基于改进复合多元尺度加权排列熵的轴承故障识别研究

轴承作为机械传动系统上不可缺少单元,在长期交变载荷作用下容易产生内部损伤,判断其故障状态尤为重要。综合复合多元多尺度加权排列熵(CMMWPE)与天牛须搜索支持向量机(BSASVM)算法优点,设计了一种基于CMMWPE-BSASVM复合算法的轴承故障智能诊断方法。以调心球轴承运行情况为例,开展故障诊断分析。研究结果表明:利用本文CMMWPE算法进行处理时形成了比MWPE、CMWPE算法更加平滑的熵值变化曲线,能够实现以上样本的精确区分,有助于更准确提取出滚动轴承的特征信号。采用CMMWPE可以实现更高效的故障模式识别性能;相比较其他分类器,BSASVM分类器处理效率更高,因此建立的CMMWPE和Isomap特征集识别运行故障获得了100%准确率,确保滚动轴承故障达到精确、高效识别的效果。该研究可以拓宽到相关机械传动领域,具有很好的应用价值。

广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断

针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵(GCMWPE)与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射(S-Isomap)算法进行有效的二次特征提取。采用天牛须搜索优化支持向量机(BAS-SVM)诊断识别故障类型。将所提方法应用于滚动轴承实验数据分析过程,结果表明:GCMWPE特征提取效果优于多尺度加权排列熵、复合多尺度加权排列熵和广义多尺度加权排列熵;GCMWPE与S-Isomap相结合的特征提取方法可在低维空间中有效区分滚动轴承不同故障类型;BAS-SVM的识别正确率和识别速度优于粒子群优化支持向量机、模拟退火优化支持向量机和人工鱼群优化支持向量机;所提方法能够有效、精准地识别出各故障类型。

基于改进多元多尺度加权排列熵的齿轮箱故障诊断

齿轮箱振动存在多个传递路径,而典型齿轮箱故障诊断方法一般使用单个路径的单通道振动信号,易造成其它通道信息的遗漏。为充分利用不同路径振动信号故障信息,增强故障特征的质量,引入了多元多尺度加权排列熵,对其粗粒化方式进行了完善,提出了改进多元多尺度加权排列熵(IMMWPE),实现齿轮箱多通道振动信号的故障特征提取。基于此,提出了一种结合IMMWPE、成对邻近特征和粒子群优化支持向量机的齿轮箱故障诊断方法。通过齿轮箱多通道数据分析,将其与多元多尺度样本熵、多元多尺度排列熵和多元多尺度模糊熵等方法进行对比,结果证明该方法能够准确识别齿轮箱的各类故障,而且优于对比方法。

基于多尺度加权排列熵的管道泄漏检测

管道的泄漏检测对于物料长距离运输的安全至关重要。利用加权排列熵方法分析管道的压力时间序列,可提取压力时间序列的特征,通过判定所提取特征的变化,实现管道的泄漏检测。考虑到单尺度加权排列熵在反映压力信号复杂度方面的不足,提出了基于多尺度加权排列熵的管道泄漏检测方法。该方法采取移动窗口法,选取固定长度的压力序列作为子序列。计算该子序列的多尺度加权排列熵,从而判定管道的泄漏。最后,通过对管道泄漏实验装置的仿真试验,验证了所提算法的有效性。

信息熵在滚动轴承故障诊断中的应用

为了提高滚动轴承故障诊断的准确率,提出一种基于局部均值分解(LMD)、复合多尺度加权排列熵(CMWPE)和支持向量机(SVM)的滚动轴承故障诊断新方法。首先利用LMD方法实现滚动轴承振动信号的自适应时频分解,通过计算各分量与原始信号的相关系数,选择相关性较高的分量进行信号重构达到降噪的目的;然后提出基于CMWPE的特征提取方法,从降噪信号中提取相应的特征参数,构造稳定性好且辨识度高的多尺度非线性动力学故障特征集合;最后将构造的高维特征集输入SVM以实现滚动轴承故障诊断。试验数据分析结果表明,该方法能够准确区分滚动轴承不同的故障类型,与其他诊断方法相比,提出方法的故障识别准确率更高。

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。

窄矩形通道内环状流周期性携带特性研究

开展窄矩形通道内环状流周期性的携带特性研究,能为反应堆的事故处理提供数据和理论支撑。本研究开展了窄矩形通道中环状流周期性携带特性实验,通过高速摄影图像数据观察对携带过程的不同区域行为进行了辨别,结果显示携带过程的每个周期由携带起始区、完全携带区、液膜反转区和液相下行区共4个区域组成。对不同携带区域在整个周期内的时间占比进行了计算,讨论了液相流速和气相流速对不同区域时间占比的影响,并定性分析了其影响原因。通过引入多尺度排列熵分析方法对窄矩形通道内环状流进行了分析,结果显示,当气相折算速度较小时,整体环状流排列熵呈无序状;当气相折算速度较高时,随着气相速度的增加,整体排列熵逐步降低。根据分析结果研究了将多尺度排列熵的“无序”向“有序”的转换点作为含液相下降段和完全上升段转折点的可行性。

融合多特征信息与GWO-SVM的机械关键设备故障诊断

为了提高机械关键设备故障诊断的精度,建立机械关键设备故障诊断模型。文章提出一种融合机械关键设备故障信号多特征信息与灰狼优化算法(Grey Wolf Optimization Algorithm,GWO)改进支持向量机(Support Vector Machine,SVM)(GWO-SVM)的机械关键设备故障诊断模型。首先,提取机械关键设备故障信号的时域特征、频域特征和多尺度加权排列熵特征,分别对比不同特征的机械关键设备故障诊断结果。其次,为提高SVM模型性能,运用GWO算法对SVM模型的惩罚参数P和核函数参数g进行优化选择,提出一种融合多特征信息与GWO-SVM的机械设备故障诊断模型。与GA-SVM、PSO-SVM和SVM相比,基于GWO-SVM的机械设备故障诊断模型的诊断精度最高。这里算法可以有效提高机械关键设备故障诊断正确率,为机械关键设备故障诊断提供了新的方法。

基于WOA-VMD-SVM数控机床刀具健康状态评价体系的建立

刀具的健康状态直接影响着数控机床的加工性能。对刀具的磨损、破损等健康状态因素进行前期预测和判断,可有效防止因刀具健康状态异常而导致加工质量不稳定等问题。根据刀具在机加工过程中因磨损状况而引起机床机械特性的变化展开分析与研究,即通过采集与刀具健康状态相关联的机床主轴振动信号,并对该信号进行处理和特征提取,建立基于WOA-VMD-SVM刀具健康状态预测识别模型。经实验分析与验证,所建立的模型具有很高的识别准确率,其准确率高达96.8%,高于SVM模型和GA-SVM模型,由此表明该模型能够高效、准确地对刀具磨损状态进行识别和分类。

基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法。利用改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)提取机械设备不同工况下的故障特征;采用监督等度规映射(S-Isomap)流形学习进行降维处理,获取低维的熵-流特征集;将熵-流特征输入至SSO-SVM多故障分类器进行识别与诊断。行星齿轮箱故障诊断实验分析结果表明:IMWPE+S-Isomap熵-流特征提取方法优于现有的多尺度排列熵(multiscale permutation entropy,MPE)、多尺度加权排列熵(multiscale weighted permutation entropy,MWPE)和IMWPE等熵值特征提取方法以及IMWPE+等度规映射(Isomap)和IMWPE+线性局部切空间排列(linear local tangent space alignment,LLTSA)等熵-流特征提取方法;樽海鞘群算法对支持向量机参数寻优效果优于粒子群、灰狼群、人工蜂群和蝙蝠群等算法;所提故障诊断方法识别精度达到100%,能够有效诊断出行星齿轮箱各工况类型。

基于谱熵梅尔积和改进VMD的轴承故障预警

针对传统轴承故障预警实时性较差、故障特征提取准确性影响预警效果的问题,将语音端点识别思想进行迁移,采用谱熵梅尔积特征的双门限法实时追踪故障起始点.为克服变分模态分解(variational mode decomposition,VMD)参数选取不当和端点效应对提取效果造成的影响,提出能量差网格搜索法对VMD进行参数寻优,并用支持向量回归机对端点效应进行抑制,结合多尺度加权排列熵在检测振动信号随机性方面的优势,充分发挥VMD对信号的重构能力,对起始点后的故障段进行特征捕捉.通过实际轴承故障信号的实验及数据分析,验证了该方法在轴承故障预警中的有效性.

基于ICEEMDAN和IMWPE-LDA-BOA-SVM的齿轮箱损伤识别模型

针对齿轮箱振动信号中的背景噪声过大影响故障特征质量,进而降低故障识别准确率的问题,提出了一种基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)、改进多尺度加权排列熵(IMWPE)、利用线性判别分析(LDA)、蝴蝶优化算法(BOA)优化支持向量机(SVM)的齿轮箱故障诊断方法(ICEEMDAN-IMWPE-LDA-BOA-SVM)。首先,采用ICEEMDAN对齿轮箱振动信号进行了分解,生成了一系列从低频到高频分布的本征模态函数分量;接着,基于相关系数筛选出包含主要故障信息的本征模态函数分量,进行了信号重构,降低了信号的噪声;随后,提出了改进多尺度加权排列熵的非线性动力学指标,并利用其提取了重构信号的故障特征,以构建反映齿轮箱故障特性的故障特征;然后,利用线性判别分析(LDA)对原始故障特征进行了压缩,以构建低维的故障特征向量;最后,采用蝴蝶优化算法(BOA)对支持向量机(SVM)的惩罚系数和核函数参数进行了优化,以构建参数最优的故障分类器,对齿轮箱的故障进行了识别;基于齿轮箱复合故障数据集对ICEEMDAN-IMWPE-BOA-SVM方法进行了实验和对比分析。研究结果表明:该方法能够较为准确地识别齿轮箱的不同故障类型,准确率达到了99.33%,诊断时间只需5.31 s,在多个方面都优于其他对比方法,在齿轮箱的故障诊断中更具有应用潜力。

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VMD与IMWPE的舰船辐射噪声特征提取研究

舰船辐射噪声的特征提取是水下识别的依据,传统的特征提取可识别性较弱,水下识别较为困难。本文提出一种基于变分模态分解(variational mode decomposition, VMD)与改进多尺度加权排列熵(improved multisacle weighted permutation entropy, IMWPE)相结合的方法进行特征提取,将原始信号通过VMD分解成多个固有模态函数(intrinsic mode function, IMF),选取能够充分体现目标复杂度特征的IMF作为研究对象,然后通过IMWPE方法采用平移均值法解决多尺度加权排列熵(multisacle weighted permutation entropy, MWPE)的单一粗粒化问题。实验数据表明,将本文算法与对比算法提取的特征参数经过粒子群优化的支持向量机(particle swarm optimization support vector machine, PSO-SVM)进行分类识别,IMWPE算法识别率最高,具有良好的稳定性和优越性。

CMWPE结合SaE-ELM的轮对轴承故障诊断方法

针对DF4型内燃机车轮对轴承不同故障状态的判别问题,提出了一种基于复合多尺度加权排列熵(Composit multiscale weighted permutation entropy, CMWPE)和自适应进化极限学习机(Self-adaptive evolutionary extreme learning machine, SaE-ELM)的机车轮对轴承故障识别方法。CMWPE基于复合粗粒化和加权排列熵的思想,能很好地区分信号的不同模式。SaE-ELM通过自适应进化算法对极限学习机的输入权重、隐含层参数和输出权重进行优化,解决了ELM随机选取网络参数的局限性,提高了网络的泛化性能。计算机车轮对轴承不同健康状态下振动信号的CMWPE,利用SaE-ELM识别轴承所属故障类型及故障程度。在机务段的JL-501轴承检测台上采集了7种不同健康状态的轮对轴承试件的振动信号数据。结果表明:CMWPE特征提取效果优于MPE和MWPE;SaE-ELM模式识别效果优于参数不经优化的ELM。所提方法能够有效诊断机车轮对轴承的不同故障,且故障识别率达到100%。

基于尖点突变理论和MWMPE的围岩稳定监测

为实时监测水电站地下厂房围岩运行情况,提出一种尖点突变理论和多通道加权多尺度排列熵(multichannel weighted multi-scale permutation entropy,简称MWMPE)相结合的监测方法。首先,结合某电站地下厂房围岩变形监测数据,将不同时间段日平均位移作为一系列特解,反演得到非线性动力模型;其次,采用尖点突变理论,建立围岩变形速率尖点突变模型,提出围岩稳定判据;然后,运用MWMPE的方法,对不同测点的变形监测信息进行动态融合,提取围岩变形特征值,确定围岩安全范围;最后,通过对比融合后熵值的变化,与传统多尺度排列熵(multi-scale permutation entropy,简称MPE)方法作比较,提出一种新的稳定预警线,对围岩进行在线安全监测、预警。结果表明:该方法能够有效提取地下厂房围岩变形特征值,并根据实时MWMPE值对围岩进行在线安全监测,为地下厂房等结构的围岩维持安全稳定提供了新的思路。

基于VMD与GWO优化SVM的轴承故障诊断

针对传统振动信号特征提取方法与支持向量机(SVM)分类方法的缺陷,提出一种基于变分模态分解(VMD)故障特征提取方法与灰狼优化器(GWO)优化SVM的诊断模型。首先,将滚动轴承的原始振动信号采用VMD得到若干本征模态分量(IMF);其次,将IMF的多尺度加权排列熵作为特征向量并使用t-sne方法做降维处理;最后,使用GWO对SVM进行优化并对样本数据进行分类判别。实验结果表明,该方法相比于其他传统算法能够有效提高故障分类精度。

基于FCMMWPE-BSASVM组合算法的调心球轴承故障诊断研究

为了提高机械旋转系统上调心球轴承特征提取和故障识别能力,设计了一种精细复合多元多尺度加权排列熵(fine composite multivariate multi-scale weighted permutation entropy,FCMMWPE)与天牛须搜索支持向量机算法(beetle antennae search algorithm-supportvectormachine,BSASVM)相结合的故障特征提取方法,并采用等度规映射(Isomap)进行故障识别,最后开展故障诊断实例分析。研究结果表明:采用FCMMWPE算法处理状态熵值达到最高,形成更平滑的熵值曲线,广义粗粒化方法具备明显优势。轴承产生局部故障时,形成具有规律特征的振动信号,表明采用FCMMWPE提取调心球轴承故障特征满足可靠性条件并具备明显优势。对文章构建的FCMMWPE与Isomap特征集进行运行故障识别时实现了99.9%的准确率,实现调心球轴承故障高效识别。BSASVM满足更优的故障识别性能,具备更优的模式识别性能和更高处理效率。该研究可以拓宽到其他的机械传动领域,具有很好的应用价值。

基于EMWPE-Relief-LSTM的传感器故障诊断方法

针对传感器故障信号非线性、非平稳性的特点,提出了基于经验多尺度加权排列熵与特征选择长短期记忆网络组合算法(EMWPE-Relief-LSTM)的传感器故障诊断方法。首先,采用集成经验模态分解(EEMD)将传感器输出的时间序列数据分解为本征模态分量(IMFs),利用峭度和方差这两个指标筛选出合适的本征模态分量;其次,计算本征模态分量的多尺度加权排列熵(EMWPE),将熵值作为特征向量;最后,通过Relief算法对故障特征向量降维,将降维后的故障特征向量输入长短期记忆网络(LSTM)分类器。实验结果表明,上述方法的传感器故障诊断准确率为99.3%,可实现传感器故障的精确诊断。

基于机器学习机床机械加工特征信息与加工材料关联性研究

为了开展数控机床机械加工特征信息检测与分析方面的研究,以健康状态的机床对不同工件材料进行切削加工,通过数据采集系统采集在不同切削状态下机床主轴输出的机械特征信息,利用机器学习的方法对特征信息进行分析和判断,提出一种基于机床主轴振动信号与机床主轴负载电流特征信息融合的工件材料精确识别判断模型。首先,获取机床在不同加工状态下的主轴振动信号以及主轴负载电流信号,利用变分模态分解(VMD)算法对其进行分解获得本征模态分量(IMF)并计算各个IMF的多尺度加权排列熵(MWPE)进行信息融合构建特征向量;然后使用灰狼优化(GWO)算法对传统支持向量机进行优化并对4种常见工况进行识别判断。试验结果表明:基于信息融合的特征提取与GWO-SVM相结合的方法能够利用机床加工状态输出的数据特征信息对正在加工的材料种类进行精确识别判断。