针对齿轮故障诊断过程中,大量噪声使得故障特征难以完全提取的情况,提出了一种完整的自适应噪声集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)、排列熵(Permutation Entropy,PE)和时频峰值滤波(Time-Frequency Peak Filtering,TFPF)相结合的去噪方法。由于TFPF方法在窗长问题上的局限性,引用CEEMDAN和PE对此进行改进,使信号在噪声抑制和信号保真方面得到了很好的权衡。首先利用CEEMDAN算法得到原始信号的本征模态函数(Intrinsic Mode Functions,IMFs),计算每个IMF的PE值来判断IMF是否需要滤波,然后针对不同的IMF选择不同的窗口长度进行TFPF滤波,最后将滤波后的IMFs和剩余IMFs重构得到最终的降噪信号。通过模拟仿真信号和实测齿轮信号验证了该降噪方法的可行性,且降噪后的信号可以有效地揭示故障的特征信息。最后与多种降噪方法对比,体现了所提方...

提出了基于基因优化最小二乘支持向量机(Gene optimized least squares support vector ma?chine,GOLSSVM)的自适应局部迭代滤波(Adaptive local iterative fittering,ALIF)和排列熵(Permuta?tion entropy,PE)的故障诊断方法,并将该方法应用于齿轮箱的诊断,成功实现了对齿轮箱4种故障种类的识别。针对排列熵无法直接识别齿轮箱不同故障类别的问题,利用ALIF方法相较于EMD方法在去除残余噪声及抑制模式混叠上的优势,使用ALIF方法对故障信号进行降噪,提取有效分量,再计算有分量的PE值(C-PE值),以获得振动信号的多尺度特性;然后,使用基因算法对最小二乘支持向量机(Least squares support vector machine,LSSVM)进行了优化;最后,将特征向量输入到GOLSSVM,对故障特征进行分类。结果表明,所提方法相比BP神经网络和SVM在故障识别精度上有优势。

针对行星齿轮箱故障诊断过程中的故障特征向量区分度差、诊断成功率不够高等问题,提出了一种基于局部均值分解(Local mean decomposition,LMD)排列熵和BP神经网络结合的方法。对原始信号进行LMD,获得包含主要信息的PF分量,计算排列熵值,构造特征向量,利用提取的特征向量训练BP神经网络,完成故障模式识别。以EMD排列熵方法和无量纲分析方法作为对比组,实验验证说明,提出方法提取到的不同工况的特征向量区分度更强,故障诊断效果更好;且当训练组数发生变化时,提出方法的综合表现更优秀。

针对齿轮点蚀故障特征难以提取的问题,提出了一种基于改进变分模态分解的齿轮点蚀故障诊断方法。利用经验模态分解自适应分解的特点,将各分量的能量占比作为有效分量的判断依据,并据此设定变分模态分解算法的模态个数,在此基础上,以变分模态分解分量的排列熵和最小值作为适应度函数,用遗传算法对惩罚因子进行搜索;根据所得结果设置变分模态分解参数,并对齿轮点蚀信号进行处理;筛选合适的本征模态函数进行包络调解,通过包络谱图分析齿轮点蚀故障的特征信息。对齿轮实验信号的分析表明,与现有方法相比,本文中提出的改进变分模态分解算法能够更加准确地识别出齿轮点蚀故障,在传动系统故障诊断方面具有一定实用价值。

针对不同状态滚动轴承振动信号之间的时域波形和幅值谱差别不大,难以判断轴承的运行状态,提出基于自适应噪声的完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）排列熵和最小二乘支持向量机（least square support vector machine,LS-SVM）的轴承状态分类方法.首先,该方法将采集的轴承振动信号分成一定数目的训练样本和测试样本.然后,对每个样本信号进行CEEMDAN分解,得到多个内禀模态分量（intrinsic mode functions,IMF）,并计算每个样本信号前几个IMF分量的排列熵,将其作为输入LS-SVM分类器中的特征向量.最后,利用LS-SVM分类器对轴承状态进行分类与识别.将该方法应用于4种不同状态轴承的分类中,并与基于原始振动信号排列熵的LS-SVM轴承状态分类进行对比.结果表明：该方法总的分类准确率从后者的62.5%提高到98.75%,有效地证明了本文方法的...

为了分析铣削颤振过程的非线性动力学行为特性,首先基于工件振动信号的相位差、最大李雅谱诺夫指数、排列熵等,分析变切深铣削过程中平稳铣削振动信号、颤振孕育振动信号和颤振振动信号的的非线性特征。然后基于虚拟仪器平台开发了铣削振动信号的采集与分析系统,进行在线预报铣削颤振实验。试验结果表明,振动信号的相位特征可以有效检测铣削颤振,但不能有效预报切削颤振孕育;在铣削颤振不同阶段,振动信号的李雅谱诺夫指数的敏感程度不同,排列熵的阈值也不同。这样,相位差特征和混沌特征可以同时作为识别颤振孕育、发生的有效手段。

针对传统的单尺度信号分析在故障特征的表达上有很大的局限性,引入多尺度排列熵,对不同尺度下的涡旋压缩机振动信号进行了定量分析,并通过马氏距离实施故障诊断.实验结果表明,与单尺度排列熵相比,多尺度排列熵能够对不同故障的复杂性进行准确的描述,反映了不同尺度下故障特征的变化趋势.此外,选择合适尺度下的排列熵作为故障诊断的特征参数,既节省了时间,又可以提高诊断的准确率.

在深入研究形态小波与排列熵的基础上,提出一种新的变速器齿轮故障识别方法。引入形态小波的概念,提出采用形态Haar小波对实测变速器齿轮振动信号进行降噪预处理;将排列熵作为变速器齿轮故障的特征值,提取了包括齿轮正常、齿面轻度磨损、齿面中度磨损和断齿等4种工况的振动信号;依据不同的故障对应不同的排列熵分布,对各种故障状态进行分类,同时对比了未降噪信号的排列熵分布。变速器齿轮故障识别的实例验证了形态小波与排列熵结合能有效提高齿轮故障分类能力。

在强噪声环境下,针对局部均值分解(Local Mean Decomposition,LMD)出现的模态混叠现象,提出了总体局部均值分解方法(Ensemble Local Mean Decomposition,ELMD),但ELMD中所添加的白噪声不能完全被中和,这会导致PF分量受到所加白噪声的影响,导致重构误差增大。因此,提出基于PE-CELMD(Permutation Entropy-Complementary Ensemble Local Mean Decomposition)的齿轮箱复合故障诊断方法,该思路是在ELMD的基础上通过添加成对白噪声再结合排列熵(PermutationEntropy,PE)的方法优化LMD。将该方法应用于仿真信号和实测信号,并通过与LMD、CELMD对比,结果表明,PE-CELMD方法是一种有效的复合故障特征提取方法。

为了弥补传统小波包阈值去噪算法去噪参数选择完全依据人为经验的缺陷，引入对信号噪声含量变化敏感的排列熵算法，提出一种新的基于排列熵的小波包阈值去噪方法。对含噪信号进行小波包分解得到相应的小波包系数序列，并对其进行排列熵计算，通过分析小波包系数排列熵的变化规律来确定小波包分解层数与阈值以达到最优去噪效果。采用该方法对滚动轴承振动信号进行去噪分析，结果表明该方法去除噪声较为彻底，与其他参数去噪结果进行对比，验证了该方法的有效性。