基于非广延小波特征尺度熵和支持向量机的轴承状态识别

为了对轴承的运行状态进行有效的识别,以便进一步评估和预测轴承的寿命,提出了基于非广延小波特征尺度熵和Morlet小波核支持向量机(Morlet Wavelet Kernel Support Vector Machine,MWSVM)的轴承运行状态识别的新方法。对采集到的轴承振动信号进行小波分解,得到相应的小波分解系数,在此基础上结合非广延熵理论提出了沿尺度分布的非广延小波尺度熵特征提取方法。但是通过小波特征尺度熵分析后获得的特征信息存在维数较高,特征信息间冗余严重的问题,因此,引入了流形学维数约简算法(Locality Preserving Projection,LPP)进行敏感特征信息的提取,减少在特征信息提取过程中人为因素的干扰。以约简后的特征信息作为MWSVM的输入进行训练,建立轴承的状态识别模型,从而实现轴承状态的识别。通过对某轴承内圈正常状态和几种故障程度不同的状态进行识别,试验结果表明了方法的有效性。

小波相关特征尺度熵在滚动轴承故障诊断中的应用

将小波相关滤波方法与Shannon信息熵相结合,提出了一种故障检测与诊断的方法——小波相关特征尺度熵故障法。首先利用小波相关滤波方法提取滚动轴承故障振动信号的微弱故障信息特征,以求得信噪比较高的尺度域小波系数;然后结合Shannon信息熵理论给出了沿尺度分布的小波相关特征尺度熵定义及其计算方法。小波相关特征尺度熵能够定量表征不同尺度的能量分布,各尺度能量分布的均匀性可以反映滚动轴承的运行状态的差别,选取最能反映故障特征的小波相关特征尺度熵作为特征参数,通过所选取的小波相关特征尺度熵大小判断滚动轴承的工作状态和故障类型。实验证明该方法能有效地判断滚动轴承故障特征,为滚动轴承故障诊断提供了新的思路。

基于小波相关特征尺度熵的预测特征信息提取方法研究

提出一种小波相关特征尺度熵WCFSE的预测特征信息提取方法。将小波相关滤波法与Shannon信息熵理论相结合,给出了沿尺度分布的WCFSE的定义及其计算方法。WCFSE定量表征不同尺度的能量分布,各尺度能量分布的均匀性反映设备运行状态的差别,选取最能反映故障特征的WCFSE作为特征参数来判断设备运行状态。正常和几种故障程度不同的滚动体运行状态的识别结果验证了该方法的有效性和实用性。

基于小波相关特征尺度熵的HSMM设备退化状态识别与故障预测方法

隐半马尔可夫模型(HSMM)是隐马尔可夫模型(HMM)的一种扩展模型,是在已定义的HMM结构上加入了时间组成部分,克服了因马尔可夫链的假设造成HMM建模所具有的局限性,与HMM相比具有更好的建模能力和分析能力,而且可以直接用于预测。基于振动信号与语音信号的相似性,将HSMM引入机械设备退化状态识别与故障预测中,提出基于小波相关特征尺度熵(WCFSE)的HSMM设备退化状态识别与故障预测方法。首先将小波相关滤波法与信息熵理论相结合得到能敏感表征故障严重程度的WCFSE向量,并以此向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器与故障预测模型,从而实现设备退化状态识别与故障预测。将其应用到滚动轴承的退化状态识别与故障预测中,验证了该方法的有效性。

小波相关特征尺度熵和隐半马尔可夫模型在设备退化状态识别中的应用

为正确识别机械设备当前所处的退化状态,预防设备进一步退化和故障的发生,提出一种基于小波相关特征尺度熵和隐半马尔可夫模型(Hidden semi-Markov models,HSMM)的设备退化状态识别新方法。对采集到的设备振动信号进行小波相关滤波处理,得到信噪比较高的尺度域小波系数,在此基础上结合信息熵理论提出了沿尺度分布的小波相关特征尺度熵概念。构造信号的小波相关特征尺度熵/矢量,并以此矢量作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别。以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,同时还与基于小波相关特征尺度熵-HMM的状态识别法进行了比较,试验结果表明该方法能有效识别设备的退化状态。

基于小波特征尺度熵-隐半马尔可夫模型的设备退化状态识别方法及应用

机械设备从正常到故障往往经历一系列退化状态,正确识别设备当前所处的退化状态,对预防设备进一步退化和故障的发生具有重要意义。提出了一种基于小波特征尺度熵-隐半马尔可夫模型(HSMM)的设备退化状态识别新方法。通过小波变换提取小波特征尺度熵,然后构造信号的小波特征尺度熵向量,并以此作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别。并且以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,实验结果表明该方法能有效的识别设备的退化状态。

基于形态非抽样融合与DCT高阶奇异熵的液压泵退化特征提取

针对轴向柱塞式液压泵性能退化中振动信号非线性强、退化特征提取困难等问题,提出基于形态非抽样融合与DCT(Discrete Cosine Transform)高阶奇异熵的退化特征提取方法。在一般框架下提出形态非抽样小波融合方法,通过构建特征能量因子筛选各分解层近似信号,据融合规则实现双通道振动信号融合重构、改善重构信号的特征信息;并利用DCT高阶谱分析法对融合信号进一步处理,通过奇异值分解分别计算Shannon、Tsallis奇异熵作为液压泵性能退化特征向量;用仿真信号及液压泵实测振动信号验证该方法的有效性。

一种多元素多尺度形态非抽样小波分解方法

针对电动机轴承故障信号常被强背景噪声淹没的问题,提出了一种多元素多尺度形态非抽样小波分解方法,并将其应用于滚动轴承故障特征提取中。该方法基于形态非抽样小波的一般框架,结合了形态开闭-闭开混合算子的滤波特性以及形态梯度算子提取信号冲击成分的特点,对该算子的两部分分别使用三角形和扁平形结构元素,使效率最优化。仿真和试验证明,该方法既可以进行谐波与噪声滤除,又可以有效地提取冲击成分,较现有的形态非抽样小波方法有更好的效果。

基于小波尺度图重分配的瞬态特征检测与应用

在分析信号的小波尺度图重分配的基础上 ,提出应用小波尺度图重分配表示信号中的瞬态特征 ,并提出基于小波尺度图重分配的信号瞬时能量估计方法。将小波尺度图重分配方法和瞬时能量估计方法应用于振动信号中瞬时非平稳特征的表示与提取 ,结果表明小波尺度图能够在时频空间以较高的时频分辨率表示信号的非平稳特征 ,瞬时能量的估计可以作为分析机械设备状态的依据。

基于精细复合多尺度熵特征向量相关系数在滚动轴承故障诊断中应用

复合多尺度熵(CMSE)是在多尺度熵(MSE)基础上提出来的,它改善了MSE存在的熵值不精确、波动较大等,但不能解决样本时间序列太短引起未定义熵问题。精细复合多尺度熵(Refined Composite Multi-scale Entropy,RCMSE)通过改进算法使熵估计的准确性得到提高,并能降低诱导未定义熵的概率。以此为基础,提出基于RCMSE特征向量关系数的轴承故障识别分类方法。该方法首先利用RCMSE对数据样本生成多尺度熵,计算测试样本与已知故障状态的训练样本的RCMSE相关系数,从而判断测试样本的状态类型。对轴承信号数据进行试验表明,该方法能100%准确的对轴承正常,内圈,外圈和滚动体故障信号识别分类。因此,该方法是一种有效的识别故障特征,可为实际轴承故障诊断提供参考。

基于Morlet小波变换的滚动轴承早期故障特征提取研究

针对轴承故障初期振动信号中的特征成分极易被噪声信号淹没而不能及时检测的问题,结合Morlet小波变换降噪的基本原理,提出一种由尺度相关能量分布确定最优尺度参数的方法,从而在该尺度下对信号滤波来提取冲击特征成分。以最小Shannon熵优化Morlet小波的形状参数,实现母小波与信号故障特征的最佳匹配;以最优Morlet小波在不同变换尺度下的小波系数绘制尺度-能量谱,利用信号故障特征能量在特定尺度范围内聚集的特性,从谱图的极值点中选择滤波效果最好的尺度参数。对轴承全寿命数据的实际应用结果表明,与信号的均方根趋势相比,该方法能够提前从信号中提取微弱故障特征并检测到轴承的外圈故障,为轴承早期故障诊断提供了一种有效途径。

基于自适应谐波小波和能量熵的转子系统故障诊断研究

针对转子系统非平稳振动时故障特征难以准确提取的问题,提出一种基于自适应谐波小波和能量熵的转子系统故障诊断方法。首先,采用连续谐波小波方法分解转子信号,克服"二进制"谐波小波包分解不能任意选取感兴趣频段的缺限,同时在分解过程中通过时间尺度变换的方式消除信号采集过程中不同转速及采样频率的影响;然后,通过设定合理的分解参数,提取出表征转子系统的故障特征信息并构建故障模式矩阵,得到转子系统早期局部碰摩、全周碰摩、油膜涡动和油膜振荡等4种工况下的能量熵值;最后,将特征向量输入支持向量机(support vector machine,SVM)判断出转子系统的故障类型。试验结果表明:该方法可以有效用于转子系统的故障诊断。

基于改进多尺度熵与VPMCD的滚动轴承故障诊断

多尺度熵(Multiscale entropy,MSE)是一种衡量时间序列复杂性的方法,针对其粗粒化过程由时间序列长度变短而导致熵值不精确、波动较大等问题,提出一种改进的多尺度熵(Improved multiscale entropy,IMSE)算法。在此基础上,结合迭代拉普拉斯得分(Iteration Laplacian Score,ILS)特征选择和多变量预测模型(Variable predictive model based class discriminate,VPMCD),提出一种新的滚动轴承智能故障诊断方法。最后,将提出的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,提出的方法不仅能够有效地识别滚动状态和故障类型,而且其诊断效果优于现有方法。

风电机组叶片裂纹故障特征提取方法

为实现风电机组叶片及时有效地监测和维护,使用声发射技术采集疲劳裂纹信号,从而提取不同裂纹特征。鉴于尺度谱受到Heisenberg测不准原理的极限制约,时频聚集性不佳、干扰强的现象,提出风电机组叶片裂纹声发射信号的优化小波重分配尺度谱分析。基于Shannon熵理论计算裂纹萌生和预制裂纹再扩展的声发射信号的重分配尺度谱小波基函数带宽参数,得到最适合此两阶段裂纹声发射信号的Morlet小波基函数,计算优化基函数的小波重分配尺度谱,获得不同类型裂纹特征成分在时间尺度平面的高幅值能量分布。实验研究表明,优化小波重分配尺度谱的方法具有很好的时频聚集性和抗噪能力,实现了风电机组叶片裂纹声发射信号的时频特征清晰准确的提取,识别风电机组叶片不同阶段裂纹故障。进而可以采用该方法监测风电机组叶片在复杂环境中的退化状态。

改进EWT_MPE模型在矿山微震信号特征提取中的应用

针对矿山微震与爆破振动信号难以自动辨识的问题,提出了一种基于改进EWTMPE(经验小波变换多尺度排列熵)的信号特征提取方法,并应用于矿山微震信号特征提取中。针对EWT在以往处理复杂信号频谱出现的过切分问题提出了新的改进方法,并采用仿真信号验证了改进算法的可行性和准确性。将实际采集到的微震与爆破信号进行改进EWT分解,借助相关性分析从分解得到的本征模态函数(intrinsic mode function,IMF)分量中筛选出最优分量IMF1~IMF5。进而将筛选到的IMF分量进行重构,并计算重构信号的MPE值。应用GK模糊聚类算法对微震与爆破振动信号进行分类识别。结果表明,微震信号的MPE值要小于爆破信号的MPE值,且当嵌入维数m=5,尺度因子s=12,延迟时间τ=1时,两种信号的MPE值差异最大。基于改进EWT_MPE_GK模糊聚类算法的分类识别准确率达到93.5%,平均模糊熵(E)更接近0、分类系数(C)更接近1,与传统EWT_MPE_GK模糊聚类和EMD_MPE_GK模糊聚类相比,其聚类效果更优、识别准确率分别提高了3%和5.5%。

融合局部与全局特征提取的虹膜识别方法

传统的虹膜识别系统需要将虹膜图像转换至极坐标系统并进行归一化,通过平移特征向量来达到旋转不变性。为了降低传统虹膜识别方法的复杂性,提出了一种融合局部与全局特征提取的虹膜识别方法,无须对预处理后的虹膜图像进行归一化。该方法首先对分割出的虹膜图像直接采用非张量积小波提取全局特征,接着采用SIFT方法提取选定区域的局部特征,最后对虹膜局部及全局特征采用不同的权值,进行相似性距离测试。结果表明该方法在等错误率为0.935%的情况下,正确识别率达到了99.065%。在不对虹膜图像归一化的情况下,可获得很好的识别性能。

基于改进的快速鲁棒特征算法的人脸检测研究

针对快速鲁棒特征(SURF)算法冗余信息多且计算速度慢的缺点,该文对SURF算法进行改进,用于人脸检测。计算特征点邻域的图像熵,并使用非极大值抑制提取图像熵高的特征点,通过减少区域描述减少冗余信息。使用扇形窗口遍历各特征点邻域,通过计算窗口内哈尔小波响应构建该点的特征描述子,从而加快计算速度。使用费舍尔矢量核将各特征描述子映射到高维空间进行人脸检测。仿真实验表明,在应用于人脸检测数据集和基准(FDDB)数据集时,与SURF算法相比,该文算法检测率提高了7.9%,特征计算时间减少了53.1%,特征点数减少了59.7%。

基于近似熵和LCD-KELM的滚动轴承故障诊断

由于提取滚动轴承的非平稳非线性信号特征较为困难,强噪声背景下难以诊断早期故障,故而提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和核极限学习机(Kernel Extreme Learning Machine,KELM)的智能诊断方法(LCD_KELM)。该方法首先对信号进行LCD分解,将其分解成多个內禀尺度函数(Intrinsic Scale Component,ISC),选取包含有效频率成分的ISC并计算其近似熵值(Approximate Entropy,Ap En),使用KELM对随机选取的近似熵值进行训练,保存训练参数后,利用剩余的近似熵值进行测试,实验结果表明LCD_KELM具有较高的诊断准确率,能够对滚动轴承运行状态进行高精度诊断,从而判断滚动轴承的运转状况。

基于KPCA-HSMM设备退化状态识别与故障预测方法研究

为消除多通道观测信息冗余,压缩高维故障特征,提出基于KPCA多通道特征信息融合的HSMM设备退化状态识别与故障预测新方法。首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量,然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量,并以此向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器与故障预测模型,从而实现设备退化状态识别与故障预测。将其应用到滚动轴承的退化状态识别与故障预测中,验证了该方法的有效性。

基于KPCA-HSMM设备退化状态识别方法的研究

为消除多通道观测信息冗余,压缩高维故障特征,提出了基于核主元分析(KPCA)多通道特征信息融合的隐半马尔可夫模型(HSMM)设备退化状态识别的新方法。首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量;然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量;并以此融合特征向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器,从而实现设备退化状态的识别。实验结果表明,该方法能有效的识别设备的退化状态,从而为多通道特征信息融合设备退化状态识别开辟新的途径。