多尺度熵方法在机械故障诊断中的应用研究进展

机械设备状态监测与故障诊断的关键是故障特征的表征与提取,采用基于熵及相关方法建立的非线性动力学指标能够提取蕴藏在振动信号中的非线性故障特征信息。自熵方法引入以来,通过不断修改和改进来提高熵估计的准确性,多尺度熵进一步拓展了时间序列其他尺度上包含的复杂度信息,其在设备状态监测与故障诊断中得到广泛应用。本文对单一尺度熵及多尺度样本熵、多尺度模糊熵、多尺度排列熵和多尺度散布熵等多尺度熵方法在机械智能故障诊断中的应用进行综述,总结不同方法的特点优势与不足;针对多变量数据处理问题,综述由单变量推广到多变量的多元多尺度熵的应用发展过程。最后结合多尺度熵相关方法在机械智能故障诊断中面临的问题与挑战,对未来发展方向进行展望,即在工业大数据应用、故障机理、可解释性角度构建基于熵的深度学习模型。

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。

基于ICEEMDAN多尺度熵与NGO-HKELM的转子故障诊断

针对电机转子故障信号非平稳、敏感的故障特征不能有效提取,传统分类器参数智能优化算法存在优化速度慢、调整参数多、易陷入局部最优等问题提出基于ICEEMDAN-MSE-KPCA与NGO-HKELM优化的转子故障诊断方法。首先,采用改进的自适应噪声完全集合经验模态分解(improved complete empirical mode decomposition with adaptive noise,ICEEMDAN)方法对转子振动信号进行分解和重构;计算重构信号的多尺度样本熵(multiscale sample entropy,MSE),形成特征向量,通过核主成分分析(kernel principal component analysis,KPCA)方法对高维的特征向量进行降维;最后,将降维后的特征向量输入北方苍鹰算法(northern goshawk optimization,NGO)优化的混合核极限学习机(hybrid extreme learning machine,HKELM)进行转子故障分类。研究结果表明,基于ICEEMDAN-MSE-KPCA与NGO-HKELM优化的转子故障诊断模型,平均识别准确率可达97.7273%,平均寻优时间为1.0681 s,收敛速度快、准确率高以及分类效果好。

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。

基于多尺度熵和SVM的同步发电机故障诊断方法

针对同步发电机的偏心故障和转子绕组匝间短路故障,对于样本熵不能体现多个时间尺度的信息的缺陷,采用多尺度熵来进行故障特征提取,并提出基于多尺度熵和SVM(支持向量机)的故障诊断方法。通过实验验证,该方法可以用来诊断相应的故障和故障程度,并取得较好效果。

复合多尺度注意熵在旋转机械多工况损伤识别中的应用

针对传统旋转机械损伤识别方法存在模型精度低和抗噪性差的问题,提出了一种基于复合多尺度注意熵(CMATE)和随机森林(RF)的旋转机械多工况损伤识别方法。首先,提出了一种新的测量时间序列复杂度的非线性动力学工具——复合多尺度注意熵;然后,利用CMATE提取旋转机械振动信号的损伤特征,其表征了旋转机械不同工况下的损伤特性;接着,将损伤特征输入至基于随机森林构造的多类别分类器中,进行了损伤识别;最后,采用滚动轴承-齿轮箱、齿轮箱和离心泵3种旋转机械数据集,并分别构造了9种工况和20种工况的多工况损伤数据集,对该损伤识别方法进行了实验研究。研究结果表明:该旋转机械损伤识别方法分别取得95%、97%和100%的识别准确率,在准确率和特征提取效率两方面优于其他的非线性动力学工具;并且在0 dB、1 dB、2 dB和3 dB这4种不同信噪比的噪声干扰下,依然取得了不错的损伤识别结果,证明了该模型具有可观的抗噪性;同时,该损伤识别方法能够稳定地识别旋转机械的不同负载和转速下的损伤,平均识别准确率分别达到了97.2%和93.5%,具有较好的实际应用潜力。

基于改进多尺度均值排列熵和参数优化SVM的齿轮箱故障诊断方法

当齿轮箱传动系统发生故障时,不同振动信号的多尺度均值排列熵(Multi-scale Mean Per⁃mutation Entropy,MMPE)与其故障状态有一定的对应关系,但MMPE提取故障特征的效果取决于参数的选取。因此,提出了一种基于改进MMPE和参数优化支持向量机(Support Vector Machine,SVM)的齿轮箱故障识别方法。首先,引用粒子群优化(Particle Swarm Optimization,PSO)算法对MMPE的参数进行优化;其次,对采集到的齿轮振动信号计算其MMPE;最后,采用PSO-SVM对齿轮的故障状态进行了识别。试验结果验证了所提方法的有效性且具有较高的准确率。

基于HIFU回波信号和多尺度模糊熵的生物组织变性识别研究

为了解决高强度聚焦超声(HIFU)治疗中的监测问题,在无需引入其他监测源的情况下,通过研究HIFU回波基波与二次谐波的多尺度模糊熵(MFE),提出了一种生物组织变性辨析新方法。HIFU回波信号通过谱减法去噪后,利用信息散度优化的变分模态分解(KLD-VMD)提取其基波与二次谐波分量,然后结合基波与二次谐波的MFE对组织进行变性识别,并使用等错误概率(EER)评价了该方法的有效性。最后,研究还比较了KLD-VMD与VMD、经验模态分解(EMD)和固有时间尺度分解(ITD)等其他分解方法,结合MFE分析了其辨析变性组织的能力。试验结果表明:基于KLD-VMD和MFE的组织变性识别其EER达到5.1%,相较于其他方法表现出了更好的识别效果;结合基波和二次谐波的识别结果比使用单一特征参数更好。该研究为HIFU治疗提供了一种新的监测方法,具有潜在的实际应用价值。

基于改进多尺度散布熵的电机典型故障信号诊断

为了提高电机振动信号的特征提取能力,设计基于改进多尺度散布熵的电机故障信号诊断方法。构建了改进多尺度散布熵(IMDE)算法来提取特征参数,以PSO优化SVM分类器完成故障的分类过程。研究结果表明:SVM相对ANN与k-NN获得了更高的分类精度,实现了SVM分类性能的显著提升,PSO-SVM的准确率能够达到100%,具备更优分类性能。设计了一种可以只提供少量训练样本的条件下实现100%准确率,能够获得比其它传统故障分析方法更优结果。

精细广义复合多元多尺度反向散布熵及其在滚动轴承故障诊断中的应用

多尺度反向散布熵能够有效度量时间序列的复杂性,但在粗粒化构造上存在缺陷,且在表征滚动轴承非线性故障特征时缺乏对其他通道同步信息的有效利用。为了准确提取轴承信号的故障特征,结合精细化和广义复合多尺度的思想,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中,提出了精细广义复合多元多尺度反向散布熵(RGCMvMRDE)。在此基础上,提出了一种基于RGCMvMRDE与引力搜索算法优化支持向量机(GSA-SVM)的滚动轴承故障诊断方法。首先,利用RGCMvMRDE全面表征滚动轴承故障特征信息,构建故障特征集;其次,采用GSA-SVM对故障类型进行智能识别;最后,将所提方法应用于滚动轴承实验数据分析,并将其与现有基于多尺度反向散布熵、广义多尺度反向散布熵和精细复合多元多尺度排列熵的故障特征提取方法进行了对比。研究结果表明,所提RGCMvMRDE不仅能够有效和精准地诊断轴承的不同故障类型和故障程度,且诊断效果优于上述对比方法。

基于二维多尺度时频散布熵的滚动轴承故障诊断方法

多尺度散布熵(multi-scale dispersion entropy,MDE 1D)是一种有效衡量一维振动信号复杂性特征的非线性动力学分析法,但其仅能反映振动信号时域中的复杂性特征,无法完整反映振动信号频域的非线性动力学信息。为此,在二维散布熵(two-dimensional dispersion entropy,DE_(2D))的基础上,提出二维时频散布熵(two-dimensional time-frequency dispersion entropy,TFDE_(2D))用于衡量时间序列的时频复杂性特征。同时,为更完整地反映时频分布在不同尺度下的复杂信息,受多尺度粗粒化启发,将传统粗粒化方法拓展到二维多尺度粗粒化,提出了二维多尺度时频散布熵(two-dimensional multi-scale time-frequency dispersion entropy,MTFDE_(2D)),用来量度振动信号时频分布的多尺度复杂性特征。在此基础上,将其应用于滚动轴承故障诊断中的非线性特征提取,提出一种基于MTFDE_(2D)和萤火虫优化支持向量机的滚动轴承智能诊断方法。最后,将所提方法应用于滚动轴承试验数据分析,并与现有方法进行对比。结果表明,所提方法不仅能有效地提取故障特征,实现不同轴承故障类型和故障程度的有效诊断,且诊断效果优于对比法。

基于多尺度排列熵和正则化RVFL的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀运行工况复杂,运行时产生的振动信号具有非线性、非平稳特性,导致信号特征提取困难,故障状态难以识别.为了提取单向阀运行状态的非线性动力学特征,提升故障诊断模型的识别精度和泛化能力,提出了一种基于多尺度排列熵(Multi-scale Permutation Entropy,MPE)和正则化随机向量函数链接(Random Vector Functional Link,RVFL)网络的单向阀故障诊断方法.首先,对工况下采集的单向阀振动信号进行变分模态分解(Variational Mode Decomposition,VMD)获得既定的若干本征模态函数(Intrinsic Mode Function,IMF)分量;然后,计算IMF分量的多尺度排列熵,构建表征单向阀运行状态的特征值向量;最后,基于运行状态的特征值向量,建立正则化随机RVFL的故障诊断模型,并应用于单向阀的运行状态监测与识别.实验结果表明,构建的故障诊断模型能够精确地识别单向阀的故障类型,准确率达到98.89%.

基于多尺度熵的高速列车载荷工况识别研究

转向架作为高速列车关键承载部件,其载荷特征对于结构疲劳强度评估和可靠性设计至关重要。针对转向架构架载荷信号非平稳、非线性性质,引入多尺度熵方法,结合小波变换、集成经验模态分解等时频分析方法,对典型工况下实测构架载荷信号在不同频率下的复杂性进行分析,探究在制动、道岔和曲线工况下,高、低频构架载荷信号分量多尺度熵差异程度,具有明显差异的信号分量多尺度熵作为区别高速列车工况的指标,使用Relief算法进行特征选择,构造表征不同工况特征向量。将基于多尺度熵的工况特征向量输入支持向量机中,对特征提取方法和支持向量机参数优化方法进行评定,分析获得不同工况的最优识别方法。同时基于传统时频分析方法建立工况特征向量,输入支持向量机进行工况识别,对比识别结果,证明基于多尺度熵的工况识别方法可以明显提高工况的识别效果,为实现实时在线监测高速列车运行工况提供技术支持。

基于多尺度迁移符号动力学熵和支持向量机的轴承诊断方法研究

针对传统数据驱动故障诊断模型在机械系统诊断中存在的泛化能力下降甚至失效的问题,应用迁移学习的思想,提出了基于多尺度迁移符号动力学熵和支持向量机的故障识别算法。采用多尺度符号动力学熵提取故障特征,在此基础上提出基于迁移学习的特征映射技术,使非同分布数据的特征在映射后分布差异减小。对多尺度迁移符号动力学熵方法的参数进行优选,将其输入支持向量机中,进一步提高最终的故障识别率。通过轴承故障实验信号的测试证明,基于多尺度迁移符号动力学熵的滚动轴承诊断方法能够有效提升数据驱动故障诊断模型的泛化能力,实现少量样本下滚动轴承不同故障位置的准确识别。

基于精细复合多尺度散布熵与XGBoost的海面小目标检测方法

针对传统海面漂浮小目标的特征检测方法难以有效提取目标特征的问题,提出了一种基于RCMDE-XGBoost海面小目标检测方法。利用变分模态分解对信号进行去噪预处理,通过精细复合多尺度散布熵提取目标的多尺度特征,构建多维度特征矩阵,输入XGBoost网络进行特征分类,通过模型训练,实现海面小目标检测。利用IPIX雷达实测数据库,在#54、#311、#320海情HV极化方式下检测率分别达到了93.33%、92.38%、95%,相较于图连通密度检测法平均提升12%,证明了RCMDE-XGBoost检测方法有效。

光纤探针测量及多尺度熵鉴别超临界类沸腾传热模式

亚临界沸腾包括界面蒸发和气泡动力学诱导的传热,但超临界传热是否存在类界面蒸发和类气泡传热以及两者间的转换缺少直接的实验证据.本文进行了超临界CO_(2)液池传热的实验研究,压力和液池温度分别为8—10 MPa和15℃.作为加热元件和感温元件,22 mm长和70μm直径的镍铬丝水平放置在液池中,光纤探针垂直放置,其顶端高于镍铬丝200μm.发现随热流密度或壁面过热度的持续增大,依次发生自然对流、类界面蒸发、类蒸发-沸腾转换、类沸腾4种传热模式.本文重点关注类界面蒸发和类沸腾传热以及两者间的转换.在类界面蒸发模式下,传热系数随壁面过热度增大略有下降,光纤输出小幅/高频信号,不存在主频,多尺度熵大,表征随机信号波动.在类蒸发-沸腾转换模式下,光纤输出大幅/低频周期信号,存在明显主频,多尺度熵小,代表有序的周期性脉动传热.在以类气泡为特征的类沸腾模式下,光纤信号波动幅度介于类蒸发和转换模式之间,主频不明显,多尺度熵也介于类蒸发和转换模式之间.研究获得了超临界类沸腾直接的实验证据,加深了对超临界传热机理的理解,为后续理论研究和工程应用提供了基础.

基于小波包分解多尺度排列熵及2阶特征选择的转辙机故障诊断方法

针对转辙机高精度故障诊断的需求,结合声音信号非接触、易采集等优势,提出一种基于声音信号的非接触式故障诊断方法。首先,基于小波包分解与多尺度排列熵,实现对声音样本的特征提取;其次,提出基于ReliefF和二进制粒子群优化算法的2阶特征选择方法,得到最佳特征集合,实现对声音样本的特征选择;最后,基于支持向量机算法对最佳特征集进行训练和测试,完成对转辙机的故障诊断。依托10种常见工况下共计800组声音样本开展实验,结果表明:该方法在反位—定位和定位—反位转换过程中得到的特征点数分别为13和39个,故障诊断准确率分别为99.67%和100%;相比于单一特征选择方法,采用的2阶特征选择方法能够大大降低特征维度,提高故障诊断准确率;相比于k近邻和线性判别分析这2种分类器,支持向量机分类器在转辙机故障诊断中更具优势。

多尺度样本熵对脑信号复杂度评估算法的修正

多尺度样本熵(MSE)算法作为一种时间序列非线性复杂度测量方法,近年来在生物信号分析中得到广泛应用。针对MSE对不同粗粒化程度数据序列的匹配标准缺少区分度的问题,提出一种修正方法,将序列匹配标准与不同粗粒化程度的数据相对应,以提高MSE对信号复杂度测量的准确度和可解释性。采用修正前、后的MSE分别对模拟噪声信号和人类脑电信号复杂度进行了计算。结果表明:修正后的MSE所表征的复杂度更符合白噪声与1/f噪声的物理意义,且对脑电信号在高时间尺度闭眼与睁眼实验条件下的复杂度具有更好的区分效果,复杂度差异存在统计显著性。

基于复合多尺度交叉模糊熵的行星齿轮箱故障诊断

模糊熵是衡量时间序列复杂性的非线性动力学分析方法,也是提取齿轮箱非线性故障特征的有效工具。然而模糊熵只对单个时间序列进行复杂性测量,忽略了两个不同时间序列之间模式的相似性。为充分利用振动信号间的丰富信息,将能够有效衡量两个时间序列同步性、相似性和互预测性的交叉熵理论引入到行星齿轮箱故障诊断中。针对单一尺度的熵值不能完整反映序列间模式复杂性问题,通过复合粗粒化的方式对时间序列进行多尺度分析,提出了衡量两通道时间序列相似性与互预测性的复合多尺度交叉模糊熵方法。在此基础上,提出了一种基于复合多尺度交叉模糊熵和萤火虫优化支持向量机的行星齿轮箱故障诊断方法。最后,将所提的故障诊断方法应用于行星齿轮箱试验数据分析,并与现有方法进行了对比,结果表明所提方法能够有效提取故障特征,并且在故障类型诊断方面有更高的识别率。

基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断

为充分提取非线性、非平稳的轴承故障信号特征信息,进而提高轴承故障诊断精度,提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先,使用VMD将轴承故障振动信号分解为了多个模态分量,通过评估原信号与模态分量信号的互相关程度,筛选了其有效模态,并对其进行了信号重构,实现了故障信号的降噪处理目的;然后,使用精细复合均值化代替了传统粗粒化方法,利用RCMMDE方法提取了重构信号的多尺度熵值,构成了特征样本集;最后,通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优,构建了最优的故障检测模型,并将特征样本集输入到WOA-SVM模型中进行了轴承故障诊断,并通过实验评估验证了模型的有效性。研究结果表明:该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上,并具有很强的鲁棒性。