基于IRCMMRDE和HHO-PNN的轴承损伤辨识模型 被引量：1

1

作者 桂芳 李健 刘磊 《机电工程》 北大核心 2025年第1期62-71,共10页

采用单通道振动信号无法完全准确表征轴承多角度的故障信息,导致特征提取不够充分。针对这一缺陷,构建了一种基于改进精细复合多元多尺度反向散布熵(IRCMMRDE)和参数优化概率神经网络(PNN)的滚动轴承损伤辨识模型。首先,使用了振动加速... 采用单通道振动信号无法完全准确表征轴承多角度的故障信息,导致特征提取不够充分。针对这一缺陷,构建了一种基于改进精细复合多元多尺度反向散布熵(IRCMMRDE)和参数优化概率神经网络(PNN)的滚动轴承损伤辨识模型。首先,使用了振动加速度计和麦克风两种类型的传感器,同时获得了滚动轴承不同工况下的振动和声音信号,构建了故障信息量更丰富的多通道信号;随后,提出了能够同步分析多通道信号的IRCMMRDE方法,并将其用于提取滚动轴承多通道信号的故障特征;接着,采用哈里斯鹰优化器(HHO)对概率神经网络的平滑因子进行了自适应寻优,构造了网络结构最优的PNN模型;最后,将损伤样本输入至HHO-PNN模型中,进行了故障的分类识别,完成了滚动轴承样本的故障辨识;并基于滚动轴承声振信号数据集,对基于IRCMMRDE-HHO-PNN的故障诊断方法的有效性进行了验证。研究结果表明:基于IRCMMRDE和HHO-PNN的故障诊断方法的准确率达到了99.6%,平均的识别准确率达到了99.8%,优于其他多种特征提取方法;同时,对多通道融合信号进行分析取得的准确率优于单个通道的信号,准确率分别提高了8.8%和4.8%;此外,HHO-PNN分类器模型的诊断性能优于其他分类模型,更具有泛化性和实用性。 展开更多

关键词 滚动轴承 故障诊断 改进精细复合多元多尺度反向散布熵 概率神经网络 多通道信号 哈里斯鹰优化器

在线阅读 下载PDF 职称材料

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断 被引量：4

2

作者 戚晓利 王振亚 +2 位作者 吴保林 叶绪丹 潘紫微 《振动与冲击》 EI CSCD 北大核心 2020年第4期252-260,共9页

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从... 针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。 展开更多

关键词 故障诊断 滚动轴承 SSDSL-Isomap 变分模态分解(VMD) 改进复合多尺度熵(icmse) 粒子群优化极限学习机(PSO-ELM)

在线阅读 下载PDF 职称材料

基于SPA和IRCMMPE的旋转机械损伤识别方法

3

作者 李恒亮 张思婉 郭衡 《机电工程》 北大核心 2025年第6期1045-1054,共10页

基于单通道信号的旋转机械故障诊断方法的故障诊断效果通常比较依赖信号的质量,针对这一问题,提出了一种基于平滑先验分析(SPA)、改进精细复合多变量多尺度排列熵(IRCMMPE)和麻雀搜索算法优化支持向量机(SSA-SVM)的旋转机械损伤识别策... 基于单通道信号的旋转机械故障诊断方法的故障诊断效果通常比较依赖信号的质量,针对这一问题,提出了一种基于平滑先验分析(SPA)、改进精细复合多变量多尺度排列熵(IRCMMPE)和麻雀搜索算法优化支持向量机(SSA-SVM)的旋转机械损伤识别策略。首先,使用SPA将单通道信号分解为趋势项和去趋势项两种完全不同的分量,减少了分量的冗余,并将其组装为多通道信号以实现对样本的扩充;然后,采用IRCMMPE对多通道信号进行了特征提取以对比验证两个分量之间的相关性,获取了更能反映故障特性的特征;最后,将故障特征输入至SSA-SVM分类器中进行了故障识别,完成了对旋转机械的故障辨识和故障程度的判断,利用三个旋转机械数据集对SPA-IRCMMPE故障诊断方法的有效性进行了实验分析,并与其他故障诊断方法进行了对比研究。研究结果表明:SPA-IRCMMPE模型在诊断旋转机械不同故障类型时分别取得了100%和99.2%的识别准确率,平均识别准确率分别为99.76%和99.92%;而自制数据集的诊断精度达到了100%。相较于其他故障诊断方法,SPA-IRCMMPE模型仅需使用单个通道的振动信号且无需进行分量重要性评估,避免了分量取舍的问题,对振动信号的利用效率较高。 展开更多

关键词 旋转机械单通道信号 故障诊断 麻雀搜索算法优化支持向量机 改进精细复合多变量多尺度排列熵 平滑先验分析 离心泵 滚动轴承

在线阅读 下载PDF 职称材料

基于精细复合多尺度散布熵的抗蛇行减振器故障诊断 被引量：2

4

作者 岑潮宇 代亮成 +3 位作者 池茂儒 赵明花 郭兆团 曾鹏程 《铁道科学与工程学报》 EI CAS CSCD 北大核心 2024年第10期4334-4343,共10页

抗蛇行减振器作为高速列车关键悬挂元件在减轻列车横向振动提高安全性和稳定性上有重要作用,为实现对抗蛇行减振器故障进行精确诊断,针对非线性振动信号故障特征不明显的问题,提出一种自适应噪声完备集合经验模态分解(Complete ensemble... 抗蛇行减振器作为高速列车关键悬挂元件在减轻列车横向振动提高安全性和稳定性上有重要作用,为实现对抗蛇行减振器故障进行精确诊断,针对非线性振动信号故障特征不明显的问题,提出一种自适应噪声完备集合经验模态分解(Complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)与精细复合多尺度散布熵结合的故障诊断方法。首先采用CEEMDAN分解信号得到本征模态函数(Intrinsic mode function,IMF),计算精细复合多尺度散布熵组成特征集,然后融合多个通道振动信号特征并用核主成分分析法进行降维,将降维后的特征集分成训练集和测试集,最后输入到改进麻雀算法优化的支持向量机模型中进行训练与诊断。为验证方法的可行性,以机车滚动振动试验台模拟列车运行的不同速度,设置抗蛇行减振器故障工况,通过转向架和车体多个位置传感器获得试验数据进行分析。研究结果表明,经过优选的特征集能更好地捕捉抗蛇行减振器故障的特征信息,与未经优选的特征集相比故障诊断结果正确率有所提升;多通道融合特征的方法与单通道相比反映故障信息更加全面,补偿了单一通道诊断结果精确度低的不足,进一步提高了故障诊断结果正确率;改进麻雀算法优化了模型参数,解决了参数设计的盲目性,提高了模型分类识别能力,并与其他算法相比验证了优越性。运用该方法对抗蛇行减振器进行故障诊断,能够有效诊断出抗蛇行减振器故障类型,为抗蛇行减振器故障诊断提供了一种新的方法。 展开更多

关键词 抗蛇行减振器 故障诊断 改进麻雀算法 精细复合多尺度散布熵 支持向量机

在线阅读 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 被引量：2

5

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

在线阅读 下载PDF 职称材料

基于复合多尺度等概率符号化样本熵的两相流动态特性分析 被引量：1

6

作者 孙庆明 巴頔 +2 位作者 钟林 王成龙 陈淑鑫 《大连理工大学学报》 CAS CSCD 北大核心 2024年第2期127-137,共11页

多尺度样本熵(MSE)在两相流动态特性分析中存在两点不足:一是熵值无法单纯反映时间序列信息增长速率,在高尺度下稳定性较差;二是传统粗粒化过程中有部分数据信息丢失.针对上述问题,提出复合多尺度等概率符号化样本熵(CMESSE),并通过对... 多尺度样本熵(MSE)在两相流动态特性分析中存在两点不足:一是熵值无法单纯反映时间序列信息增长速率,在高尺度下稳定性较差;二是传统粗粒化过程中有部分数据信息丢失.针对上述问题,提出复合多尺度等概率符号化样本熵(CMESSE),并通过对几种典型非线性时间序列进行分析验证了其有效性.与MSE相比,CMESSE不仅能够有效表征不同动力系统非线性时间序列复杂性,而且在时间序列较短时稳定性更好.在此基础上分析了123组流动条件下垂直上升管内空气-水两相流压差波动时间序列.研究结果表明,泡状流、塞状流及混状流的CMESSE变化趋势能够在不同尺度下定性表征不同流型的动态特性,CMESSE复杂性指数可跨多尺度定量描述不同流型的动力学复杂性. 展开更多

关键词 复合多尺度 符号化 样本熵 两相流 动态特性

在线阅读 下载PDF 职称材料

基于DIGWO-VMD-CMPE的轴承故障识别方法

7

作者 辛昊 鲁玉军 朱轩逸 《机电工程》 CAS 北大核心 2024年第2期205-215,共11页

针对滚动轴承故障信号特征提取困难和识别准确率低的问题,提出了一种基于维度学习的改进灰狼优化算法(DIGWO)优化变分模态分解(VMD)和复合多尺度排列熵(CMPE)的轴承故障识别方法。首先,采用基于维度学习的狩猎(DLH)搜索策略、余弦收敛因... 针对滚动轴承故障信号特征提取困难和识别准确率低的问题,提出了一种基于维度学习的改进灰狼优化算法(DIGWO)优化变分模态分解(VMD)和复合多尺度排列熵(CMPE)的轴承故障识别方法。首先,采用基于维度学习的狩猎(DLH)搜索策略、余弦收敛因子a和个体狼ω位置更新的方法将灰狼优化算法(GWO)改进为DIGWO,并利用DIGWO算法的自适应性优化VMD分解,得到了多个本征模态函数(IMFs);然后,利用复合多尺度排列熵计算IMFs的特征值,选取适当维数的特征,构建了故障特征向量;最后,利用DIGWO算法优化支持向量机(SVM)的惩罚系数C和径向基函数g,建立了DIGWO-SVM滚动轴承故障诊断分类器,并利用滚动轴承的振动数据验证了算法的有效性。研究结果表明:基于CMPE的DIGWO-SVM滚动轴承故障诊断方法能够有效地识别轴承的运行状况,识别准确率达到了99.42%,相较于PSO-SVM、SSA-SVM方法提高了7.75%、1.68%,证明了该方法的分类性能在滚动轴承故障诊断中更具优势。 展开更多

关键词 基于维度学习的改进灰狼优化算法 变分模态分解 复合多尺度排列熵 支持向量机 本征模态函数 基于维度学习的狩猎

在线阅读 下载PDF 职称材料

基于声振信号融合的IRCMMDE离心泵损伤检测方法 被引量：6

8

作者 陆春元 焦洪宇 《机电工程》 CAS 北大核心 2023年第6期952-959,共8页

离心泵早期的损伤特征比较微弱,难以有效提取其故障特征。针对这一问题,提出了一种基于声振信号融合的改进精细复合多元多尺度散布熵(IRCMMDE)和GWO-SVM的离心泵损伤检测方法。首先,利用多个传感器收集了离心泵在不同损伤状态下的声音... 离心泵早期的损伤特征比较微弱,难以有效提取其故障特征。针对这一问题,提出了一种基于声振信号融合的改进精细复合多元多尺度散布熵(IRCMMDE)和GWO-SVM的离心泵损伤检测方法。首先,利用多个传感器收集了离心泵在不同损伤状态下的声音和振动信号,并将声音和振动信号进行了融合,以充分利用不同类型信号中所蕴含的损伤特征信息;随后,针对多元多尺度散布熵(MMDE)不稳定的缺陷,对MMDE的粗粒化处理进行了优化,提出了改进精细复合多元多尺度散布熵(IRCMMDE)的复杂性测量指标;接着,利用IRCMMDE对声振融合信号进行了损伤特征提取,构建了各个损伤状态下的特征矩阵;最后,利用灰狼算法优化的支持向量机分类器,对各个损伤状态下的特征矩阵进行了识别,得到了最终的离心泵损伤检测结论。研究结果表明:采用基于声振信号融合的离心泵损伤检测方法,其最高可达到99.2%的故障识别准确率,相比于基于MMDE和RCMMDE的损伤检测方法,其能够更准确地识别出离心泵的损伤;该方法还能有效缓解单一信号检测时的不确定性,并且在多次实验验证下,其仍具有很高的检测精度。 展开更多

关键词 声振信号融合 离心泵损伤检测 改进精细复合多元多尺度散布熵 灰狼算法 支持向量机

在线阅读 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：73

9

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

在线阅读 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：31

10

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

在线阅读 下载PDF 职称材料

CEEMDAN和改进多尺度熵的声音信号故障诊断 被引量：11

11

作者 付国梓 吕勇 《机械设计与制造》 北大核心 2022年第5期185-190,共6页

声音信号采集具有非接触测量的优点,但易受到附近声源的影响而含有较大噪声,不利于故障特征识别。为此,提出一种自适应噪声的完全集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和改... 声音信号采集具有非接触测量的优点,但易受到附近声源的影响而含有较大噪声,不利于故障特征识别。为此,提出一种自适应噪声的完全集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和改进多尺度熵的声音信号故障诊断方法。该方法中CEEMDAN改善了EEMD(Ensemble Empirical Mode Decomposition,EEMD)的模态混叠,针对传统多尺度熵中粗粒时间序列长度不同和数据丢失的情况,提出一种平滑粗粒化处理的改进多尺度熵。将该方法应用于行星齿轮箱故障诊断中,可以对不同状态下的声音信号进行识别分类。通过数值仿真和实验数据分析,表明了提出的方法相对于其他方法的有效性和优越性。 展开更多

关键词 自适应噪声的完全集成经验模态分解 改进多尺度熵 平滑粗粒化 故障诊断

在线阅读 下载PDF 职称材料

基于精细化改进多尺度快速样本熵的旋转机械故障诊断方法研究 被引量：9

12

作者 周付明 刘武强 +2 位作者 杨小强 申金星 陈赵懿 《机械强度》 CAS CSCD 北大核心 2023年第1期1-8,共8页

为了解决现有多尺度样本熵(Multiscale Sample Entropy, MSE)方法提取复杂序列特征时存在的计算效率低及幅值信息缺失等问题,提出精细化改进多尺度快速样本熵(Refined Improved Multiscale Fast Sample Entropy, RIMFSE)方法。首先使用... 为了解决现有多尺度样本熵(Multiscale Sample Entropy, MSE)方法提取复杂序列特征时存在的计算效率低及幅值信息缺失等问题,提出精细化改进多尺度快速样本熵(Refined Improved Multiscale Fast Sample Entropy, RIMFSE)方法。首先使用快速样本熵代替传统样本熵,通过改进重构向量匹配机制大幅降低了计算成本,而后使用改进的多尺度拓展方法代替传统的粗粒化方法,避免了幅值信息的丢失。在此基础上,结合最大相关最小冗余(Max-relevance and Min-redundancy, mRMR)方法及支持向量机(Support Vector Machine, SVM)分类器提出一种新的旋转机械故障诊断方法。使用齿轮箱和轴承两个故障数据集对提出方法的性能进行验证,同时将提出的方法与MSE,复合MSE(Composite Multiscale Sample Entropy, CMSE)及精细化复合MSE(Refined Composite Multiscale Sample Entropy, RCMSE)等现有方法进行对比。结果表明,相较于MSE、CMSE及RCMSE,提出的方法在鲁棒性、计算效率及识别精度等方面均具有明显优势,为基于熵特征提取的旋转机械故障诊断提供了一种新的思路。 展开更多

关键词 精细化改进多尺度快速样本熵 最大相关最小冗余 支持向量机分类器 旋转机械 故障诊断

在线阅读 下载PDF 职称材料