基于改进层次全局模糊熵和MCFS的滚动轴承损伤识别

针对传统的多尺度特征提取方法无法捕捉振动信号高频故障信息的问题,提出了一种基于改进层次全局模糊熵(IHGFE)全局全频段特征提取、多聚类特征选择(MCFS)特征降维和支持向量机分类的滚动轴承故障诊断方法。首先,提出了能够捕捉振动信号低频到高频的全局特征的IHGFE非线性动力学方法,并将其用于滚动轴承的故障特征提取;然后,利用MCFS对初始特征向量进行了维数约简和优化,构建了低维且对故障敏感的故障特征向量;最后,建立了基于支持向量机的多故障分类器,实现了滚动轴承损伤的智能化识别,并通过两个滚动轴承实验进行了对比分析。研究结果表明:IHGFE的分类准确率和识别稳定性均优于对比方法,证明了其在特征提取中能够在一定程度上解决现有方法无法同时考虑信号的高频特征和全局特征的问题,可为进一步扩展模糊熵方法在滚动轴承损伤识别中的应用提供参考。

基于模糊熵加权融合的单轨运输机器人动态倾角辨识研究

针对现有传感器检测单轨运输机器人动态倾角时存在辨识精度低的问题,提出了一种基于模糊熵加权融合的单轨运输机器人动态倾角精准辨识方法。首先,基于构建的轨道曲率与倾角变化双模型,通过改进的遗忘递归最小二乘(IFFRLS)算法分别计算出轨道曲率值和倾角动态变化率;其次,再以轨道曲率值和倾角动态变化率作为输入值,通过无迹卡尔曼滤波(UKF)和扩展卡尔曼滤波(EKF)算法不断迭代更新分别计算出倾角动态角度;最终,采用全局模糊熵加权融合(GFEWF)将各角度值深度融合,提高动态倾角的检测精度。实验表明,基于双模型的全局模糊熵加权融合(GFEWF)与基于单一模型的UKF或EKF算法相比,其辨识的动态倾角精度在轨道段1和轨道段2分别提升了10.38%和25.60%。