基于RCMDE和ISOMAP的行星齿轮传动耦合故障辨识研究

1

作者 苏世卿 王华锋 《机电工程》 CAS 北大核心 2024年第9期1584-1594,共11页

现有针对行星齿轮箱的故障诊断方法一般仅研究单一故障,但实际行星齿轮箱的故障一般由多个故障耦合而成,耦合故障的故障机理比单一故障的故障机理更复杂,振动信号中的非线性因素对特征提取的干扰更严重。针对该问题,提出了一种基于精细... 现有针对行星齿轮箱的故障诊断方法一般仅研究单一故障,但实际行星齿轮箱的故障一般由多个故障耦合而成,耦合故障的故障机理比单一故障的故障机理更复杂,振动信号中的非线性因素对特征提取的干扰更严重。针对该问题,提出了一种基于精细复合多尺度散度熵(RCMDE)、等距特征映射(ISOMAP)和遗传算法优化核极限学习机(GA-KELM)的行星齿轮箱耦合故障诊断方法。首先,利用振动加速度计采集了行星齿轮箱单一故障和耦合故障下运行时的振动信号,构建了故障数据集;随后,利用RCMDE提取了行星齿轮箱振动信号的故障特征,建立了初始的特征样本;接着,利用ISOMAP对故障特征进行了降维,并以可视化的方式获取了低维的特征样本;最后,将新特征输入至GA-KELM分类器中,对行星齿轮箱的不同故障类型进行了识别,并基于行星齿轮箱多点损伤样本,对RCMDE方法的可靠性进行了研究。研究结果表明:基于RCMDE和ISOMAP的故障特征提取方法能够有效提取振动信号中的故障特征,而GA-KELM的故障诊断准确率达到了98.13%,平均诊断准确率达到了96.25%。相较其他故障特征提取方法,基于RCMDE、ISOMAP和GA-KELM的行星齿轮箱耦合故障诊断方法能够更好地诊断行星齿轮箱的耦合故障,具有更高的诊断准确率。 展开更多

关键词 齿轮传动 耦合故障 故障诊断准确率 精细复合多尺度散度熵 等距特征映射 遗传算法优化核极限学习机

下载PDF 职称材料

时变工况下基于精细复合多尺度散度熵的旋转机械故障诊断方法 被引量：2

2

作者 卢太武 马洪波 +1 位作者 王先芝 陈改革 《振动与冲击》 EI CSCD 北大核心 2023年第21期211-218,共8页

时变工况下旋转机械的振动信号具有明显的时变调制的特点,熵值方法在提取该类信号特征时具有独特的优势。为了克服传统的熵值方法计算速度慢、熵值不稳定等问题,提出了一种基于精细复合多尺度散度熵的时变工况下旋转机械故障诊断方法,... 时变工况下旋转机械的振动信号具有明显的时变调制的特点,熵值方法在提取该类信号特征时具有独特的优势。为了克服传统的熵值方法计算速度慢、熵值不稳定等问题,提出了一种基于精细复合多尺度散度熵的时变工况下旋转机械故障诊断方法,能够更有效地提取故障特征信息并提高故障诊断准确率。首先,采用重采样的方法将时域信号转为角域信号,并利用变分模态分解和独立分量分析相结合的方法对角域信号进行去噪。其次,采用精细复合多尺度散度熵对去噪后的角域信号进行特征提取,然后将提取到的特征输入LR(logistic regression)分类器中识别故障类型。最后,通过时变工况下的齿轮试验对所提方法进行验证,结果表明,所提出的方法有效提高了时变工况下故障诊断准确率。 展开更多

关键词 故障诊断 时变工况 精细复合多尺度散度熵 变分模态分解 独立分量分析

下载PDF 职称材料

精细复合多尺度波动散布熵在液压泵故障诊断中的应用 被引量：21

3

作者 姜万录 赵亚鹏 +1 位作者 张淑清 李满 《振动与冲击》 EI CSCD 北大核心 2022年第8期7-16,共10页

液压泵振动信号具有非线性、非平稳性的特点,熵算法在该类信号分析方面有着独到的优势,但传统的熵算法在液压泵振动信号特征提取中有计算速度慢、熵值不准确、不稳定等不足,为了更有效地提取故障特征信息并提高故障诊断准确性,将精细复... 液压泵振动信号具有非线性、非平稳性的特点,熵算法在该类信号分析方面有着独到的优势,但传统的熵算法在液压泵振动信号特征提取中有计算速度慢、熵值不准确、不稳定等不足,为了更有效地提取故障特征信息并提高故障诊断准确性,将精细复合多尺度波动散布熵(refined composite multiscale fluctuation dispersion entropy,RCMFDE)引入到液压泵的故障特征提取中,提出了一种基于RCMFDE和粒子群优化支持向量机结合的液压泵故障诊断方法。计算不同故障振动信号的RCMFDE,并选取合适尺度下的多个RCMFDE值作为特征向量形成特征样本,输入粒子群优化支持向量机中进行故障分类识别。通过仿真信号和液压泵故障实测信号进行分析,并将所提出的方法与基于多尺度样本熵(multiscale sample entropy,MSE)、多尺度排列熵(multiscale permutation entropy,MPE)、多尺度符号动态熵(multiscale symbolic dynamic entropy,MSDE)、多尺度散布熵(multiscale dispersion entropy,MDE)、精细复合多尺度散布熵(refined composite multiscale dispersion entropy,RCMDE)、多尺度波动散布熵(multiscale fluctuation dispersion entropy,MFDE)的故障特征提取方法进行对比。试验结果表明,该方法能够更加准确地识别多类液压泵故障并能对液压泵性能退化程度进行有效评估。 展开更多

关键词 波动散布熵 精细复合多尺度波动散布熵(RCMFDE) 粒子群优化支持向量机 故障诊断 液压泵

下载PDF 职称材料

基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断 被引量：8

4

作者 张婕 张梅 陈万利 《机电工程》 CAS 北大核心 2023年第5期682-690,共9页

为充分提取非线性、非平稳的轴承故障信号特征信息,进而提高轴承故障诊断精度,提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先,使用VMD将轴承故障振动信号分解为了多个模态分量,通... 为充分提取非线性、非平稳的轴承故障信号特征信息,进而提高轴承故障诊断精度,提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先,使用VMD将轴承故障振动信号分解为了多个模态分量,通过评估原信号与模态分量信号的互相关程度,筛选了其有效模态,并对其进行了信号重构,实现了故障信号的降噪处理目的;然后,使用精细复合均值化代替了传统粗粒化方法,利用RCMMDE方法提取了重构信号的多尺度熵值,构成了特征样本集;最后,通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优,构建了最优的故障检测模型,并将特征样本集输入到WOA-SVM模型中进行了轴承故障诊断,并通过实验评估验证了模型的有效性。研究结果表明:该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上,并具有很强的鲁棒性。 展开更多

关键词 轴承故障诊断 变分模态分解 精细复合多尺度均值散布熵 鲸鱼算法 支持向量机 超参数寻优

下载PDF 职称材料

基于RCMFME和AO-ELM的齿轮箱损伤识别策略

5

作者 沈羽 赵旭 《机电工程》 CAS 北大核心 2024年第2期226-235,共10页

针对模糊熵只考虑信号的局部特征而忽略信号的全局特征,导致齿轮箱故障识别的准确率不佳的问题,提出了一种基于精细复合多尺度模糊测度熵(RCMFME)、天鹰优化器(AO)优化极限学习机(ELM)的齿轮箱故障诊断方法。首先,在精细复合多尺度模糊... 针对模糊熵只考虑信号的局部特征而忽略信号的全局特征,导致齿轮箱故障识别的准确率不佳的问题,提出了一种基于精细复合多尺度模糊测度熵(RCMFME)、天鹰优化器(AO)优化极限学习机(ELM)的齿轮箱故障诊断方法。首先,在精细复合多尺度模糊熵的基础上,对矢量的构造方式进行了改进,提出了能够同时考虑时间序列局部特征和全局特征的RCMFME方法;随后,利用RCMFME指标提取了齿轮箱振动信号的熵值,组建了故障特征向量;接着,利用AO算法对极限学习机的参数进行了自适应搜索,生成了参数最优的多类别分类器;最后,将训练样本的故障特征向量输入至AO-ELM分类模型中进行了模型训练,以构造性能最优的分类器,并实现了对齿轮箱测试样本的故障识别目的;利用两种齿轮箱振动数据集进行了实验,在识别准确率和识别稳定性方面,与相关的特征提取方法进行了对比。研究结果表明:采用基于RCMFME和AO-ELM的故障诊断方法能够分别取得100%和98%的分类准确率,平均识别准确率分别达到了100%和98%,优于精细复合多尺度全局模糊熵(RCMGFE)、精细复合多尺度模糊熵(RCMFE)、精细复合多尺度样本熵(RCMSE)。该方法具有显著的应用潜力。 展开更多

关键词 齿轮箱故障诊断 精细复合多尺度模糊测度熵 天鹰优化器 极限学习机 AO-ELM分类模型 特征提取

下载PDF 职称材料

基于SORT映射的IRCMFDE在旋转机械故障诊断中的应用

6

作者 王潞红 邹平吉 《机电工程》 北大核心 2024年第1期11-21,共11页

针对旋转机械振动信号的强非线性和非平稳性,导致故障特征提取困难的问题,提出了一种基于SORT映射的改进精细复合多尺度波动散布熵(IRCMFDE)和蝙蝠算法优化的相关向量机(BA-RVM)的旋转机械故障诊断方法。首先,利用SORT映射函数替换了精... 针对旋转机械振动信号的强非线性和非平稳性,导致故障特征提取困难的问题,提出了一种基于SORT映射的改进精细复合多尺度波动散布熵(IRCMFDE)和蝙蝠算法优化的相关向量机(BA-RVM)的旋转机械故障诊断方法。首先,利用SORT映射函数替换了精细复合多尺度波动散布熵(RCMFDE)方法的正态累积分布函数,同时对RCMFDE方法的粗粒化方式进行了改进,提出了基于SORT映射的IRCMFDE方法;随后,利用IRCMFDE方法提取了旋转机械振动信号的故障特征,构造了故障特征集;最后,采用BA-RVM分类器对旋转机械的故障类型进行了智能化的识别和分类;将基于IRCMFDE和BA-RVM的故障诊断方法应用于滚动轴承、离心泵和齿轮箱的实验数据分析,并将其与现有故障诊断方法进行了对比分析。研究结果表明:基于IRCMFDE和BA-RVM的故障诊断方法能够有效地识别旋转机械的故障状态,识别准确率分别达到了100%、98%和99%,相比基于RCMFDE、精细复合多尺度熵、精细复合多尺度模糊熵、精细复合多尺度排列熵和精细复合多尺度散布熵的故障特征提取方法,该故障诊断方法的效率和平均识别准确率均优于对比方法,其更适合应用于旋转机械的在线实时故障监测。 展开更多

关键词 改进精细复合多尺度波动散布熵 SORT映射 蝙蝠算法优化的相关向量机 旋转机械 故障分类识别

下载PDF 职称材料

基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的风电机组变桨轴承退化状态评估

7

作者 王晓龙 李英晟 +1 位作者 付锐棋 何玉灵 《动力工程学报》 CAS CSCD 北大核心 2024年第5期782-791,共10页

针对风电机组变桨轴承服役过程环境噪声干扰严重、退化状态评估精度低的问题,提出一种基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的退化状态评估模型。该模型将监测数据状态特征获取过程由单通道拓展为多通道进行,通过提... 针对风电机组变桨轴承服役过程环境噪声干扰严重、退化状态评估精度低的问题,提出一种基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的退化状态评估模型。该模型将监测数据状态特征获取过程由单通道拓展为多通道进行,通过提出的多元精细复合多尺度波动散布熵算法来获取多通道监测数据的多尺度状态特征,并将累积和检验算法与欧氏距离矩阵测度方法相结合,用于定量衡量基准样本与待分析样本间的差异,从而实现变桨轴承退化状态评估。风电机组变桨轴承全寿命周期加速疲劳实验验证结果表明:该模型能够及时捕捉到变桨轴承的初始退化时刻并且准确跟踪整个退化过程。 展开更多

关键词 风电机组 变桨轴承 退化状态评估 多元精细复合多尺度波动散布熵 累积欧氏距离矩阵测度

下载PDF 职称材料

基于HRCMFDE、LS、BA-SVM的行星齿轮箱故障诊断 被引量：3

8

作者 庄敏 李革 +1 位作者 范智军 孔德成 《机电工程》 CAS 北大核心 2022年第11期1535-1543,共9页

针对行星齿轮箱的特征提取以及故障识别问题,提出了一种基于混合精细复合多尺度波动散布熵(HRCMFDE)特征提取、拉普拉斯分数(LS)特征降维优化和蝙蝠算法优化支持向量机(BA-SVM)故障识别的行星齿轮箱故障诊断方法。首先,提出了一种新的... 针对行星齿轮箱的特征提取以及故障识别问题,提出了一种基于混合精细复合多尺度波动散布熵(HRCMFDE)特征提取、拉普拉斯分数(LS)特征降维优化和蝙蝠算法优化支持向量机(BA-SVM)故障识别的行星齿轮箱故障诊断方法。首先,提出了一种新的时间序列复杂度测量方法—HRCMFDE(其由5种不同粗粒化方式的RCMFDE组成,具备更全面和可靠的特征提取性能),用于从振动信号中挖掘出反映行星齿轮箱状态的故障信息,构成初始的混合故障特征;然后,考虑到由HRCMFDE组成的故障特征具有较高的维数和冗余,利用LS对初始特征进行了优化,生成了低维的敏感特征;最后,利用基于蝙蝠算法优化的支持向量机,对行星齿轮系不同故障特征向量进行了训练和分类,利用真实故障数据集对基于HRCMFDE、LS、BA-SVM的方法进行了验证。研究结果表明:利用行星齿轮箱数据集对该方案进行的有效性实验,能够准确地识别出齿轮箱的不同故障,其单次分类的准确率达到了98.13%,多次分类的平均准确率也优于对比方法;该结果验证了基于混合精细复合多尺度波动散布熵特征提取的有效性,采用该方法能够对行星齿轮箱的故障进行诊断。 展开更多

关键词 特征提取 特征降维优化 故障分类识别 混合精细复合多尺度波动散布熵 拉普拉斯分数 蝙蝠算法优化支持向量机

下载PDF 职称材料

基于改进精细复合多尺度归一化散布熵的生物组织变性识别

9

作者 刘备 蔡剑华 +1 位作者 杨江河 彭梓齐 《传感技术学报》 CAS CSCD 北大核心 2023年第11期1761-1767,共7页

在高强度聚焦超声(HIFU)治疗过程中,生物组织变性识别是不可或缺的关键部分。多尺度散布熵(MDE)作为一种非线性方法,被广泛应用于生物组织变性识别。然而MDE在粗粒化过程中时容易出现信息丢失和稳定性较差的问题,难以全面提取组织变性... 在高强度聚焦超声(HIFU)治疗过程中,生物组织变性识别是不可或缺的关键部分。多尺度散布熵(MDE)作为一种非线性方法,被广泛应用于生物组织变性识别。然而MDE在粗粒化过程中时容易出现信息丢失和稳定性较差的问题,难以全面提取组织变性特征。为了解决上述问题,提出了基于改进精细复合多尺度归一化散布熵(IRCMNDE)的生物组织变性识别方法。引入RCMDE,将其传统粗粒化过程中的平均值计算替换为最大值计算以解决MDE传统粗粒化过程中的问题,突出信号变性特征。通过对熵值的归一化处理减弱不同参数选择导致的熵值波动,形成IRCMNDE方法。将所提方法应用于实测HIFU回波信号数据,并采用概率神经网络(PNN)进行识别。研究结果表明:相较于MPE、MDE和RCMDE方法,基于IRCMNDE的生物组织变性识别率更高,高达96.77%,能更好地区分未变性与变性生物组织。 展开更多

关键词 HIFU 改进精细复合多尺度归一化散布熵 生物组织 变性识别

下载PDF 职称材料

基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法 被引量：66

10

作者 李从志 郑近德 +1 位作者 潘海洋 刘庆运 《中国机械工程》 EI CAS CSCD 北大核心 2019年第14期1713-1719,1726,共8页

为克服多尺度样本熵的不足,更精确地提取滚动轴承非线性故障特征,将一种新的非线性动力学分析方法精细复合多尺度散布熵引入到滚动轴承的故障特征提取.在此基础上,提出了一种基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断新... 为克服多尺度样本熵的不足,更精确地提取滚动轴承非线性故障特征,将一种新的非线性动力学分析方法精细复合多尺度散布熵引入到滚动轴承的故障特征提取.在此基础上,提出了一种基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断新方法.通过滚动轴承实验数据分析,将所提方法与基于多尺度样本熵和多尺度散布熵的故障诊断方法进行了对比,结果表明:所提方法不仅能精确地识别滚动轴承故障类型和故障程度,而且故障识别率高于另两种方法. 展开更多

关键词 散布熵 多尺度样本熵 精细复合多尺度散布熵 滚动轴承 故障诊断

下载PDF 职称材料

广义精细复合多尺度样本熵与流形学习相结合的滚动轴承故障诊断方法 被引量：25

11

作者 王振亚 姚立纲 《中国机械工程》 EI CAS CSCD 北大核心 2020年第20期2463-2471,共9页

针对滚动轴承故障特征提取困难的问题,提出了一种广义精细复合多尺度样本熵(GRCMSE)与流形学习相结合的特征提取方法。利用GRCMSE提取滚动轴承故障特征信息;采用判别式扩散映射分析(DDMA)方法对高维特征进行降维处理;将低维故障特征输... 针对滚动轴承故障特征提取困难的问题,提出了一种广义精细复合多尺度样本熵(GRCMSE)与流形学习相结合的特征提取方法。利用GRCMSE提取滚动轴承故障特征信息;采用判别式扩散映射分析(DDMA)方法对高维特征进行降维处理;将低维故障特征输入粒子群优化支持向量机多故障分类器中进行故障识别。滚动轴承故障实验分析结果表明:GRCMSE特征提取效果优于多尺度样本熵(MSE)、精细复合多尺度样本熵(RCMSE)和广义多尺度样本熵(GMSE);DDMA降维效果优于等度规映射(Isomap)和局部切空间排列(LTSA)的降维效果;GRCMSE和DDMA相结合后的滚动轴承故障识别精度达到100%。 展开更多

关键词 广义精细复合多尺度样本熵 判别式扩散映射分析 故障诊断 流形学习 滚动轴承

下载PDF 职称材料

基于变分模态分解的癫痫脑电信号分类方法 被引量：15

12

作者 张学军 景鹏 +1 位作者 何涛 孙知信 《电子学报》 EI CAS CSCD 北大核心 2020年第12期2469-2475,共7页

癫痫是一种常见的脑部疾病,通过脑电图能非侵入地定位人脑中的致痫区域.为了辨别病灶性和非病灶性癫痫脑电信号,文章提出一种基于变分模态分解的癫痫脑电信号自动检测方法,首先将原信号分割成多个子信号,并对各子信号进行变分模态分解,... 癫痫是一种常见的脑部疾病,通过脑电图能非侵入地定位人脑中的致痫区域.为了辨别病灶性和非病灶性癫痫脑电信号,文章提出一种基于变分模态分解的癫痫脑电信号自动检测方法,首先将原信号分割成多个子信号,并对各子信号进行变分模态分解,然后从分解后的不同变分模态函数中提取精细复合多尺度散布熵和精细复合多尺度模糊熵两个特征并利用支持向量机进行分类.针对癫痫脑电的公共数据集,最终的实验结果表明,准确率、灵敏度和特异度三个性能指标分别达到94.24%,95.58%和90.64%,ROC曲线下面积达0.978. 展开更多

关键词 癫痫脑电 变分模态分解 精细复合多尺度散布熵 精细复合多尺度模糊熵 支持向量机

下载PDF 职称材料

基于精细复合多尺度模糊熵的往复压缩机轴承间隙故障特征分析方法 被引量：13

13

作者 王金东 陈新 +3 位作者 赵海洋 贾川 陈桂娟 雷勇 《机床与液压》 北大核心 2021年第16期185-190,共6页

针对往复压缩机故障信号呈现非线性、非平稳等特点,提出了基于精细复合多尺度模糊熵(RCMFE)的往复压缩机轴承间隙故障特征提取方法。在精细复合多尺度熵的基础上,结合模糊熵概念,提出了RCMFE方法,应用其量化信号非线性特性形成故障特征... 针对往复压缩机故障信号呈现非线性、非平稳等特点,提出了基于精细复合多尺度模糊熵(RCMFE)的往复压缩机轴承间隙故障特征提取方法。在精细复合多尺度熵的基础上,结合模糊熵概念,提出了RCMFE方法,应用其量化信号非线性特性形成故障特征。白噪声和1/f噪声仿真信号分析结果表明:RCMFE熵值对数据长度不敏感,未定义熵出现概率小。以往复压缩机传动机构轴承间隙故障为研究对象,应用RCMFE实现其故障信号特征提取,并与多尺度模糊熵、复合多尺度模糊熵进行对比,该方法特征区分度显著,支持向量机故障识别准确率高于其他方法。 展开更多

关键词 精细复合多尺度模糊熵 往复压缩机 滑动轴承 故障诊断

下载PDF 职称材料

基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法 被引量：12

14

作者 郑近德 潘海洋 +3 位作者 包家汉 刘庆运 丁克勤 欧淑彬 《噪声与振动控制》 CSCD 2019年第2期175-180,193,共7页

多尺度熵是一种有效衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入精细复合多尺度熵(Refined composite multiscale entropy, RCMSE),在此基础上,结合自编码降维和遗传优化支持向量机,提出一种滚动轴承故障智能诊... 多尺度熵是一种有效衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入精细复合多尺度熵(Refined composite multiscale entropy, RCMSE),在此基础上,结合自编码降维和遗传优化支持向量机,提出一种滚动轴承故障智能诊断新方法。首先,利用RCMSE提取滚动轴承振动信号多尺度复杂度特征,构建初始特征向量矩阵;其次,采用自编码对初始高维特征数据降维,得到低维流形特征;然后,将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后,将所提方法应用于实验数据分析,并与多尺度熵方法进行对比,结果表明,该方法不仅能够有效诊断滚动轴承的工作状态和故障类型,而且识别率高于所对比方法。 展开更多

关键词 故障诊断 多尺度熵 精细复合多尺度熵 特征降维 滚动轴承

下载PDF 职称材料

自适应提升及预测误差修正的风电功率超短期预测 被引量：11

15

作者 高阳 谢丽蓉 +2 位作者 叶家豪 乔倜傥 代兵 《智慧电力》 北大核心 2022年第8期14-21,共8页

为了提高超短期风电功率预测精度,提出了一种自适应提升及预测误差修正的风电功率超短期预测方法。首先,使用CEEMDAN将原始风电功率序列分解为多个分量,用RCMSE对其重构成新模态以降低风电功率序列复杂性及提高预测效率;其次,用EESHHO优... 为了提高超短期风电功率预测精度,提出了一种自适应提升及预测误差修正的风电功率超短期预测方法。首先,使用CEEMDAN将原始风电功率序列分解为多个分量,用RCMSE对其重构成新模态以降低风电功率序列复杂性及提高预测效率;其次,用EESHHO优化ELM权值和阈值提高模型的泛化性,同时引入AdaBoost提高预测模型的精确度和稳定性;最后,在学习历史训练误差的基础上提出修正预测值的策略,进一步提高预测精度。算例结果验证了所提方法的有效性。 展开更多

关键词 风电功率预测 CEEMDAN 精细复合多尺度熵 ADABOOST 误差修正

下载PDF 职称材料

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 被引量：11

16

作者 叶金义 谢小平 +1 位作者 梁烊炀 张福运 《噪声与振动控制》 CSCD 2018年第5期186-191,共6页

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... 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。 展开更多

关键词 振动与波 精细复合多尺度熵 故障诊断 相关系数 特征提取

下载PDF 职称材料

FDM和RCMDE结合的特征提取与故障诊断 被引量：10

17

作者 左红艳 刘晓波 洪连环 《振动．测试与诊断》 EI CSCD 北大核心 2021年第3期539-546,624,共9页

为提取有效特征向量以实现航空发动动机转子的故障诊断,针对航空发动机转子振动信号的非线性、非平稳的特性,首先,应用傅里叶分解方法(Fourier decomposition method,简称FDM)提取航空发动机转子信号的边际谱重心及最大能量层的谱重心;... 为提取有效特征向量以实现航空发动动机转子的故障诊断,针对航空发动机转子振动信号的非线性、非平稳的特性,首先,应用傅里叶分解方法(Fourier decomposition method,简称FDM)提取航空发动机转子信号的边际谱重心及最大能量层的谱重心;其次,计算振动信号的精细复合多尺度散布熵;最后,应用双阶自适应小波聚类方法对特征空间实现故障分类与识别。应用航空发动机转子试验器采集的样本验证表明,上述方法提取的特征值准确且波动小,同种故障类型的特征值集中,不同故障类型之间差异大,有利于提高多种故障类型混合的诊断精度。 展开更多

关键词 傅里叶分解 精细复合多尺度散布熵 双阶自适应小波聚类 故障诊断

下载PDF 职称材料

自适应动模式分解和GA-SVM在行星轴承故障分类中的应用 被引量：6

18

作者 蔡志鑫 党章 +2 位作者 吕勇 袁锐 安柄南 《工程科学学报》 EI CSCD 北大核心 2023年第9期1559-1568,共10页

行星齿轮箱在运行过程中由于齿轮间的相互作用会产生强噪声,导致行星轴承的故障特征被完全淹没在背景噪声中并难以提取,从而使得行星轴承故障分类的准确率较低.本文提出一种自适应动模式分解(ADMD)和遗传算法优化支持向量机(GA-SVM)的... 行星齿轮箱在运行过程中由于齿轮间的相互作用会产生强噪声,导致行星轴承的故障特征被完全淹没在背景噪声中并难以提取,从而使得行星轴承故障分类的准确率较低.本文提出一种自适应动模式分解(ADMD)和遗传算法优化支持向量机(GA-SVM)的行星轴承故障分类方法.首先,针对传统动模式分解(DMD)中截断秩无法准确选取的问题,定义了一种新的适应度函数,并采用改进的蚱蜢优化算法(IGOA)自适应选取最优截断秩,进而实现对原始振动信号的降噪处理.然后对处理后的信号计算其归一化后的复合精细多尺度离散熵(IRCMDE)并构成特征矩阵.最后采用遗传算法优化支持向量机,构建GA-SVM分类模型,并将其应用到行星轴承故障诊断中.利用行星齿轮箱中行星轴承故障数据验证了此方法的有效性和实用性,最终分类结果为96.43%,表明了该方法可以准确识别出行星轴承的故障类型. 展开更多

关键词 动模式分解 支持向量机 蚱蜢优化算法 精细复合多尺度离散熵 行星轴承 故障分类

下载PDF 职称材料

基于RCMDE和GA-SVM的矿用滚动轴承故障诊断 被引量：7

19

作者 赵国社 黄丹璐 赵鑫 《煤炭技术》 CAS 北大核心 2021年第10期221-223,共3页

针对传统特征进行矿用轴承故障诊断时可靠性、准确性低的问题,提出了基于精细复合多尺度散布熵(RCMDE)和支持向量机(SVM)的矿用滚动轴承故障诊断方法。针对难以选取合适的SVM参数问题,使用遗传算法(GA)确定SVM参数最优值。经实验验证,... 针对传统特征进行矿用轴承故障诊断时可靠性、准确性低的问题,提出了基于精细复合多尺度散布熵(RCMDE)和支持向量机(SVM)的矿用滚动轴承故障诊断方法。针对难以选取合适的SVM参数问题,使用遗传算法(GA)确定SVM参数最优值。经实验验证,本文方法能够更准确地提取滚动轴承的故障特征信息,有效识别滚动轴承故障类型。 展开更多

关键词 滚动轴承 精细复合多尺度散布熵 遗传算法 支持向量机 故障诊断

下载PDF 职称材料

基于IRCMNDE和NNCHC的滚动轴承故障诊断 被引量：6

20

作者 杨潇谊 邓为权 马军 《航空动力学报》 EI CAS CSCD 北大核心 2022年第6期1150-1161,共12页

针对多尺度散布熵(MDE)在粗粒化过程中易发生信息丢失、产生虚假信息,难以全面提取轴承故障信息的问题,提出了基于改进的精细复合多尺度归一化散布熵(IRCMNDE)和最近邻凸包分类(NNCHC)的滚动轴承故障诊断方法。引入精细复合多尺度散布熵... 针对多尺度散布熵(MDE)在粗粒化过程中易发生信息丢失、产生虚假信息,难以全面提取轴承故障信息的问题,提出了基于改进的精细复合多尺度归一化散布熵(IRCMNDE)和最近邻凸包分类(NNCHC)的滚动轴承故障诊断方法。引入精细复合多尺度散布熵(RCMDE),将其粗粒化过程中平均值替换为最大值来表示数据段信息,以克服传统粗粒化过程的不足并突出故障特征。通过归一化操作减弱熵值计算时不同参数选择导致的熵值波动幅度,得到IRCMNDE。将IRCMNDE作为故障特征,使用NNCHC分类器对故障特征进行分类。经实验验证,该方法可达到98.98%的故障识别准确率,相比基于MDE(故障识别准确率为95.99%)和RCMDE(故障识别准确率为97.60%)的方法,能够更准确地提取滚动轴承的故障特征信息,提高承故障分类的准确性。 展开更多

关键词 滚动轴承 故障诊断 多尺度散布熵 精细复合多尺度散布熵 最近邻凸包分类(NNCHC)

原文传递