局域波信息熵在高速自动机故障诊断中的应用

针对自动机工作时的短时冲击信号特征,首先,对其运动形态进行分解,截取与故障构件动作相对应的振动信号进行分析;其次,利用多层小波包分解截取信号,对其频率成分及能量分布进行研究;然后,将小波包分解后频带能量大的信号重构进行局域波分解,同时提取局域波奇异谱熵、边际谱熵和特征空间谱熵定量描述信号状态的时域、频域和能量的变化,并将其作为故障特征量;最后,利用遗传算法的全局寻优能力对支持向量机的参数进行优化,建立了遗传支持向量机(genetic algorithms-support vector machine,简称GA-SVM)模型,将提取的特征量输入其中进行故障分类识别,并将识别结果与空间穷尽搜索支持向量机(support vector machine,简称SVM)的识别结果进行对比。

基于EMD近似熵和LSSVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳特征,将具有局域化特性的EMD方法和近似熵相结合,并用LSSVM进行分类来实现齿轮箱故障诊断。首先利用EMD将振动信号分解成若干IMF分量,再对IMF分量求取近似熵,组成特征向量矩阵,输入到LSSVM分类器中进行故障识别。结果表明,与传统SVM相比,LSSVM的识别精度更高,验证了该方法的可行性。

基于局域波信息熵的高速自动机故障诊断

针对小口径火炮自动机工作时产生的短时冲击信号,提出一种将局域波分解与信息熵相结合提取特征量,并利用Elman神经网络进行故障识别的诊断方法。首先运用具有自适应特性的局域波对振动信号进行分解得到IMF分量,再接着利用信息熵理论提取IMF信息熵、局域波能谱熵及能矩谱熵作为故障特征量,最后将特征向量输入Elman神经网络进行故障分类识别。实验结果表明:该方法能准确,有效地识别故障。

局域波降噪及样本熵在齿轮箱故障诊断中的应用

针对齿轮箱振动信号中存在大量背景噪声及以往故障诊断中在时域、频域寻找与故障相关信息过程相对复杂的问题,提出了一种将局域波降噪与小波包分解提取频带能量最大信号的样本熵作为特征量相结合的齿轮箱故障诊断方法.首先,以峭度值作为依据对局域波分解后的各IMF(本征模式分量)分量进行重构,完成对原始信号的降噪.接着对降噪后的信号进行小波包分解并计算各子带的能量,选取子带能量最大的频段信号计算其样本熵作为特征量完成对故障的识别.以齿轮箱试验台实测信号为对象进行对比分析,证明了该方法的有效性.

基于EEMD信息熵和PSO-SVM的自动机故障诊断

针对自动机振动信号的瞬态冲击、非线性和非平稳性,提出一种基于集合经验模式分解(EEMD)的信息熵和粒子群优化的支持向量机(PSO-SVM)相结合的故障诊断方法。首先采用小波阈值降噪对振动信号进行预处理;其次运用具有抗混叠效应的EEMD对降噪信号进行分解得到本征模式分量(IMF),从而提取能反映自动机状态的特征参数:能量熵、边际谱熵和奇异谱熵;最后对支持向量机(SVM)的参数利用粒子群优化(PSO)算法进行优化,并将特征向量子集分别作为PSO-SVM和概率神经网络(PNN)的输入参数以识别自动机故障,结果表明:PSO-SVM相对于PNN可以提高故障分类正确率,同时证明基于EEMD信息熵和PSO-SVM方法在自动机故障诊断中的有效性。

基于信息熵和GA-SVM的自动机故障诊断

提出了一种运用信息熵和遗传算法优化的支持向量机(GA-SVM)对小口径火炮自动机进行故障诊断的方法。针对自动机工作时的短时冲击信号特征,首先运用具有自适应特性的局域波对信号进行分解得到IMF分量,并对各IMF分量进行Hilbert变换。接着利用信息熵理论提取局域波特征空间谱熵、边际谱熵和时频熵作为故障特征。最后将特征向量输入遗传算法优化的支持向量机进行故障分类识别。利用遗传算法的全局搜索能力对支持向量机的参数进行优化,摆脱了对求解模型的依赖。结果表明,相对于空间穷尽搜索寻找最优参数的支持向量机模型可提高诊断正确率。同时证明将信息熵和GA-SVM方法相结合在自动机故障诊断中的有效性。

局域波互信息降噪在齿轮箱故障诊断中的应用

针对局域波分解后去除含噪分量与虚假分量的随意性和盲目性,提出了局域波互信息降噪方法。首先用局域波对信号进行分解,计算各IMF分量与原信号的互信息,再选取互信息值高的分量进行自相关分析去除噪声成分,并用有效分量对信号进行重构。为了验证该方法的有效性,运用仿真信号进行分析,并将其应用于齿轮箱故障诊断中。对局域波互信息降噪后的齿轮箱振动信号进行小波变换,并提取小波奇异谱熵作为故障特征量进行故障识别。将结果与未进行降噪处理的识别结果相对比,证明了局域波互信息降噪在工程实践中的实用性。