局域波近似熵及其在机械故障诊断中的应用

根据信号经局域波分解后所得各基本模式分量的特性,提出了用各分量的近似熵来描述各模式分量的复杂程度,从而量化故障特征。分析结果表明:在相同故障状态下,同一模式分量有相近的近似熵,而在不同故障下,近似熵明显不同,因此近似熵可用于故障的特征提取。转子故障诊断结果表明了该方法的有效性和工程实用性,从而为机械状态监测与故障诊断提供了一种有效途径。

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。