基于改进层次斜率熵(IHSloE)的信号低频和高频故障特征提取方法

采用传统的基于粗粒化处理的多尺度特征提取方法,无法提取故障信号中的高频部分的故障信息,导致其提取到的故障特征难以准确地表征滚动轴承的故障状态和动态特性,无法保证故障诊断的可靠性和准确性。针对该缺陷,提出了一种基于改进层次斜率熵(IHSloE)和随机森林(RF)的滚动轴承故障诊断方法。首先,利用改进层次化处理代替粗粒化处理,实现了信号的多尺度分析目的,基于斜率熵,提出了改进层次斜率熵的非线性动力学指标;随后,利用IHSloE方法提取了滚动轴承振动信号的故障特征,建立了表征滚动轴承故障特性的故障特征;最后,基于RF模型建立了多故障分类器,并将故障特征输入至RF分类器进行了训练和测试,以实现滚动轴承的故障识别目的;利用滚动轴承数据集进行了实验,并将其与其他的故障特征提取指标进行了对比。研究结果表明:IHSloE方法采用改进的层次化处理,能够快速有效地提取出振动信号中的高频故障特征,诊断准确率达到了99%,而特征提取时间仅为149.35 s;相较于采用粗粒化处理和层次处理的特征提取方法,其准确率至少提高了2%和1%,证明该方法适用于滚动轴承的故障诊断。

基于改进层次多模式斜率熵的滚动轴承故障诊断

滚动轴承振动信号特征提取通常较为困难,特征提取的优劣对诊断结果影响较大。为提高轴承故障诊断的准确性,文章提出改进层次多模式斜率熵(modified hierarchical multi-mode slope entropy,MHMSE)的特征提取方法,并结合极限学习机(extreme learning machine,ELM)实现滚动轴承故障诊断。MHMSE利用改进层次方法提取时间序列的高低频信息,同时针对斜率熵(slope entropy,SE)的维度缺陷,将SE推广到多模式斜率熵(multi-mode slope entropy,MSE),用以提取层次分量的特征。通过将MHMSE提取的故障特征向量输入ELM,实现9种工况轴承故障识别。实验结果表明:改进层次方法要优于传统的层次、多尺度序列方法;同时MHMSE的诊断结果优于改进的层次排列熵(modified hierarchical permutation entropy,MHPE)、精细复合多尺度散布熵(refined composite multiscale dispersion entropy,RCMDE)、精细复合多尺度模糊熵(refined composite multiscale fuzzy entropy,RCMFE)、精细复合多尺度样本熵(refined composite multiscale sample entropy,RCMSE)、复合多尺度加权排列熵(composite multiscale weighted permutation entropy,CMWPE)。