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。

多尺度高阶奇异谱熵和GA-VPMCD方法在转子故障智能诊断中的应用

首先,针对转子故障振动信号的非高斯、非线性特征,提出了多尺度高阶奇异谱熵的概念,并将其用于转子故障特征提取;然后,针对新的小样本多分类识别方法——基于变量预测模型分类识别的模型选择问题,结合融合诊断思想和遗传算法,提出了GA-VPMCD分类识别方法。最后提出了基于多尺度高阶奇异谱熵和GA-VPMCD的转子故障诊断方法。试验结果验证了该方法的有效性和优越性。