VMD改进多尺度排列熵和LLTSA的列车车轮损伤诊断

针对列车车轮损伤振动信号特征难以提取的问题,本文提出基于变分模态分解(VMD)改进多尺度排列熵和线性局部切空间排列算法(LLTSA)的车轮损伤诊断方法。首先利用VMD方法分解原始振动信号得到若干个模态分量,计算各模态分量的改进多尺度排列熵,然后采用LLTSA方法进行特征维数约简,并与等距映射流形算法(ISOMAP)降维结果对比,获得最优的低维特征向量,最后将低维特征向量作为核极限学习机(KELM)的输入进行分类辨识。实验分析结果表明,该方法能够成功识别出车轮损伤状态。

基于CEEMDAN多尺度改进排列熵和SVM的空化噪声特征提取

当水下航行器处于高速航行时就会形成空化噪声,所产生的噪声会严重影响水下航行器的性能和安全。螺旋桨噪声包含着丰富的空化信息,是识别空化状态的有效手段。针对改进排列熵在单尺度下对原信号进行分析,无法有效区分不同空化状态,提出了将改进排列熵与自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)相结合的空化噪声特征提取方法。首先,采用CEEMDAN方法对水下航行器螺旋桨的空化噪声进行分解,提取具有空化特征的固有模态函数(intrinsic mode function, IMF)分量;其次,选取相关系数最高的IMF分量并计算其多尺度改进排列熵(multi-scale improved permutation entropy, MIPE);最后,基于多尺度改进排列熵,建立支持向量机的特征分类模型。仿真和试验结果表明,该方法具有更好的可分性。

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。

IMRPE和AO-SVM在往复压缩机故障识别中的应用

针对常规故障诊断方法不适用于提取往复压缩机声音信号的故障特征,导致往复压缩机的故障识别精度不高的问题,提出了基于改进多尺度反向排列熵(IMRPE)、t-分布邻域嵌入(t-SNE)和天鹰优化器(AO)优化支持向量机(SVM)的往复压缩机故障诊断方法。首先,采用具有优异特征表达性能的IMRPE方法来提取往复压缩机声音信号的故障信息,构建了反映样本故障特征属性的故障特征向量;然后,利用t-SNE方法对故障特征进行了特征降维处理,以降低故障特征维数和去除冗余特征,从而获得了低维的敏感特征;最后,利用AO方法对SVM的惩罚系数和核参数进行了自适应搜索,从而建立了结构参数最优的分类器,并将低维的敏感故障特征输入至AO-SVM分类器中,进行了训练和分类,依据测试样本的输出标签完成了样本的故障识别;以往复压缩机声音信号故障数据为对象开展了研究,并评估了IMRPE-t-SNE-AO-SVM方法的有效性和稳定性。研究结果表明:IMRPE-t-SNE-AO-SVM方法的故障识别精度达到了97%,不仅能够用于准确且稳定地识别往复压缩机的故障类型,提高故障识别的精度,而且在准确率和稳定性方面优于其它对比方法。

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。

基于振动信号的低压万能式断路器分合闸故障程度评估方法的研究

目前设备的机械故障诊断技术的研究多限于定性诊断,而故障诊断中故障程度的定量评估更能有效的指导设备维护。该文提出了一种低压万能式断路器分合闸故障程度定量评估的方法。首先对断路器工作模式进行识别,即利用局部均值分解(local mean decomposition,LMD)将采集到的分合闸振动信号自适应分解,求取主要乘积函数(product function,PF)的改进多尺度排列熵(multi-scale permutation entropy,MMPE)构成特征向量,再经过降维后,作为改进支持向量机(support vector machine,SVM)的输入量,实现断路器工作模式的识别;当断路器处于故障模式时,对采集的振动信号求取多尺度排列熵偏均值(partial mean of multi-scale permutation entropy,PMMPE),作为故障程度定量评估指标,并参照所求得的不同故障模式的故障程度特性曲线,可实现分合闸故障程度的定量评估。经实测数据验证表明,所提方法可以完成断路器工作模式的有效识别,且PMMPE指标相较于峭度、能量和多尺度排列熵平均值指标,能够更加有效的完成低压万能式断路器分合闸故障程度的定量评估。

交流接触器触头系统运动分析及故障诊断研究

为了解决现有交流接触器触头系统故障诊断技术存在的运行状态识别率较低的问题,该文以改进多尺度排列熵(MMPE)与能量矩为特征向量,提出一种基于粒子群优化(PSO)算法最小二乘支持向量机(LSSVM)的交流接触器触头系统运动分析及故障诊断方法,能够有效提高运行状态识别率。经实测数据验证表明,所提方法可以完成交流接触器运行状态的有效识别,能够更有效地完成交流接触器故障定性诊断,并可以有针对性地对设备进行检修和维护。

基于生物光子的小麦新陈度快速无损检测

小麦籽粒作为一种活的生命体,在正常储藏过程中,会不断消耗自身的营养物质来维持其生命活动。随着储藏时间的推移,小麦籽粒内部各种酶的活性减弱或丧失,自身呼吸强度逐步降低,原生质胶体结构松弛,籽粒的物理和化学状态发生改变,进而导致其后续食用和加工品质变劣。因此,对小麦新陈度的准确判定,是保证储藏小麦数量和质量的前提,对指导我国粮食储存具有重要的经济和社会意义。目前常用的小麦新陈度鉴定方法主要包括感官判定法和各种生化类方法;前者主要依赖操作者个人的主观经验,容易受到外界因素的干扰,可重复性较差,判定结果因人而异,只适合作小麦新陈度鉴定的辅助方法。后者虽然判定精度较高,但整个检测过程耗时过长,一般需要对待测样品进行复杂预处理,且检测过程中用到的多种化学试剂会对环境造成一定的污染。因此,迫切需要研究出一套快速、准确、绿色的小麦新陈度鉴定方法。利用生物光子仪器分别测试了5种不同储藏年份小麦样品的生物光子信号,并结合改进多尺度排列熵算法对2015年—2018年四种小麦样品的光子信号进行特征分析,最后借助反向传播神经网络对这4种不同储藏年份的小麦进行分类验证。实验结果表明,不同储藏年份小麦的自发光子量存在一定的差异,其中2019年小麦样品产生的光子数量明显高于其他年份的小麦样品,其余年份小麦样品光子数量的排列熵值随着储藏年限的增加而增大。对比实验结果显示,改进多尺度排列熵算法在很大程度上解决了由多尺度排列熵算法引起的信号抖动和突变问题,可以作为一种明显的特征来标识小麦的新陈度。最后借助BP神经网络进行分类测试,输出结果证明新构建的分类模型的准确度可以达到95%,能够实现对不同年份小麦新陈度的准确鉴别。

一种振测数据最佳分析长度的确定方法

数据分析长度的选取是提取结构振动特征信息的关键,人为选取信号分析的数据长度会导致其计算结果存在一定误差,为减少主观因素影响,提出一种基于改进多尺度排列熵(improved multi⁃scale permutation entropy,简称IMPE)的振测数据分析长度的方法。对于获得的振动信号,将一维的时间序列数据多尺度化后进行粗粒化处理,确定其相空间重构参数。选取不同长度的振测数据,分别计算多尺度排列熵(multi⁃scale permutation entropy,简称MPE)熵值,发现熵值对数据长度的变化敏感,随着数据长度的增加而变化,最后趋于稳定值。定义该稳定值为标准熵值,满足标准熵值97%精度的熵值作为有效熵值,选出满足精度要求的熵值,将其所对应的最短数据长度定义为振测数据的最佳分析长度。将该方法应用于仿真信号和具体泄流工程振动信号的最佳数据长度选取中,可为结构监测选取准确的数据分析长度,有较好的普适性。