基于数学形态梯度谱熵的性能退化特征提取方法及其应用

针对数学形态谱熵难以准确描述信号的形态复杂度以及性能退化趋势评价效果不理想的问题,提出一种基于数学形态梯度谱熵的性能退化特征提取方法。该方法利用形态梯度算子在信号处理中能有效提取故障特征信息并抑制噪声的优势,将其引入到形态谱熵的定义中,得到数学形态梯度谱熵的概念。通过对仿真信号进行分析,验证了所提出的形态梯度谱熵作为信号复杂度指标的合理性与有效性。最后,将该方法应用到滚动轴承的性能退化研究中,结果表明,形态梯度谱熵能有效反映滚动轴承的性能退化趋势。

基于形态梯度谱熵的滚动轴承退化特征提取

提出一种基于形态梯度谱熵(MGSE)的结构复杂度分析方法,以此对滚动轴承的退化程度进行表征。首先对信号进行数学形态梯度运算,利用数学形态梯度算子在运算速度以及冲击成分提取中的特点,得到信号的冲击谱分布,结合信息熵理论,定量刻画信号的结构复杂度。将该方法应用到滚动轴承性能衰退因子的分析中,以MGSE定量描述性能退化过程中的非线性演化趋势。采用仿真信号和辛辛那提大学智能维护系统(IMS)滚动轴承全寿命数据进行分析,对比结构复杂度中的SE谱熵和C0复杂度,并对影响因素进行分析。结果表明:提出的形态梯度谱熵方法能够定量表征滚动轴承的性能退化程度,具有运算速度快、影响参数少、结果稳定的优势。