低信噪比下基于多元变分模态分解的水下蛙人特征提取

为提高低信噪比下对蛙人辐射噪声的提取能力,提出了一种矢量多通道信号的水下蛙人辐射噪声特征提取方法。首先针对矢量多通道信号使用多元变分模态分解,得到固有模态函数。然后选取能量最高的模态函数组作为研究对象,计算该模态函数组互谱后的加权排列熵。最后提取加权排列熵频谱的蛙人特征量。海试结果表明,本方法可在无需先验信息情况下,提取由矢量水听器采集的蛙人信号特征,在检测率为80%的情况下抗噪能力较传统算法提升了10 dB。

基于ICEEMDAN-多尺度排列熵的拆除爆破振动信号降噪研究

由于工程环境、炸药爆炸等因素影响,实测建(构)筑物爆破拆除所产生的低频振动信号常受到噪声干扰。提出改进的自适应噪声完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise, ICEEMDAN)与多尺度排列熵联合的降噪算法,并运用皮尔逊系数、信噪比和均方误差来验证所用算法的可行性。对实测拆除爆破塌落触地振动信号进行降噪处理,通过频谱分析以及各类指标对比表明,该联合降噪方法能够有效降低拆除爆破振动信号中的噪声,并且对信号的低频能量影响较小,降噪效果显著,为拆除爆破振动信号分析和处理提供了一种新的有效的方法。

基于DIGWO-VMD-CMPE的轴承故障识别方法

针对滚动轴承故障信号特征提取困难和识别准确率低的问题,提出了一种基于维度学习的改进灰狼优化算法(DIGWO)优化变分模态分解(VMD)和复合多尺度排列熵(CMPE)的轴承故障识别方法。首先,采用基于维度学习的狩猎(DLH)搜索策略、余弦收敛因子a和个体狼ω位置更新的方法将灰狼优化算法(GWO)改进为DIGWO,并利用DIGWO算法的自适应性优化VMD分解,得到了多个本征模态函数(IMFs);然后,利用复合多尺度排列熵计算IMFs的特征值,选取适当维数的特征,构建了故障特征向量;最后,利用DIGWO算法优化支持向量机(SVM)的惩罚系数C和径向基函数g,建立了DIGWO-SVM滚动轴承故障诊断分类器,并利用滚动轴承的振动数据验证了算法的有效性。研究结果表明:基于CMPE的DIGWO-SVM滚动轴承故障诊断方法能够有效地识别轴承的运行状况,识别准确率达到了99.42%,相较于PSO-SVM、SSA-SVM方法提高了7.75%、1.68%,证明了该方法的分类性能在滚动轴承故障诊断中更具优势。

基于ICEEMDAN和IMWPE-LDA-BOA-SVM的齿轮箱损伤识别模型

针对齿轮箱振动信号中的背景噪声过大影响故障特征质量,进而降低故障识别准确率的问题,提出了一种基于改进自适应噪声完备集成经验模态分解(ICEEMDAN)、改进多尺度加权排列熵(IMWPE)、利用线性判别分析(LDA)、蝴蝶优化算法(BOA)优化支持向量机(SVM)的齿轮箱故障诊断方法(ICEEMDAN-IMWPE-LDA-BOA-SVM)。首先,采用ICEEMDAN对齿轮箱振动信号进行了分解,生成了一系列从低频到高频分布的本征模态函数分量;接着,基于相关系数筛选出包含主要故障信息的本征模态函数分量,进行了信号重构,降低了信号的噪声;随后,提出了改进多尺度加权排列熵的非线性动力学指标,并利用其提取了重构信号的故障特征,以构建反映齿轮箱故障特性的故障特征;然后,利用线性判别分析(LDA)对原始故障特征进行了压缩,以构建低维的故障特征向量;最后,采用蝴蝶优化算法(BOA)对支持向量机(SVM)的惩罚系数和核函数参数进行了优化,以构建参数最优的故障分类器,对齿轮箱的故障进行了识别;基于齿轮箱复合故障数据集对ICEEMDAN-IMWPE-BOA-SVM方法进行了实验和对比分析。研究结果表明:该方法能够较为准确地识别齿轮箱的不同故障类型,准确率达到了99.33%,诊断时间只需5.31 s,在多个方面都优于其他对比方法,在齿轮箱的故障诊断中更具有应用潜力。

IMRPE和AO-SVM在往复压缩机故障识别中的应用

针对常规故障诊断方法不适用于提取往复压缩机声音信号的故障特征,导致往复压缩机的故障识别精度不高的问题,提出了基于改进多尺度反向排列熵(IMRPE)、t-分布邻域嵌入(t-SNE)和天鹰优化器(AO)优化支持向量机(SVM)的往复压缩机故障诊断方法。首先,采用具有优异特征表达性能的IMRPE方法来提取往复压缩机声音信号的故障信息,构建了反映样本故障特征属性的故障特征向量;然后,利用t-SNE方法对故障特征进行了特征降维处理,以降低故障特征维数和去除冗余特征,从而获得了低维的敏感特征;最后,利用AO方法对SVM的惩罚系数和核参数进行了自适应搜索,从而建立了结构参数最优的分类器,并将低维的敏感故障特征输入至AO-SVM分类器中,进行了训练和分类,依据测试样本的输出标签完成了样本的故障识别;以往复压缩机声音信号故障数据为对象开展了研究,并评估了IMRPE-t-SNE-AO-SVM方法的有效性和稳定性。研究结果表明:IMRPE-t-SNE-AO-SVM方法的故障识别精度达到了97%,不仅能够用于准确且稳定地识别往复压缩机的故障类型,提高故障识别的精度,而且在准确率和稳定性方面优于其它对比方法。

基于声振信号融合的IRCMMDE离心泵损伤检测方法

离心泵早期的损伤特征比较微弱,难以有效提取其故障特征。针对这一问题,提出了一种基于声振信号融合的改进精细复合多元多尺度散布熵(IRCMMDE)和GWO-SVM的离心泵损伤检测方法。首先,利用多个传感器收集了离心泵在不同损伤状态下的声音和振动信号,并将声音和振动信号进行了融合,以充分利用不同类型信号中所蕴含的损伤特征信息;随后,针对多元多尺度散布熵(MMDE)不稳定的缺陷,对MMDE的粗粒化处理进行了优化,提出了改进精细复合多元多尺度散布熵(IRCMMDE)的复杂性测量指标;接着,利用IRCMMDE对声振融合信号进行了损伤特征提取,构建了各个损伤状态下的特征矩阵;最后,利用灰狼算法优化的支持向量机分类器,对各个损伤状态下的特征矩阵进行了识别,得到了最终的离心泵损伤检测结论。研究结果表明:采用基于声振信号融合的离心泵损伤检测方法,其最高可达到99.2%的故障识别准确率,相比于基于MMDE和RCMMDE的损伤检测方法,其能够更准确地识别出离心泵的损伤;该方法还能有效缓解单一信号检测时的不确定性,并且在多次实验验证下,其仍具有很高的检测精度。

基于VMD与IMWPE的舰船辐射噪声特征提取研究

舰船辐射噪声的特征提取是水下识别的依据,传统的特征提取可识别性较弱,水下识别较为困难。本文提出一种基于变分模态分解(variational mode decomposition, VMD)与改进多尺度加权排列熵(improved multisacle weighted permutation entropy, IMWPE)相结合的方法进行特征提取,将原始信号通过VMD分解成多个固有模态函数(intrinsic mode function, IMF),选取能够充分体现目标复杂度特征的IMF作为研究对象,然后通过IMWPE方法采用平移均值法解决多尺度加权排列熵(multisacle weighted permutation entropy, MWPE)的单一粗粒化问题。实验数据表明,将本文算法与对比算法提取的特征参数经过粒子群优化的支持向量机(particle swarm optimization support vector machine, PSO-SVM)进行分类识别,IMWPE算法识别率最高,具有良好的稳定性和优越性。

基于VMD-MMPE的轧机轴承滚动体与保持架故障诊断

针对板带轧机轴承工作环境恶劣、保持架与滚动体极易损坏、信号噪声大、识别困难以及实际工况对诊断速度要求高等问题,首先,提出粒子群优化变分模态分解(particle swarm optimization-variational mode decomposition,简称PSO-VMD)和多元多尺度排列熵(multivariate multiscale permutation entropy,简称MMPE)的故障诊断方法,并结合粒子群优化支持向量机(particle swarm optimization-support vector machine,简称PSO-SVM)实现故障分类;其次,轴承振动信号经VMD处理为若干模态分量(intrinsic mode functions,简称IMF),选最优分量进行包络分析;然后,针对轧机轴承垂直水平轴向振动差别较大且受较大径向力与轴向力的特点,采用MMPE并考虑3维振动信号的4个分量的MMPE值与时域指标组成特征向量;最后,基于PSO-SVM模型对方法的有效性进行验证。计算和实验结果与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)与局部均值分解(local mean decomposition,简称LMD)方法对比表明,VMD-MMPE可以优化模型的输入,提高模型的诊断正确率和速度,实现轴承保持架与滚动体不同部位和不同损伤程度的故障诊断,具有重要的工程意义。

基于改进复合多元尺度加权排列熵的轴承故障识别研究

轴承作为机械传动系统上不可缺少单元,在长期交变载荷作用下容易产生内部损伤,判断其故障状态尤为重要。综合复合多元多尺度加权排列熵(CMMWPE)与天牛须搜索支持向量机(BSASVM)算法优点,设计了一种基于CMMWPE-BSASVM复合算法的轴承故障智能诊断方法。以调心球轴承运行情况为例,开展故障诊断分析。研究结果表明:利用本文CMMWPE算法进行处理时形成了比MWPE、CMWPE算法更加平滑的熵值变化曲线,能够实现以上样本的精确区分,有助于更准确提取出滚动轴承的特征信号。采用CMMWPE可以实现更高效的故障模式识别性能;相比较其他分类器,BSASVM分类器处理效率更高,因此建立的CMMWPE和Isomap特征集识别运行故障获得了100%准确率,确保滚动轴承故障达到精确、高效识别的效果。该研究可以拓宽到相关机械传动领域,具有很好的应用价值。

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题,合理的特征选择可提高故障诊断率,提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先,通过变分模态分解(VMD)进行信号降噪预处理,计算多尺度排列熵进行信号特征重构;其次,引入惯性动态权重对鲸鱼算法进行改进,通过训练SVM参数,建立IWOA-SVM故障诊断模型;最后用美国凯斯西储大学轴承数据集进行仿真。结果表明,相较于多尺度熵,MPE可表征的故障特征信息更加丰富,故障识别率提高了2.1%;与同类优化算法相比,采用IWOA对SVM进行优化的故障诊断模型,收敛速度快、训练时间短、故障识别精度高,可对滚动轴承进行有效诊断。

基于HBA-ICEEMDAN和HWPE的行星齿轮箱故障诊断

针对行星齿轮箱的故障特征提取和模式识别问题,提出了结合蜜獾算法(HBA)优化改进自适应噪声完备经验模态分解(ICEEMDAN)、层次加权排列熵(HWPE)和灰狼算法(GWO)优化支持向量机(SVM)的行星齿轮箱故障诊断方法。首先,利用HBA优化了ICEEMDAN的白噪声幅值权重和噪声添加次数,并对行星齿轮箱的振动信号进行了HBA-ICEEMDAN分解,得到了若干个本征模态函数,筛选出其中相关系数较大的分量进行了重构;然后,利用HWPE提取了重构低噪信号的敏感特征值,获得了故障特征向量;最后,利用GWO优化了SVM的惩罚系数和核系数,训练GWO-SVM多故障分类器,对行星齿轮箱损伤进行了识别;利用行星齿轮箱的振动数据进行实验,验证了算法的有效性。研究结果表明:结合HBA-ICEEMDAN、HWPE和GWO-SVM的行星齿轮箱故障诊断方法能够准确地识别行星齿轮箱的典型单点故障和复合故障,识别准确率达到了98.15%。相较于其他组合方法,该方法在行星齿轮箱故障诊断中更具有有效性,更具有优越性。

融合表面肌电和加速度信号的下肢运动模式识别研究

为了提高下肢运动模式识别率,本文设计了一种融合表面肌电和加速度信号的下肢运动模式识别方法.首先,用局部均值分解将表面肌电信号分解为多个乘积函数(Product Functions,PFs),再计算PF成分的多尺度排序熵.然后,通过拉普拉斯权重(Laplacian score,LS)特征选择算法选定每路肌电信号的一个尺度排序熵为特征,并把该特征和加速度信号的排序熵组成特征向量.最后,根据类内欧氏距离和类间样本分布,设计了改进的二叉树支持向量机,把特征向量输入该支持向量机进行下肢运动模式分类.实验结果表明所提方法对七个日常动作的平均识别率达到98.62%,相较于其他方法有较高的识别率.

基于多点线圈联合数据的高速公路匝道影响范围识别

为准确识别高速公路匝道对主线车流的影响等级和范围,本文提出基于速度波动特性的高速公路匝道影响量化方法。通过建立改进加权速度排列熵指标以量化各服务水平下匝道对高速公路主线车流的影响,对建立的指标进行谱聚类分析来确定匝道的影响阈值。应用京昆高速及二广高速的99个平行式合流匝道和直接式分流匝道多点主线线圈检测器数据的分析结果表明,所提出方法可识别高速公路主线车流受匝道的影响程度。合流匝道对主线最外侧车道的影响比次外侧车道高4%~69%;A~C级服务水平下,分流匝道对上游主线最外侧车道影响程度比次外侧车道高6%~29%,D~F级服务水平下,最外侧车道受影响程度比次外侧车道低10%~13%。合流匝道的影响范围是合流点上游350 m至下游550 m;其中上游160 m至下游100 m和下游180~270 m为核心影响范围。分流匝道影响范围为分流点至主线上游850 m,其中750~850 m、450~600 m、100~300 m为核心影响范围。研究成果可为高速公路匝道交通设计、管控策略和提升仿真可靠性提供依据,可有效降低设置匝道带来的影响。

基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法。利用改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)提取机械设备不同工况下的故障特征;采用监督等度规映射(S-Isomap)流形学习进行降维处理,获取低维的熵-流特征集;将熵-流特征输入至SSO-SVM多故障分类器进行识别与诊断。行星齿轮箱故障诊断实验分析结果表明:IMWPE+S-Isomap熵-流特征提取方法优于现有的多尺度排列熵(multiscale permutation entropy,MPE)、多尺度加权排列熵(multiscale weighted permutation entropy,MWPE)和IMWPE等熵值特征提取方法以及IMWPE+等度规映射(Isomap)和IMWPE+线性局部切空间排列(linear local tangent space alignment,LLTSA)等熵-流特征提取方法;樽海鞘群算法对支持向量机参数寻优效果优于粒子群、灰狼群、人工蜂群和蝙蝠群等算法;所提故障诊断方法识别精度达到100%,能够有效诊断出行星齿轮箱各工况类型。

ALIF-MMPE结合DAG-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断中非平稳振动信号下的有效故障特征提取问题,提出一种基于自适应局部迭代滤波、多元多尺度排列熵和有向无环图算法支持向量机的滚动轴承故障诊断方法。自适应局部迭代滤波通过构建自适应滤波函数,能够有效抑制噪声和模态混叠,经自适应分解后得到若干本征模态函数。仿真结果表明其效果优于经验模态分解。然后利用多元多尺度排列熵对包含显著故障信息的本征模态函数进行信息融合和特征提取,组成故障状态特征集。采用主成分分析对故障状态特征集进行降维,随机抽取部分样本带入有向无环图算法支持向量机中进行训练,其它则作为测试样本进行故障识别和诊断。试验故障诊断结果表明:自适应局部迭代滤波下多元多尺度排列熵优于多个本征模态函数下的多尺度排列熵和经验模态分解下的多元多尺度排列熵;本文方法能准确地识别滚动轴承不同的故障类型及故障程度。

基于改进多元多尺度加权排列熵的齿轮箱故障诊断

齿轮箱振动存在多个传递路径,而典型齿轮箱故障诊断方法一般使用单个路径的单通道振动信号,易造成其它通道信息的遗漏。为充分利用不同路径振动信号故障信息,增强故障特征的质量,引入了多元多尺度加权排列熵,对其粗粒化方式进行了完善,提出了改进多元多尺度加权排列熵(IMMWPE),实现齿轮箱多通道振动信号的故障特征提取。基于此,提出了一种结合IMMWPE、成对邻近特征和粒子群优化支持向量机的齿轮箱故障诊断方法。通过齿轮箱多通道数据分析,将其与多元多尺度样本熵、多元多尺度排列熵和多元多尺度模糊熵等方法进行对比,结果证明该方法能够准确识别齿轮箱的各类故障,而且优于对比方法。

广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断

针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵(GCMWPE)与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射(S-Isomap)算法进行有效的二次特征提取。采用天牛须搜索优化支持向量机(BAS-SVM)诊断识别故障类型。将所提方法应用于滚动轴承实验数据分析过程,结果表明:GCMWPE特征提取效果优于多尺度加权排列熵、复合多尺度加权排列熵和广义多尺度加权排列熵;GCMWPE与S-Isomap相结合的特征提取方法可在低维空间中有效区分滚动轴承不同故障类型;BAS-SVM的识别正确率和识别速度优于粒子群优化支持向量机、模拟退火优化支持向量机和人工鱼群优化支持向量机;所提方法能够有效、精准地识别出各故障类型。

基于FCMMWPE-BSASVM组合算法的调心球轴承故障诊断研究

为了提高机械旋转系统上调心球轴承特征提取和故障识别能力,设计了一种精细复合多元多尺度加权排列熵(fine composite multivariate multi-scale weighted permutation entropy,FCMMWPE)与天牛须搜索支持向量机算法(beetle antennae search algorithm-supportvectormachine,BSASVM)相结合的故障特征提取方法,并采用等度规映射(Isomap)进行故障识别,最后开展故障诊断实例分析。研究结果表明:采用FCMMWPE算法处理状态熵值达到最高,形成更平滑的熵值曲线,广义粗粒化方法具备明显优势。轴承产生局部故障时,形成具有规律特征的振动信号,表明采用FCMMWPE提取调心球轴承故障特征满足可靠性条件并具备明显优势。对文章构建的FCMMWPE与Isomap特征集进行运行故障识别时实现了99.9%的准确率,实现调心球轴承故障高效识别。BSASVM满足更优的故障识别性能,具备更优的模式识别性能和更高处理效率。该研究可以拓宽到其他的机械传动领域,具有很好的应用价值。

基于谱熵梅尔积和改进VMD的轴承故障预警

针对传统轴承故障预警实时性较差、故障特征提取准确性影响预警效果的问题,将语音端点识别思想进行迁移,采用谱熵梅尔积特征的双门限法实时追踪故障起始点.为克服变分模态分解(variational mode decomposition,VMD)参数选取不当和端点效应对提取效果造成的影响,提出能量差网格搜索法对VMD进行参数寻优,并用支持向量回归机对端点效应进行抑制,结合多尺度加权排列熵在检测振动信号随机性方面的优势,充分发挥VMD对信号的重构能力,对起始点后的故障段进行特征捕捉.通过实际轴承故障信号的实验及数据分析,验证了该方法在轴承故障预警中的有效性.

基于改进多元多尺度色散熵的齿轮箱多通道振动信号故障诊断

齿轮箱发生故障时,其振动信号具有不平稳和非线性等特征,而常用的齿轮箱故障诊断方法大多是建立在单通道振动信号分析基础上,容易造成故障信息丢失,故而在工业生产中实用性受限。为了克服此缺陷,将多元多尺度色散熵引入到齿轮箱故障诊断当中,并改进其粗粒化方式,提出了改进多元多尺度色散熵,用以提取齿轮箱多通道振动信号的故障信息。在此基础上,提出一种基于集合经验模态分解,改进多元多尺度色散熵和遗传算法优化支持向量机的齿轮箱故障诊断方法。通过实验数据分析,并与多元多尺度样本熵、多元多尺度模糊熵等现有方法相比较,证明该方法具有更高的准确率和稳定性,且在处理短时间序列时具有明显优势。