基于符号动力学信息熵与改进神经网络的风机故障诊断研究

将时间序列的符号动力学信息熵H k应用在风机振动信号的分析中,能够真实地反映风机不同故障类型的差异。为了准确诊断风机的机械故障,提出了一种对多测点振动信号提取符号动力学信息熵的风机故障特征向量提取方法,再采用动量法和学习速率自适应的改进BP神经网络进行故障诊断。诊断结果表明此方法能够有效地诊断风机机械故障的类别、严重程度和发生部位,诊断时间短,适用于现场风机故障的在线诊断。

基于符号动力学信息熵与SVM的液压泵故障诊断

针对泵车液压泵早期故障特征信号微弱、故障特征难以提取的问题,提出了一种基于符号动力学信息熵与支持向量机(support vector machine,简称SVM)的泵车液压泵故障诊断方法。分别模拟了液压泵9种故障状态,测取了各状态下多测点的振动信号样本值。利用时间序列的符号动力学信息熵,计算各振动信号的符号动力学信息熵Hk,确定了各状态下相应的信息熵特征向量。建立了不同状态特征向量训练集,再结合支持向量机对液压泵故障模式进行诊断与识别,测试结果准确率为98.71%。将该方法与改进的BP(back propagation,简称BP)神经网络诊断结果进行了对比,结果表明该方法的识别率更高,诊断时间更短,适用于现场液压泵故障的在线诊断。

改进多尺度符号动力学信息熵及其在行星变速箱特征提取中的应用

针对行星变速箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,提出一种新的特征提取方法--改进多尺度符号动力学信息熵。在传统的符号动力学信息熵原理的基础上,通过改进传统方法的符号化过程,在考虑条件概率情况下计算信息熵,并引入多尺度概念,使得所提特征具有更大优势。最后求解行星变速箱故障模拟试验台采集到的三种状态下的振动信号改进多尺度符号动力学信息熵,并基于提出的特征评价指标对改进多尺度符号动力学信息熵、时频熵、排列熵、样本熵等特征的计算结果进行了对比。结果表明,该方法能够有效的提取行星变速箱运行状态特征,具有更高的敏感度。

符号动力学信息熵参数优化方法研究

在机械振动信号特征提取中应用符号动力学信息熵具有很好的效果,然而其算法中的嵌入维数和延迟时间等参数严重依赖人为经验确定,成为了符号动力学信息熵工程应用中的瓶颈。根据符号动力学信息熵的算法原理,提出符号动力学信息熵延迟时间和嵌入维数独立确定和联合确定等两种参数确定方法,并使用试验信号对此两种方法进行了检验和对比。结果表明,独立确定延迟时间和嵌入维数方法相比联合确定方法具有更好的效果,为符号动力学信息熵的应用提供了新思路。