轴承故障的排列熵特征提取与GK模糊识别方法

为了提高轴承故障诊断准确率,提出了参数优化多尺度排列熵的特征参数提取方法和加权GK模糊聚类的识别方法。在特征提取方面,以多尺度排列熵序列偏度最小为优化目标,使用多作用力微粒群算法优化多尺度排列熵参数,实现了排列熵特征参数在轴承不同故障状态下的完全分离;在故障识别方面,提出了加权GK模糊聚类的识别方法,使用ReliefF算法计算特征参数权重,为高敏感度特征参数赋予更大的权值,从而提高GK模糊聚类的聚集度。经轴承故障实验验证,文章提出的排列熵特征参数提取和GK模糊聚类识别方法在此次实验中能够精准识别轴承故障类型,说明文中提出的特征提取和模式识别方法具有一定借鉴意义。

基于FVMD多尺度排列熵和GK模糊聚类的故障诊断

针对设备故障信号的非线性、非平稳特征,提出了基于快速变分模态分解、参数优化多尺度排列熵和特征加权GK模糊聚类的故障诊断方法。首先,在变分模态分解的基础上,引入快速迭代的思想,提出快速变分模态分解方法,以减少算法运行时间与迭代次数;其次,针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,提出一种基于多作用力微粒群算法的参数优化方法,并通过快速变分模态分解和参数优化多尺度排列熵算法提取故障特征;之后,考虑到样本特征矢量中各维特征在聚类过程中的贡献不同,提出基于ReliefF特征加权的GK模糊聚类方法,由特征加权GK模糊聚类确定标准聚类中心,通过择近原则实现故障模式的分类识别;最后,以在机械故障试验平台上采集到的轴承不同故障类型的振动信号为研究对象,应用所提方法进行分析。结果表明,相对于改进前的变分模态分解、多尺度排列熵和GK模糊聚类方法,本文所提方法不仅能够有效提取故障特征,还能准确实现故障模式的分类识别,而且故障识别率得到提高。

基于无限特征选择层次链接无限隐Markov模型的轴承故障诊断方法研究

针对无限隐Markov故障诊断模型在对旋转机械中多种故障训练时割裂了各个数据集之间联系,造成每种故障数据集单独训练的问题,提出了一种层次链接无限隐Markov故障诊断模型。将层次链接无限隐Markov故障模型与无限特征选取后优化多尺度排列熵相结合,应用到滚动轴承故障诊断领域。无限特征算法能够高效地提取故障振动信号中包含的信息,进而完成对不同故障的分类。将获得的数据输入粒子群算法优化多尺度排列熵参数,并对其求得相应的多尺度排列熵值,经无限特征算法对得到的特征量进行排序,筛选出相比较下包含信息量大的特征量输入到层次链接无限隐Markov模型中训练与识别。在此基础上将结果与使用无限特征算法筛选无限隐Markov模型的训练识别结果、随机特征选择下的层次链接无限隐Markov模型结果作对比,实验研究表明:无限特征算法能有效提取更具价值的特征信息,层次链接无限隐Markov故障诊断模型能够更有效地识别,为滚动轴承的故障诊断提供了新的思路。