚动轴承故障诊断方法

为了精确地提取滚动轴承振动信号非线性故障特征,针对多尺度熵(Multi-Scale Entropy,MSE)中粗粒化方式的不足,提出一种新的衡量时间序列自相似性和复杂性的方法——复合多尺度模糊熵(Composite Multi-Scale Fuzzy Entropy,CMFE)。与MSE相比,CMFE综合同一尺度下多个粗粒化序列的信息,随着尺度因子的增加,熵值变化更加稳定,一致性更好。在此基础上,结合Fisher得分特征选择和支持向量机模式分类,提出了一种新的滚动轴承智能故障诊断方法。将提出的方法应用于滚动轴承实验数据分析,通过对比结果验证了所提出方法的有效性和优越性。

广义变分模态分解方法及其在变工况齿轮故障诊断中的应用

变分模态分解(Variational Mode Decomposition,VMD)是近年来提出的非平稳信号分解方法,通过将信号分解问题转化为变分约束问题,从而实现多变量信号的模态分离。但VMD方法在分析时变多分量信号时存在模态混叠现象。对此,提出了一种适合分析时变模态的信号处理方法——广义变分模态分解(Generalized VMD,GVMD)。通过分析仿真信号,将GVMD与小波变换,原VMD和希尔伯特黄变换等方法进行了对比,结果表明,新提出的GVMD方法分解结果更精确,时频分辨率更高。最后,将GVMD方法应用于变转速齿轮振动信号故障特征的识别,结果表明了论文方法的有效性。

复合层次模糊熵及其在滚动轴承故障诊断中的应用

针对样本熵和多尺度熵中相似性度量函数的突变问题,及它们在分析时间序列复杂性时捕捉不到高频组分信息的局限,提出了一种新的时间序列的复杂性度量方法——复合层次模糊熵(CHFE)。为了有效地提取滚动轴承早期故障特征,提出了一种基于CHFE、拉普拉斯分值和支持向量机的滚动轴承故障诊断方法。首先,提取振动信号的CHFE值;其次,采用拉普拉斯分值对特征向量进行降维优化;再次,建立基于支持向量机的多故障分类器,实现滚动轴承的故障诊断;最后,将该方法应用于实验数据分析,结果验证了方法的有效性。

基于LCD和排列熵的滚动轴承故障诊断

排列熵(permutation entropy,简称PE)是最近提出的一种检测时间序列随机性和动力学突变行为的方法,可以考虑将其应用于故障诊断。由于机械系统的复杂性,振动信号的随机性和动力学突变行为表现在不同尺度上,因此需要对振动信号进行多尺度的排列熵分析。基于此,提出了基于局部特征尺度分解(local characteristicscale decomposition,简称LCD)和排列熵的滚动轴承故障诊断方法。首先,采用LCD方法对振动信号进行自适应分解,得到不同尺度的的本征尺度分量(intrinsic scale component,简称ISC);其次,计算前几个包含主要故障信息的ISC分量的排列熵;最后,将熵值作为特征向量,输入基于神经网络集成建立的分类器。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。

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.

多尺度熵在转子故障诊断中的应用

为解决从信号中提取故障特征难的问题,介绍了一种新的信号故障特征提取方法——多尺度熵(multi-scaleentropy,简称MSE),并将样本熵和多尺度熵分别应用于转子故障信号复杂性的度量,以提取故障特征。试验数据分析表明,与样本熵相比,多尺度熵更能有效地实现转子故障类型的诊断。