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。

基于多变量多尺度云样本熵和模糊支持向量机的开关柜故障分类

利用智能开关柜多源监测数据识别其异常状态和故障类型,可实现配电设备高效精细的运维管理。为提取开关柜的故障特征,利用传感器监测开关柜电压、电流、温湿度和闪光信号等状态量,通过引入降半梯形云模型量化状态量时间序列的复合延迟向量间的相似度,由此软化多变量多尺度样本熵相似容限判据,进而获取包含多个时间尺度的开关柜多通道状态监测数据的多变量多尺度云样本熵(MMCSE)故障特征向量;依据分段半降正态云模型量化开关柜故障样本间关联关系的不确定性,综合样本空间的区域差异性和分散性计算样本隶属度,形成改进的模糊支持向量机(FSVM)特征分类方法,实现了开关柜不同故障类型的识别。根据现场实时监测数据,验证结果表明所提方法具有较高的分类正确性。

基于多变量多尺度熵的变压器励磁涌流识别方法

推导变压器励磁涌流的频域表达式,分析不同的合闸初相角和剩磁对励磁涌流的影响。采用可评价多通道数据复杂性和相关程度的多变量多尺度熵算法识别励磁涌流。根据励磁涌流和故障电流多变量多尺度熵的特点,将由尺度因子和多变量多尺度熵组成的二维空间划分为动作区和制动区,定义电流熵值面积与给定的制动区面积的比值为熵值面积比,根据熵值面积比与定值的关系,识别变压器励磁涌流和故障电流。基于ATP/EMTP建立变压器模型,仿真不同情况下的励磁涌流和故障电流。仿真结果表明,基于多变量多尺度熵的辨识方法能有效区分励磁涌流和故障电流,并在性能上优于传统的二次谐波判据。

基于MEMD-MMFE的双馈风电场送出变压器励磁涌流识别方法

双馈风电场低电压穿越过程中,送出变压器发生内部故障时,差动电流中存在较大的2次谐波,会导致差动保护拒动。该文提出基于多元经验模态分解-多变量多尺度模糊熵(multivariate empirical mode decomposition-multiscale multivariate fuzzy entropy,MEMD-MMFE)的励磁涌流识别方法。该方法首先将电流经过多元经验模态分解,通过判别分解后的余量函数的单调性,确定是否从原函数中去除余量函数;然后对经过处理的原函数进行多变量多尺度模糊熵变换,得到多变量多尺度模糊熵值面积(简称熵值面积);最后通过或逻辑联立判断变压器两侧电流的熵值面积与给定的制动区面积的大小关系来区分励磁涌流与故障电流。以某风电场接入电网为例,对变压器各种运行工况进行仿真研究,并将该文算法与2次谐波制动等算法进行比较,验证提出算法的有效性。

基于自适应RCGmvMFE和流行学习的滚动轴承故障诊断

多尺度模糊熵能够较好的量化振动信号的复杂程度,但缺乏对其他信道信息的有效利用,为了充分利用其他信道的振动信息,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中。为了准确提取轴承信号中的故障特征,提出了基于自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和精细复合广义多变量多尺度模糊熵(Refined Composite Generalized Multivariate Multiscale Fuzzy Entropy,RCGmvMFE)的轴承多故障诊断方法。首先利用CEEMDAN对多信道的源信号进行分解获得无模式混叠的IMF。然后采用相关性分析方法对IMF分量进行筛选,选出对故障特征敏感的IMF作为多通道数据构成多元变量,并计算其RCGmvMFE组成故障特征。随后采用t分布随机邻域嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)对高维特征进行维数约简。最后利用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化核极限学习机(Kernel Extreme Learning Machine,KELM)对低维故障特征进行分类。实验结果表明,该方法能够有效地诊断轴承不同程度的故障,为滚动轴承的故障诊断提供了补充方法。

基于EEMD的自适应mvMAAPE的滚动轴承故障诊断

现有轴承故障诊断方法多基于单通道的振动信号,缺乏对多通道振动信息的综合利用,为此提出了结合集成经验模态分解和多变量多尺度波动散布熵的故障特征提取方法。首先,利用EEMD算法对多信道的源信号进行分解获得多个IMF分量;其次,计算各IMF与原信号的相关系数,利用参数对故障信息的敏感性,筛选出敏感的IMF作为多通道数据构成多元变量并计算其多变量多尺度振幅感知排列熵;最后,将得到的特征利用随机森林进行分类识别。实验结果证明该方法能够有效利用多通道的振动信号,从而提高诊断准确率,相较现有方法有着明显的优势。