针对滚动轴承故障特征难以提取和故障特征分类困难的问题,提出了一种基于多尺度模糊熵(MFE)与改进层次原型分类器(IHP)的故障诊断方法。首先,利用多尺度模糊熵从滚动轴承不同状态下的振动信号中提取20种故障特征。其次,引入线性判别分析(LDA)对Hierarchical Prototype进行改进,从而提高故障分类精度。最后,结合多尺度模糊熵与改进层次原型分类器对故障特征进行分类。实验证明,提出的MFE与IHP能有效提取滚动轴承的故障特征,并实现高精度分类。相比于其他故障识别分类器,所提方法有更高的识别精度,分类精度达到了99.29%。

针对液压设备振动信号的非线性与非平稳性特征,提出一种VMD多尺度熵与BP神经网络的液压设备故障诊断方法。首先通过变分模态分解(Variational mode decomposition,VMD)对故障振动信号进行分解;根据得到固有模态函数分量(Intrinsic Mode Functions,IMF)求取相应的多尺度糊熵;在此基础上以VMD多尺度熵构建的故障特征矩阵输入到BP神经网络中进行训练和故障分类。实验结果表明该方法能够实现对液压设备关键故障诊断,准确率达到了97.66%。

为准确识别滚动轴承的性能退化状态,提出一种基于熵特征与隐马尔科夫模型(Hidden Markov Model,HMM)的轴承退化状态识别方法。该方法提取轴承振动信号的多尺度模糊熵和VMD能谱熵作为退化特征向量,利用全寿命数据样本的退化特征向量训练不同退化状态下的HMM模型,最后通过建立的HMM模型库并根据最大对数似然概率原则识别轴承退化状态。其中,针对人为划分轴承退化阶段的不足,采用GG聚类方法实现全寿命数据在时域上的退化阶段划分。实测数据分析结果表明,所提方法能够达到90%以上的识别率,优于常用退化指标下的识别效果。