一种时移多尺度排列熵与ELM相结合的滚动轴承故障诊断方法

多尺度排列熵(Multi-scale permutation entropy,MPE)随着尺度因子的增加得到的粗粒化序列长度越来越短,造成时间序列信息的严重损失。为此,提出了时移多尺度排列熵(Time-shifted multi-scale permutation entropy,TSMPE)。首先,采用仿真信号分别对TSMPE与MPE做仿真对比分析,结果表明,TSMPE对原始振动信号的长度依赖性较小,得到的熵值更加稳定。进一步地,提出了一种基于TSMPE与极限学习机的滚动轴承故障检测与诊断方法,将其应用于两组实际滚动轴承测试数据对滚动轴承故障类型和程度进行识别,结果表明:所提出故障诊断方法不仅能够准确地诊断滚动轴承的故障类型和程度,而且识别率高于基于MPE与ELM的故障诊断方法。

一种时移多尺度排列熵的降噪方法

针对卫星导航定位基准站高程时间序列受各类噪声干扰导致难以提取有用信号的问题,该文结合互补集合经验模态分解方法(CEEMD)算法和时移多尺度排列熵(TSMPE),提出了一种CEEMD-TSMPE的高程时间序列降噪方法。该方法利用噪声与信号各自的本征模态函数(IMF)分量的时移多尺度排列熵值存在差异的特点将其区分为噪声分量、信噪混合分量、信号分量;利用软阈值法对混合分量进行降噪;将混合分量的降噪结果与信号分量进行重构。采用BJFS站与JOEN站2000—2020年的高程时间序列和仿真信号数据进行实验分析。实验结果表明:该文提出的降噪方法可以根据信噪自身性质有效界定信噪分量并完成降噪,可为进一步研究提供可靠的数据支持。

基于CEEMDAN-TSMPE-PCA风力发电机齿轮箱高速轴承故障诊断技术

针对风力发电机组轴承故障信号微弱、不易提取、识别困难等问题,提出基于自适应白噪声完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)、时移多尺度排列熵(Time-Shift Multiscale Permutation Entropy,TSMPE)、主成分分析法(Principal Component Analysis,PCA)相结合的振动信号降噪算法,结合改进人工鱼群(Improved Artificial Fish Swarm Algorithm,IAFSA)优化支持向量机(Support Vector Machine,SVM)分类算法,实现风力发电机轴承的故障诊断。首先将风力发电机轴承原始振动信号进行CEEMDAN分解,得到一系列由高频到低频的IMF分量,通过相关系数筛选出经CEEMDAN分解后所产生虚假分量以及残余噪声分量并进行剔除,再通过峭度值在剩余分量中筛选出包含故障信息较多的IMF分量进行信号重构;其次,采用TSMPE计算重构信号的敏感特征值,经PCA选择后组成特征向量;最后,以IAFSA优化SVM,训练IAFSA-SVM多分类故障分类器,实现风力发电机轴承故障识别。将该方法与其他组合方法进行比较,证明所提方法在风力发电机轴承故障诊断中具有优越性和有效性。

基于TSMAAPE与WOA-KELM的液压泵故障诊断

多尺度排列熵(MPE)是一种非线性动力学方法,广泛应用于旋转机械的故障诊断。然而,排列熵没有考虑具有相同排列模式的时间序列可能具有不同的振幅,并且粗粒化方法存在缺陷。为解决上述问题,提出时移多尺度振幅感知排列熵(TSMAAPE)。利用时移时间序列改善MPE中粗粒度时间序列存在的不足,同时引入振幅感知排列熵。通过与时移多尺度排列熵和多尺度振幅感知排列熵进行对比,验证TSMAAPE的鲁棒性。考虑到TSMAAPE在特征提取方面的优势,结合鲸鱼优化算法优化的核极限学习机,提出一种液压泵智能故障诊断方法。结果表明:该方法对液压泵的不同故障具有较好的分类准确率,在故障诊断领域有广阔的应用前景。