针对从汽轮机轴承的非线性、非平稳振动信号中提取故障特征困难而导致诊断识别率低的问题,提出一种基于MIGA-VMD和排列熵、t-SNE的特征提取方法。变分模态分解(VMD)在轴承故障诊断中的分解效果很大程度上取决于分解个数和惩罚参数的选取。为实现VMD相关参数的最优选择,采用多岛遗传算法(MIGA)对VMD参数进行优化。利用参数优化的VMD将轴承原始振动信号分解为若干本征模态分量,计算与原始信号相关性较高的部分模态分量的排列熵构成故障特征,利用t-SNE方法进行降维得到低维特征向量并将其作为支持向量机分类器的输入,实现故障类型的诊断。将该方法应用到轴承故障诊断中并与EMD+排列熵+t-SNE、EEMD+排列熵+t-SNE、LMD+排列熵+t-SNE、传统VMD+排列熵+t-SNE四种特征提取方法进行对比。实验结果表明该方法能更准确地提取轴承的故障特征,有效实现轴承的故障...

针对滚动轴承振动信号的非平稳非线性特性,提出了一种采用集合经验模态分解(EEMD)熵特征提取、t-分布邻域嵌入(t-SNE)和粒子群优化-概率神经网络(PSO-PNN)的滚动轴承故障诊断方法。首先,对振动信号应用EEMD算法实现分解,生成多个固有模态函数(IMFs),对生成的含有主要故障信息的模态分量进行选择,以进一步实现熵特征提取,然后对高维特征数据应用t-SNE算法进行降维,最后利用PSO-PNN分类器进行故障识别。通过案例1和案例2的分析结果表明该方法对滚动轴承故障识别率均达到100%,具有较高的故障识别率,能对滚动轴承的故障类型有效的识别。

基于样本熵定义的多尺度熵在量化复杂信号时存在较大偏差,且其采用的粗粒化方法无法有效分析振动信号的高频成分,故障信息的利用程度较低。为解决此问题,提出一种新的振动信号不规则度量化方法——改进层次基本尺度熵(MHBSE)方案。MHBSE通过对时间序列进行层次符号化处理,不仅能够克服样本熵对复杂信号分析不足的缺陷,而且能够充分利用振动信号高频分量中的信息提高特征质量。鉴于MHBSE所具有的优异性能,提出一种新的液压泵健康状况检测方法。利用采集的液压泵振动实验数据对该方法进行有效性检验,实验结果证明,提出方法能够充分提取液压泵振动信号中的故障信息,且所提取的特征能够很好地表征液压泵的不同状态,最终故障识别率达到100%。