基于时移多尺度波动散布熵和改进核极限学习机的水电机组故障诊断

水电在能源供给结构改革中承担重要角色,随着风、光、潮汐等新型能源的不断接入,水电机组的负荷运行范围不断加宽,导致水电机组发生事故的概率增加,因此,开展水电机组智能故障诊断研究具有十分重要的现实意义。本文针对水电机组振动信号中蕴含大量噪声信号,干扰故障诊断的问题,提出一种时移多尺度波动散布熵和改进核极限学习机相结合的水电机组故障诊断方法。首先,结合信息熵理论与时移思想,在多尺度波动散布熵的基础上,采用时移理论替代多尺度波动散布熵(MFDE)中传统的粗粒化过程,提出时移多尺度波动散布熵(TSMFDE),通过仿真实验,证明所提方法具有良好的时序长度鲁棒性、抗噪性及特征提取能力,解决了传统多尺度熵粗粒化不足的问题。然后,利用具有可移植性强、寻优能力强和收敛速度快等特征的算术优化算法(AOA)对核极限学习机(KELM)的正则化参数和核函数参数进行寻优,建立AOA-KELM分类器,解决了KELM超参数难以调节的问题。最终,通过转子试验台模拟实验,将TSMFDE提取的特征输入分类器中,完成模式识别工作。仿真结果表明,所提模型取得最高的诊断精度,达到了100.0%,相对于其他流行模型,本文所提模型展现了明显的优势,验证了所提模型的良好诊断精度。

基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的风电机组变桨轴承退化状态评估

针对风电机组变桨轴承服役过程环境噪声干扰严重、退化状态评估精度低的问题,提出一种基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的退化状态评估模型。该模型将监测数据状态特征获取过程由单通道拓展为多通道进行,通过提出的多元精细复合多尺度波动散布熵算法来获取多通道监测数据的多尺度状态特征,并将累积和检验算法与欧氏距离矩阵测度方法相结合,用于定量衡量基准样本与待分析样本间的差异,从而实现变桨轴承退化状态评估。风电机组变桨轴承全寿命周期加速疲劳实验验证结果表明:该模型能够及时捕捉到变桨轴承的初始退化时刻并且准确跟踪整个退化过程。

精细复合多尺度波动散布熵在液压泵故障诊断中的应用

液压泵振动信号具有非线性、非平稳性的特点,熵算法在该类信号分析方面有着独到的优势,但传统的熵算法在液压泵振动信号特征提取中有计算速度慢、熵值不准确、不稳定等不足,为了更有效地提取故障特征信息并提高故障诊断准确性,将精细复合多尺度波动散布熵(refined composite multiscale fluctuation dispersion entropy,RCMFDE)引入到液压泵的故障特征提取中,提出了一种基于RCMFDE和粒子群优化支持向量机结合的液压泵故障诊断方法。计算不同故障振动信号的RCMFDE,并选取合适尺度下的多个RCMFDE值作为特征向量形成特征样本,输入粒子群优化支持向量机中进行故障分类识别。通过仿真信号和液压泵故障实测信号进行分析,并将所提出的方法与基于多尺度样本熵(multiscale sample entropy,MSE)、多尺度排列熵(multiscale permutation entropy,MPE)、多尺度符号动态熵(multiscale symbolic dynamic entropy,MSDE)、多尺度散布熵(multiscale dispersion entropy,MDE)、精细复合多尺度散布熵(refined composite multiscale dispersion entropy,RCMDE)、多尺度波动散布熵(multiscale fluctuation dispersion entropy,MFDE)的故障特征提取方法进行对比。试验结果表明,该方法能够更加准确地识别多类液压泵故障并能对液压泵性能退化程度进行有效评估。

基于层次逆向散布熵和WELM的滚动轴承故障诊断

滚动轴承的故障信息一般包含在振动信号中,如何有效地从原始信号中挖掘出故障信息,是机械设备健康状况检测和评估的关键.为此,本文提出了层次逆向散布熵特征提取方法,以提高故障诊断的准确性.该方法利用逆向理论解决了散布熵的不足,能从原始信号中获得更多的故障特征.其次,从时间序列中分层提取高频和低频分量,可以提高对动态特征的描述能力.仿真和实验分别证明了层次逆向散布熵的优越性.实验结果表明,本文方法在提取故障信息方面明显优于多尺度逆向散布熵、多尺度排列熵和多尺度样本熵.

基于HMFDE和t-SNE的旋转机械故障诊断方法

针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用特征加权提出了混合多尺度波动散布熵方法,并将其用于提取旋转机械振动信号的故障特征;随后,采用t-SNE方法对混合故障特征进行了特征降维,挑选出了最能够反映故障特性的特征子集,构建了敏感特征样本;最后,采用郊狼优化算法对极限学习机的输入权重和隐含层阈值进行了优化,完成了旋转机械的故障识别和分类;以齿轮箱和滚动轴承故障数据集为对象,对基于HMFDE、t-SNE和COA-ELM的故障诊断方法进行了实验,验证了方法的有效性。研究结果表明:采用HMFDE-t-SNE-CAO-ELM故障诊断方法可以取得100%的故障识别准确率,该方法能够有效地诊断旋转机械的不同故障类型和损伤;相较于基于单一类型特征的故障诊断方法,其准确率分别可以提高0.68%、22.42%、29.18%(齿轮箱)和1.43%、8.23%、23.67%(滚动轴承),虽然牺牲了一定的计算效率,但准确率得到了明显的提高;相较于其他常规故障分类器,COA-ELM的故障识别准确率具有明显的优势。

基于SORT映射的IRCMFDE在旋转机械故障诊断中的应用

针对旋转机械振动信号的强非线性和非平稳性,导致故障特征提取困难的问题,提出了一种基于SORT映射的改进精细复合多尺度波动散布熵(IRCMFDE)和蝙蝠算法优化的相关向量机(BA-RVM)的旋转机械故障诊断方法。首先,利用SORT映射函数替换了精细复合多尺度波动散布熵(RCMFDE)方法的正态累积分布函数,同时对RCMFDE方法的粗粒化方式进行了改进,提出了基于SORT映射的IRCMFDE方法;随后,利用IRCMFDE方法提取了旋转机械振动信号的故障特征,构造了故障特征集;最后,采用BA-RVM分类器对旋转机械的故障类型进行了智能化的识别和分类;将基于IRCMFDE和BA-RVM的故障诊断方法应用于滚动轴承、离心泵和齿轮箱的实验数据分析,并将其与现有故障诊断方法进行了对比分析。研究结果表明:基于IRCMFDE和BA-RVM的故障诊断方法能够有效地识别旋转机械的故障状态,识别准确率分别达到了100%、98%和99%,相比基于RCMFDE、精细复合多尺度熵、精细复合多尺度模糊熵、精细复合多尺度排列熵和精细复合多尺度散布熵的故障特征提取方法,该故障诊断方法的效率和平均识别准确率均优于对比方法,其更适合应用于旋转机械的在线实时故障监测。

基于IMF-MFDE和GRU的水电机组故障诊断

针对水电机组振动信号非平稳、非线性及强噪声的特点,提出了一种IMF多尺度波动散布熵(MFDE)结合门控循环单元(GRU)的故障诊断方法。首先,采用跳蛛优化算法(JSOA)寻找变分模态分解(VMD)最优参数,达到振动信号最佳分解降噪效果;其次,对分解得到的本征模态函数(IMF)进行重构,计算有效IMF的多尺度波动散布熵(MFDE)作为故障特征向量;最后,将特征向量输入GRU构建水电机组故障识别器。所提方法对实际水电站机组故障样本数据的故障识别率达97.83%,验证了该方法的有效性。

基于CMMFDE与多传感器信息融合的旋转机械故障诊断研究

采用单一传感器采集的振动信号难以准确描述旋转机械动态特性,导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷,提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)的旋转机械故障诊断方法。首先,引入复合多元粗粒化处理,提出了CMMFDE方法,避免了传统单变量分析方法只能处理单一通道振动信号而导致特征的表征性能不足的缺陷,增强了故障特征的表征性能;随后,利用布置在旋转机械不同部位的传感器收集了多种类型的信号,组成混合多通道信号,并进行了CMMFDE分析,构建了故障特征;最后,采用HHO对极限学习机的参数进行了自适应优化,并对特征样本进行了训练和测试,完成了旋转机械的故障识别工作;利用齿轮箱、离心泵两种典型的旋转机械数据集进行了实验分析。研究结果表明:该方法对多个通道的信号进行分析时,所获得的准确率达到了100%和98%,优于对单个通道信号进行分析时获得的准确率,同时CMMFDE方法的准确率和特征提取时间均优于精细复合多元多尺度熵(RCMMSE)、精细复合多元多尺度模糊熵(RCMMFE)、精细复合多元多尺度排列熵(RCMMPE)、多元多尺度波动散布熵(MMFDE)。

基于时移多尺度散布熵和SVM的滚动轴承故障诊断方法

针对多尺度散布熵(MDE)在对滚动轴承故障信号进行特征提取时会出现信号信息严重损失的问题,提出了时移多尺度散布熵(TMDE)的概念,并由此提出基于TMED和支持向量机(SVM)的滚动轴承故障诊断方法。首先,通过仿真信号对TMDE和MDE进行了对比分析,结果表明,TMDE得到的熵值更稳定且对数据长度依赖小。其次,将所提方法应用到滚动轴承的故障诊断实例中,结果表明,TMDE获得了比MDE更高的滚动轴承不同类型和不同程度故障的诊断精度。

基于HTMFDE以及ICNN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种结合层次时移多尺度波动散布熵(Hierarchical Time-shifted Multiscale Fluctuation Dispersion Entropy,HTMFDE)、JRD距离(Jensen-Renyi divergence,JRD)以及改进卷积神经网络(Improved convolution neural network,ICNN)的轴承寿命状态识别新方法。首先,在传统多尺度波动散布熵的基础上,将传统均值粗粒化过程替换为改进的时移粗粒化过程,以解决传统均值粗粒化导致信号幅值特征丢失的问题。同时引入层次分解理论,克服多尺度分析方法不能全面提取不同频段故障特征的不足,得到最终的HTMFDE。之后利用HTMFDE方法提取滚动轴承信号的多维状态特征量,并进行归一化形成一组概率分布,计算轴承正常信号与故障信号之间的JRD距离作为性能退化指标。其次,根据构建的JRD性能退化曲线,划分轴承寿命状态并制作数据集,通过标签化的样本训练具有双层多尺度特征提取层的卷积神经网络,建立滚动轴承寿命状态识别模型。为了加快模型的收敛速度,对每层卷积进行批量归一化操作,同时采用全局池化代替全连接层以提升模型的训练效率。最后,在2组不同的轴承数据集上进行实验。实验结果表明,根据HTMFDE构建的JRD性能退化曲线能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的ICNN模型在SNR=0~10 dB环境中平均识别正确率为98.5%,能够准确地识别轴承寿命状态,验证了所提方法的实用性以及有效性。

改进蝙蝠算法优化支持向量机的故障诊断方法

提出了一种基于变分模态分解(VMD)和时移多尺度散布熵(TSMDE)的故障特征提取结合改进的蝙蝠算法(IBA)来优化支持向量机(SVM)的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机(IBA-SVM),实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法(PSO)优化支持向量机(PSO-SVM)的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。

基于ALIF和TMFDE的滚动轴承故障诊断研究

为了提高滚动轴承的故障识别精度,提出了一种基于自适应局部迭代滤波(ALIF)和时移多尺度波动散布熵(TMFDE)的故障诊断方法。首先,利用ALIF对滚动轴承振动信号进行分解,获得一组IMF分量。其次,为了获得更集成的IMF分量,基于能量法评估各IMF分量的重要性,将前3阶分量视为有效分量。接着,利用TMFDE量化有效分量中的特征信息,构建故障特征向量。最后,将故障特征输入至粒子群优化的极限学习机中进行故障识别。利用东南大学的滚动轴承数据对该方法进行了评估,结果表明该方法能够准确地识别故障的类型,与其他方法相比,该方法在数据量较少时仍然具有优异的稳定性。

基于HRFDE和GSA-PNN的旋转机械故障识别模型

采用波动散布熵只能提取故障振动信号的单一尺度特征,而多尺度反向波动散布熵(MRFDE)无法分析信号的高频特性信息,导致提取的故障特征不够全面,进而影响旋转机械故障识别准确率,针对这一问题,提出了一种基于层次反向波动散布熵(HRFDE)和引力搜索算法优化概率神经网络(GSA-PNN)的旋转机械故障诊断模型(方法)。首先,利用层次分割处理代替MRFDE中的粗粒化处理,提出了可以同时提取信号中低频段信息和高频段信息的HRFDE方法,并用于全面表征旋转机械故障特征中的低频和高频信息,从而生成了故障特征样本;然后,采用引力搜索算法(GSA)方法对概率神经网络(PNN)分类器的平滑因子进行了快速优化,建立了GSA-PNN多故障分类模型,对旋转机械的故障类型进行了识别和检测;最后,利用滚动轴承和齿轮箱两种典型的故障数据集,对基于HRFDE方法和GSA-PNN分类器的故障诊断方法的有效性和稳定性进行了实验分析,并将其与现有基于MRFDE、多尺度波动散布熵(MFDE)和层次散布熵(HDE)的故障特征提取方法进行了对比分析。研究结果表明:基于HRFDE方法和GSA-PNN分类器的故障诊断方法可以精准地识别旋转机械的不同故障类型,对两种数据集的识别准确率均达到了98%;而在牺牲部分故障识别效率的基础上,能够获得优于其他对比方法的故障识别准确率,其具有更好的综合性能。

基于RCMRFDE和ELM的滚动轴承故障检测方法

为了有效地提升滚动轴承故障诊断的可靠性和准确性,鉴于精细复合多尺度反向波动散布熵(RCMRFDE)方法在描述非线性序列复杂度和特征提取方面的优势,提出了一种结合RCMRFDE和极限学习机(ELM)的滚动轴承综合故障检测方法(该方法包括健康检测和故障分类)。首先,根据滚动轴承健康和故障振动信号复杂性具有显著性差异的特点,利用RCMRFDE预先检测了滚动轴承的健康状态,筛选出了健康轴承;然后,采用RCMRFDE提取出了剩余故障轴承的故障特征,并采用极限学习机(ELM)对故障类型进行了智能化的识别;最后,基于两种公开的滚动轴承故障实验数据,分别采用RCMRFDE+ELM方法与其他5种故障诊断方法进行了检测,并将所得结果进行了比较分析,以验证新方法的检测精度、分类准确率、效率和可靠性。研究结果表明:采用RCMRFDE+ELM方法能够准确地检测出滚动轴承是否存在故障,并且在二次实验中,对于故障轴承的平均识别准确率分别达到了99.96%和99.67%,均高于其他方法。该方法可以为建立滚动轴承的健康监测模型提供阈值设置方法和诊断思路。

基于CEEMDAN-MFDE-HHO-SVM的机载燃油泵故障辨识

针对机载燃油泵振动信号的有效分量相互耦合、故障特征提取困难,进而导致故障识别准确率低的问题,提出了一种基于自适应噪声完备经验模态分解(CEEMDAN)、多尺度波动散布熵(MFDE)和哈里斯鹰算法(HHO)优化支持向量机(SVM)的机载燃油泵故障辨识方法(CEEMDAN-MFDE-HHO-SVM)。首先,采用CEEMDAN方法对机载燃油泵振动信号进行了自适应分解,生成了一组从低频到高频分布的本征模态函数(IMF),并选择包含冲击信息较多的IMF分量进行了信号重构,得到了噪声含量较低的信号;然后,采用MFDE方法计算了低噪信号的熵值,构造了表征样本故障属性的特征矩阵;最后,采用HHO算法对SVM的关键参数进行了优化,以构造基于HHO-SVM模型的多故障分类器,对机载燃油泵的故障进行了辨识;基于实测机载燃油泵故障数据集,将CEEMDAN-MFDE-HHO-SVM方法与其他组合方法进行了对比分析。研究结果表明:该故障辨识模型的故障分类准确率达到了100%,在信号处理、熵值特征提取和分类器方面都优于其他对比方法;该模型不仅具有更高的分类准确率,而且具有更优异的效率,后续可以将其推广到其他机械设备的故障辨识中。

基于HRCMFDE、LS、BA-SVM的行星齿轮箱故障诊断

针对行星齿轮箱的特征提取以及故障识别问题,提出了一种基于混合精细复合多尺度波动散布熵(HRCMFDE)特征提取、拉普拉斯分数(LS)特征降维优化和蝙蝠算法优化支持向量机(BA-SVM)故障识别的行星齿轮箱故障诊断方法。首先,提出了一种新的时间序列复杂度测量方法—HRCMFDE(其由5种不同粗粒化方式的RCMFDE组成,具备更全面和可靠的特征提取性能),用于从振动信号中挖掘出反映行星齿轮箱状态的故障信息,构成初始的混合故障特征;然后,考虑到由HRCMFDE组成的故障特征具有较高的维数和冗余,利用LS对初始特征进行了优化,生成了低维的敏感特征;最后,利用基于蝙蝠算法优化的支持向量机,对行星齿轮系不同故障特征向量进行了训练和分类,利用真实故障数据集对基于HRCMFDE、LS、BA-SVM的方法进行了验证。研究结果表明:利用行星齿轮箱数据集对该方案进行的有效性实验,能够准确地识别出齿轮箱的不同故障,其单次分类的准确率达到了98.13%,多次分类的平均准确率也优于对比方法;该结果验证了基于混合精细复合多尺度波动散布熵特征提取的有效性,采用该方法能够对行星齿轮箱的故障进行诊断。

基于CMFDE的单向阀早期微弱故障诊断方法

对单向阀早期微弱故障进行诊断可预防高压隔膜泵因单向阀磨损击穿无法正常工作而造成经济损失及安全事故。针对往复式高压隔膜泵单向阀早期微弱故障特征不明显且受大量噪声干扰的问题,提出基于复合多尺度波动散布熵(composite multiscale fluctuation dispersion entropy,CMFDE)的单向阀早期微弱故障诊断方法。首先,用正切S型替换CMFDE方法中的正态分布函数映射,提高CMFDE的抗噪性;其次,计算振动信号的复合多尺度波动散布熵值,构建特征矩阵,并将其输入支持向量机(support vector machine,SVM)分类器中进行故障诊断;最后,利用单向阀实际工程数据验证该方法的有效性,并进行对比实验。实验结果与对比分析表明,不需对单向阀原始信号进行降噪,简化了诊断过程。复合多尺度波动散布熵可精确反映单向阀不同信号特征,提高了单向阀早期微弱故障诊断的识别率,且故障诊断结果受分类器影响小,识别准确率达到96.667%。

基于TSMRFDE和随机森林的旋转机械故障诊断

为高效检测旋转机械的故障类型和严重程度,提出了一种具有优异泛化性的旋转机械故障诊断方法。首先,基于反向波动散布熵和时移粗粒化处理,开发了一种新的测量时间序列复杂度的方法,称为时移多尺度反向波动散布熵(TSMRFDE);其次,采用t-随机领域嵌入(t-SNE)对TSMRFDE进行流形降维,减小特征的冗余;最后,将低维故障特征输入至随机森林(RF)分类器进行故障识别。实验结果表明,TSMRFDE-t-SNE-RF在不同平台的实验中都取得了优异的故障识别结果,平均识别准确率分别达到了100%和97.9%,验证了该方法的泛化性和稳定性。