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...

针对变频环境下异步电机故障时定子电流信号非平稳的问题,提出一种互补集合经验模态分解(CEEMD)与卷积神经网络(CNN)结合的异步电机故障诊断方法。首先通过ANSYS对变频环境下电机建模获得仿真电流数据,利用CEEMD将电机定子电流信号分解为一系列本征模态函数(IMF);其次通过计算排列熵和样本熵,选取复杂程度小的IMF分量并计算其平均值来提取出故障特征;接着将特征数据集输入卷积神经网络(CNN)进行训练和验证;最后搭建实验平台收集电流信号,对信号进行滤

为了提高旋转机械故障诊断的性能,提出了基于排列熵和变量预测模型的故障诊断方法。使用固有时间尺度分解法分解初始故障信号,得到多个固有旋转分量;选择含有故障信息的分量并计算其排列熵,作为故障诊断的特征值;使用训练样本得到的特征值训练不同故障状态下每个特征值的预测模型,将此变量预测模型用于诊断故障信号的故障类型;经实验验证,与BP神经网络、支持向量机等方法相比,所提出的故障诊断方法不仅诊断准确率高,而且耗时少,说明该方法有效性。

为实现泵站管道工作状态的在线监测,保障其安全稳定运行,提出一种基于排列熵算法（permutation entropy,简称PE）的泵站压力管道监测方法。该方法充分发挥排列熵算法计算简单和敏感度高等优点,适宜于处理非线性、非平稳信号,通过在关键部位设置传感器获取泵站管道的振动信号,利用信号子序列熵值的变化判断泵站管道振动状况。将该方法应用于景电工程二期七泵站管道的运行监测,通过设置不同的运行工况进行实例验证。结果表明,在开关机组瞬间,振动信号子序列熵值的最大幅差达到0.37,机组稳定运行期间子序列熵值的最大幅差仅为0.07,根据其熵值的变化可快速方便地识别出泵站管道的运行状态,具有较高的精度与可靠度。该方法为泵站管道运行状况的在线监测提供了新思路,为结构下一步安全诊断工作提供基础,具有较好的工程实用性和推广价值。

多尺度排列熵能够有效地反映滚动轴承振动信号的随机性变化和非线性动力学突变行为。针对其多尺度过程中粗粒化方式的不足,提出了广义复合多尺度排列熵(Generalized Composite Multiscale Permutation Entropy,GCMPE)。研究了参数对GCMPE计算的影响,并通过分析仿真数据将GCMPE与MPE进行了对比。将GCMPE应用于滚动轴承非线性故障特征的提取,提出一种基于GCMPE、主元分析和支持向量机的滚动轴承智能故障诊断方法。将提出的方法应用于实验数据分析,结果表明,所提方法能够有效地实现滚动轴承故障诊断,且故障识别率较高。

排列熵能够有效监测振动信号中的动力学突变,衡量振动信号的复杂度,在旋转机械状态监测中获得成功的应用。将排列熵应用于滚动轴承故障特征提取中,并针对排列熵对振动信号幅值不敏感,无法反映振动信号中局部能量分布差异的问题,利用滤波信号的归一化瞬时能量改进排列熵,提出一种基于改进排列熵的滚动轴承故障特征提取方法。仿真和试验数据分析结果表明,该方法能够有效识别滚动轴承共振频带,准确提取滚动轴承故障特征。

针对高速列车滚动轴承振动信号噪声大、信噪比低的问题,提出了一种新型的基于奇异值分解(SVD)与排列熵(PE)的滚动轴承故障诊断方法。首先,运用奇异值分解方法对采集的列车轴承振动信号进行分解,在选取合适的奇异值后对信号进行重组;然后对重组后的信号进行排列熵计算,将计算结果进行标量量化并组成特征向量输入支持向量机进行故障类型判别。试验结果表明,该滚动轴承故障诊断方法对高速列车滚动轴承故障信号具有很好的判别效果。

针对滚动轴承故障振动信号的复杂特性和局部均值分解(LocalMeanDecomposition,LMD)方法存在的端点效应问题,提出了基于振动信号自相似性对左右端点两侧延拓来抑制端点效应问题的改进LMD、排列熵(PermutationEntropy,PE)及优化K-均值聚类算法相结合的轴承故障诊断方法。首先通过改进LMD将非线性、非平稳的原始故障振动信号分解出一系列的乘积函数(ProductionFunction,PF)分量,对包含主要故障信息的PF分量提取PE值作为故障特征分量,在提取特征量的基础上,最后采用优化后的K-均值聚类算法对故障类型进行识别分类。将该方法应用在滚动轴承实验数据,实验结果表明该方法可以准确、有效的实现滚动轴承的故障诊断。

针对滚动轴承振动信号的不规则性和复杂性,导致轴承状态难以有效识别的问题,提出基于分层核极限学习机（HierarcHical Kernel Extreme Learning MacHine,H-K-ELM）的滚动轴承故障诊断方法。首先,将测得信号经集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）处理后得到一系列IMF本征模态分量,并提取各分量的排列熵PE值组成高维特征向量集;其次,利用高斯核函数的内积来表达ELM算法的隐含层输出函数,然后使用自动编码器对其分层,从而隐含层节点数自适应确定和隐含层阈值与输入权值满足正交条件;最后,将所得高维特征向量集作为H-KELM算法的输入,通过训练建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识。实验结果表明：H-K-ELM滚动轴承故障分类模型比ELM、K-ELM故障分类模型具有更高的精度、更强的稳定性。

针对目前应用原始振动信号的排列熵单一尺度域分析对高速列车轮对轴承故障在特征提取研究方面的局限，提出了基于改进聚合经验模态分解熵的特征分析方法。该方法首先对原始信号进行改进聚合经验模态分解，得到一系列窄带本征模态函数；然后对原信号和本征模态函数分别计算排列熵，组成高维特征向量；最后，将高维特征向量输入最小二乘支持向量机状态识别分类。台架试验数据分析结果表明：该方法针对高速列车轮对轴承故障实现了较高的识别率，验证了通过改进聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性。