基于经验模态分解的精细复合多尺度排列熵癫痫脑电信号分类方法

1

作者 梁袁泽 张学军 《智能计算机与应用》 2024年第5期44-51,共8页

癫痫是一种常见的脑部疾病,通过脑电图能准确地定位人脑中的致痫区域。文章提出一种基于经验模态分解的精细复合多尺度排列熵的癫痫脑电信号自动检测方法,用于解决区分致痫区和非致痫区的癫痫脑电信号难的问题。首先将原信号分割成多个... 癫痫是一种常见的脑部疾病,通过脑电图能准确地定位人脑中的致痫区域。文章提出一种基于经验模态分解的精细复合多尺度排列熵的癫痫脑电信号自动检测方法,用于解决区分致痫区和非致痫区的癫痫脑电信号难的问题。首先将原信号分割成多个子信号,并对各子信号进行经验模态分解,然后从分解后的不同经验模态函数中提取精细复合多尺度排列熵特征并利用支持向量机进行分类。通过对癫痫脑电的公共数据集测试,实验结果表明准确率、灵敏度和特异度三个性能指标分别达到90.3%,85.0%和96.0%,ROC曲线下面积达0.98。 展开更多

关键词 癫痫 经验模态分解 精细复合多尺度排列熵 支持向量机

在线阅读 下载PDF 职称材料

基于改进复合多元尺度加权排列熵的轴承故障识别研究 被引量：1

2

作者 吕麦丝 陈根金 +1 位作者 刘玉芳 张明 《中国工程机械学报》 北大核心 2023年第1期73-78,共6页

轴承作为机械传动系统上不可缺少单元,在长期交变载荷作用下容易产生内部损伤,判断其故障状态尤为重要。综合复合多元多尺度加权排列熵(CMMWPE)与天牛须搜索支持向量机(BSASVM)算法优点,设计了一种基于CMMWPE-BSASVM复合算法的轴承故障... 轴承作为机械传动系统上不可缺少单元,在长期交变载荷作用下容易产生内部损伤,判断其故障状态尤为重要。综合复合多元多尺度加权排列熵(CMMWPE)与天牛须搜索支持向量机(BSASVM)算法优点,设计了一种基于CMMWPE-BSASVM复合算法的轴承故障智能诊断方法。以调心球轴承运行情况为例,开展故障诊断分析。研究结果表明:利用本文CMMWPE算法进行处理时形成了比MWPE、CMWPE算法更加平滑的熵值变化曲线,能够实现以上样本的精确区分,有助于更准确提取出滚动轴承的特征信号。采用CMMWPE可以实现更高效的故障模式识别性能;相比较其他分类器,BSASVM分类器处理效率更高,因此建立的CMMWPE和Isomap特征集识别运行故障获得了100%准确率,确保滚动轴承故障达到精确、高效识别的效果。该研究可以拓宽到相关机械传动领域,具有很好的应用价值。 展开更多

关键词 轴承 复合多元多尺度加权排列熵(CMMWPE) 支持向量机 故障诊断

在线阅读 下载PDF 职称材料

精细广义复合多元多尺度反向散布熵及其在滚动轴承故障诊断中的应用 被引量：9

3

作者 郑近德 陈焱 +1 位作者 童靳于 潘海洋 《中国机械工程》 EI CAS CSCD 北大核心 2023年第11期1315-1325,共11页

多尺度反向散布熵能够有效度量时间序列的复杂性,但在粗粒化构造上存在缺陷,且在表征滚动轴承非线性故障特征时缺乏对其他通道同步信息的有效利用。为了准确提取轴承信号的故障特征,结合精细化和广义复合多尺度的思想,将表征同步多通道... 多尺度反向散布熵能够有效度量时间序列的复杂性,但在粗粒化构造上存在缺陷,且在表征滚动轴承非线性故障特征时缺乏对其他通道同步信息的有效利用。为了准确提取轴承信号的故障特征,结合精细化和广义复合多尺度的思想,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中,提出了精细广义复合多元多尺度反向散布熵(RGCMvMRDE)。在此基础上,提出了一种基于RGCMvMRDE与引力搜索算法优化支持向量机(GSA-SVM)的滚动轴承故障诊断方法。首先,利用RGCMvMRDE全面表征滚动轴承故障特征信息,构建故障特征集;其次,采用GSA-SVM对故障类型进行智能识别;最后,将所提方法应用于滚动轴承实验数据分析,并将其与现有基于多尺度反向散布熵、广义多尺度反向散布熵和精细复合多元多尺度排列熵的故障特征提取方法进行了对比。研究结果表明,所提RGCMvMRDE不仅能够有效和精准地诊断轴承的不同故障类型和故障程度,且诊断效果优于上述对比方法。 展开更多

关键词 精细广义复合多元多尺度反向散布熵 滚动轴承 故障诊断 特征提取

在线阅读 下载PDF 职称材料

广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断 被引量：25

4

作者 丁嘉鑫 王振亚 +1 位作者 姚立纲 蔡永武 《中国机械工程》 EI CAS CSCD 北大核心 2021年第2期147-155,共9页

针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵(GCMWPE)与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射(S-Isomap)算... 针对滚动轴承特征提取和故障识别两个关键环节,提出了一种广义复合多尺度加权排列熵(GCMWPE)与参数优化支持向量机相结合的故障诊断方法。利用GCMWPE全面表征滚动轴承故障特征信息,构建高维故障特征集。应用监督等度规映射(S-Isomap)算法进行有效的二次特征提取。采用天牛须搜索优化支持向量机(BAS-SVM)诊断识别故障类型。将所提方法应用于滚动轴承实验数据分析过程,结果表明:GCMWPE特征提取效果优于多尺度加权排列熵、复合多尺度加权排列熵和广义多尺度加权排列熵;GCMWPE与S-Isomap相结合的特征提取方法可在低维空间中有效区分滚动轴承不同故障类型;BAS-SVM的识别正确率和识别速度优于粒子群优化支持向量机、模拟退火优化支持向量机和人工鱼群优化支持向量机;所提方法能够有效、精准地识别出各故障类型。 展开更多

关键词 广义复合多尺度加权排列熵 支持向量机 等度规映射 滚动轴承 故障诊断

在线阅读 下载PDF 职称材料

基于改进多元多尺度加权排列熵的齿轮箱故障诊断 被引量：3

5

作者 赵家浩 廖晓娟 唐锡雷 《组合机床与自动化加工技术》 北大核心 2022年第12期48-52,共5页

齿轮箱振动存在多个传递路径,而典型齿轮箱故障诊断方法一般使用单个路径的单通道振动信号,易造成其它通道信息的遗漏。为充分利用不同路径振动信号故障信息,增强故障特征的质量,引入了多元多尺度加权排列熵,对其粗粒化方式进行了完善,... 齿轮箱振动存在多个传递路径,而典型齿轮箱故障诊断方法一般使用单个路径的单通道振动信号,易造成其它通道信息的遗漏。为充分利用不同路径振动信号故障信息,增强故障特征的质量,引入了多元多尺度加权排列熵,对其粗粒化方式进行了完善,提出了改进多元多尺度加权排列熵(IMMWPE),实现齿轮箱多通道振动信号的故障特征提取。基于此,提出了一种结合IMMWPE、成对邻近特征和粒子群优化支持向量机的齿轮箱故障诊断方法。通过齿轮箱多通道数据分析,将其与多元多尺度样本熵、多元多尺度排列熵和多元多尺度模糊熵等方法进行对比,结果证明该方法能够准确识别齿轮箱的各类故障,而且优于对比方法。 展开更多

关键词 齿轮箱 改进多元多尺度加权排列熵 成对邻近特征 故障诊断

在线阅读 下载PDF 职称材料

基于双频精细复合多尺度排列熵的齿轮箱损伤识别 被引量：1

6

作者 刘心 费莹 李倩 《机电工程》 CAS 北大核心 2023年第8期1176-1184,共9页

齿轮箱振动信号的非线性会导致其损伤特征难以得到有效提取,针对这一问题,提出了一种基于双频精细复合多尺度排列熵(DFRCMPE)和鲸鱼算法优化支持向量机(WOA-SVM)的融合损伤识别方法。首先,采用小波包分解(WPD)对齿轮箱损伤振动信号进行... 齿轮箱振动信号的非线性会导致其损伤特征难以得到有效提取,针对这一问题,提出了一种基于双频精细复合多尺度排列熵(DFRCMPE)和鲸鱼算法优化支持向量机(WOA-SVM)的融合损伤识别方法。首先,采用小波包分解(WPD)对齿轮箱损伤振动信号进行了两层分解,获得了反映齿轮箱损伤特性的低频和高频分量;然后,利用精细复合多尺度排列熵(RCMPE)对两组频带分量进行了分析,以充分提取嵌入在振动信号中的损伤信息,构建损伤特征;最后,将损伤特征输入至WOA-SVM分类模型中,成功对损伤进行了智能识别,并以实验采集到的齿轮箱振动信号为对象,对基于DFRCMPE和WOA-SVM的融合损伤识别方法的有效性开展了对比讨论。研究结果表明:与基于精细复合多尺度样本熵(RCMSE)、精细复合多尺度模糊熵(RCMFE)、RCMPE、精细复合多尺度散布熵(RCMDE)的特征提取方法相比,基于DFRCMPE和WOA-SVM的融合损伤识别方法的准确率和稳定性更高,平均识别准确率达到了100%;该方法能够为解决实际应用中的齿轮箱故障识别问题提供可行的思路。 展开更多

关键词 齿轮传动 损伤特征提取 齿轮箱振动信号 双频精细复合多尺度排列熵 鲸鱼算法优化支持向量机 小波包分解

在线阅读 下载PDF 职称材料

基于集成精细复合多元多尺度模糊熵的齿轮箱故障诊断 被引量：1

7

作者 杨小强 宫建成 +1 位作者 安立周 刘晓明 《机电工程》 CAS 北大核心 2023年第3期335-343,共9页

针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模... 针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模糊熵(ERCmvMFE)算法,在此基础上,结合t分布随机邻域嵌入(t-SNE)和人工鱼群算法优化的核极限学习机(AFSA-KELM),提出了一种新的齿轮箱故障综合诊断方法。首先,采用多种形式粗粒化方法的集成方法以及多通道信号处理方法,对模糊熵算法进行了改进,并进行了齿轮箱故障的初始特征提取;然后,通过t-SNE压缩原始故障特征,实现了维数的约简,并将低维故障特征输入至AFSA-KELM中进行了故障的分类识别;最后,为了对ERCmvMFE方法的特征提取性能进行测试,采用QPZZ-II旋转机械故障模拟测试平台进行了相关的实验。实验结果表明:采用新的齿轮箱故障综合诊断方法能够对不同类型的齿轮箱故障进行可靠诊断,对齿轮箱5种工况下的20次识别实验中,获得的平均准确率可达98.92%,标准差为0.956,识别准确率和稳定性均优于其他对比方法。研究结果表明:采用ERCmvMFE算法能够更充分地提取出齿轮箱的故障特征,因此,基于该特征提取方法的故障诊断方法具有更高的齿轮箱故障识别准确率。 展开更多

关键词 集成精细复合多元多尺度模糊熵 人工鱼群算法优化的核极限学习机 t分布随机邻域嵌入 特征提取 多粗粒化处理 多通道信号处理 故障分类识别

在线阅读 下载PDF 职称材料

基于精细复合多元多尺度散布熵和深度残差收缩网络的轴向柱塞泵故障诊断

8

作者 储焰 常远 汤何胜 《机床与液压》 2025年第6期142-147,共6页

为了克服单传感器振动信息不能全面表达柱塞泵故障特征信息的问题,提出一种新的轴向柱塞泵故障诊断方法,将精细复合多元多尺度散布熵(RCMMDE)嵌入深度残差收缩网络(DRSN)框架中,更精确地提取轴向柱塞泵非线性故障特征。通过RCMMDE全面... 为了克服单传感器振动信息不能全面表达柱塞泵故障特征信息的问题,提出一种新的轴向柱塞泵故障诊断方法,将精细复合多元多尺度散布熵(RCMMDE)嵌入深度残差收缩网络(DRSN)框架中,更精确地提取轴向柱塞泵非线性故障特征。通过RCMMDE全面表征轴向柱塞泵故障信息,构建故障特征集;利用DRSN对轴向柱塞泵的故障进行分类;最后,通过轴向柱塞泵故障模拟实验,获取典型故障信号特征,并与其他智能诊断算法进行对比,验证模型的泛化能力,实现柱塞泵故障特征的精准识别。结果表明:随着尺度因子的增大,RCMMDE可实现轴向柱塞泵微弱故障特征的有效分离;DRSN模型提高了对高噪声振动信号的特征学习能力,故障诊断精度达到96.21%,明显优于其他分类算法。 展开更多

关键词 轴向柱塞泵 故障诊断 精细复合多元多尺度散布熵(RCMMDE) 深度残差收缩网络(DRSN)

在线阅读 下载PDF 职称材料

信息熵在滚动轴承故障诊断中的应用

9

作者 高峰 刘驰 +3 位作者 赵子航 徐雷 徐捷 牛晓敏 《新技术新工艺》 2024年第10期62-68,共7页

为了提高滚动轴承故障诊断的准确率,提出一种基于局部均值分解(LMD)、复合多尺度加权排列熵(CMWPE)和支持向量机(SVM)的滚动轴承故障诊断新方法。首先利用LMD方法实现滚动轴承振动信号的自适应时频分解,通过计算各分量与原始信号的相关... 为了提高滚动轴承故障诊断的准确率,提出一种基于局部均值分解(LMD)、复合多尺度加权排列熵(CMWPE)和支持向量机(SVM)的滚动轴承故障诊断新方法。首先利用LMD方法实现滚动轴承振动信号的自适应时频分解,通过计算各分量与原始信号的相关系数,选择相关性较高的分量进行信号重构达到降噪的目的;然后提出基于CMWPE的特征提取方法,从降噪信号中提取相应的特征参数,构造稳定性好且辨识度高的多尺度非线性动力学故障特征集合;最后将构造的高维特征集输入SVM以实现滚动轴承故障诊断。试验数据分析结果表明,该方法能够准确区分滚动轴承不同的故障类型,与其他诊断方法相比,提出方法的故障识别准确率更高。 展开更多

关键词 复合多尺度加权排列熵 滚动轴承 故障诊断 试验验证

在线阅读 下载PDF 职称材料

基于IRCMMRDE和HHO-PNN的轴承损伤辨识模型

10

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WSGMD和RCMFDEn的柱塞泵运行状态识别

11

作者 马桂林 张昌杰 梁洪基 《液压气动与密封》 2025年第2期86-95,共10页

针对柱塞泵故障信号易受到噪声干扰与识别难度高的问题,提出一种基于加权辛几何模态分解(WSGMD)和精细复合多尺度模糊散布熵(RCMFDEn)的柱塞泵运行状态识别模型。该模型首先将采集到的柱塞泵振动信号通过辛几何模态分解方法分解为多个... 针对柱塞泵故障信号易受到噪声干扰与识别难度高的问题,提出一种基于加权辛几何模态分解(WSGMD)和精细复合多尺度模糊散布熵(RCMFDEn)的柱塞泵运行状态识别模型。该模型首先将采集到的柱塞泵振动信号通过辛几何模态分解方法分解为多个分量信号,然后依据线性峭度准则筛选出有效的分量信号,并进一步提出归一化自相关能量比指标对筛分信号进行重构;其次,利用精细复合多尺度粗粒化算法改进模糊散布熵用于挖掘故障信号的多尺度特征,继而计算每个重构信号的精细复合多尺度模糊散布熵值并将其作为特征向量;最后,将提取的特征向量输入到经改进灰狼优化算法优化后的核极限学习机中进行状态识别。柱塞泵故障实验台的实测数据分析结果表明,该模型不仅能够准确地识别出不同故障的状态特征,且相较于其他方法具有更高的识别准确率,对于实际工程应用具有一定参考及借鉴价值。 展开更多

关键词 运行状态识别 柱塞泵 加权辛几何模态分解 精细复合多尺度模糊散布熵 核极限学习机

在线阅读 下载PDF 职称材料

RCMNAAPE在旋转机械故障诊断中的应用

12

作者 储祥冬 戴礼军 +3 位作者 涂金洲 罗震寰 于震 秦磊 《机电工程》 CAS 北大核心 2024年第6期1039-1049,共11页

针对精细复合多尺度排列熵(RCMPE)无法充分提取旋转机械振动信号中的故障信息,从而导致旋转机械故障识别准确率不稳定这一缺陷,提出了一种基于精细复合多尺度归一化幅值感知排列熵(RCMNAAPE)、拉普拉斯分数(LS)和灰狼算法优化支持向量机... 针对精细复合多尺度排列熵(RCMPE)无法充分提取旋转机械振动信号中的故障信息,从而导致旋转机械故障识别准确率不稳定这一缺陷,提出了一种基于精细复合多尺度归一化幅值感知排列熵(RCMNAAPE)、拉普拉斯分数(LS)和灰狼算法优化支持向量机(GWO-SVM)的旋转机械故障诊断方法。首先,利用幅值感知排列熵替换了RCMPE中的排列熵,提出了RCMNAAPE,并将其用于提取旋转机械振动信号的故障特征生成特征样本;随后,采用了LS从原始的高维故障特征向量中筛选出较少的能够更准确描述故障状态的特征,构造敏感特征样本;最后,将低维的故障特征向量输入由灰狼算法优化的支持向量机中进行了训练和测试,完成了旋转机械样本的故障识别和分类,利用滚动轴承和齿轮箱故障数据集将RCMNAAPE-LS-GWO-SVM与其他故障诊断方法进行了对比分析,并开展了评估。研究结果表明:基于RCMNAAPE-LS-GWO-SVM的故障诊断方法能够有效识别旋转机械的各类故障,其识别准确率高于其他对比的故障诊断方法,其中滚动轴承故障的识别准确率达到99.33%,齿轮箱故障的识别准确率达到98.67%。虽然,该方法的特征提取效率不佳,平均特征提取时间分别为153.02 s和163.98 s,仅优于精细复合多尺度模糊熵(RCMFE),但其综合性能更加优异。 展开更多

关键词 故障识别准确率 滚动轴承 齿轮箱 精细复合多尺度归一化幅值感知排列熵 拉普拉斯分数 灰狼优化支持向量机

在线阅读 下载PDF 职称材料

基于FCMMWPE-BSASVM组合算法的调心球轴承故障诊断研究 被引量：1

13

作者 张昭晗 齐俊平 +1 位作者 李峰 崔金巍 《制造技术与机床》 北大核心 2022年第11期15-19,共5页

为了提高机械旋转系统上调心球轴承特征提取和故障识别能力,设计了一种精细复合多元多尺度加权排列熵(fine composite multivariate multi-scale weighted permutation entropy,FCMMWPE)与天牛须搜索支持向量机算法(beetle antennae sea... 为了提高机械旋转系统上调心球轴承特征提取和故障识别能力,设计了一种精细复合多元多尺度加权排列熵(fine composite multivariate multi-scale weighted permutation entropy,FCMMWPE)与天牛须搜索支持向量机算法(beetle antennae search algorithm-supportvectormachine,BSASVM)相结合的故障特征提取方法,并采用等度规映射(Isomap)进行故障识别,最后开展故障诊断实例分析。研究结果表明:采用FCMMWPE算法处理状态熵值达到最高,形成更平滑的熵值曲线,广义粗粒化方法具备明显优势。轴承产生局部故障时,形成具有规律特征的振动信号,表明采用FCMMWPE提取调心球轴承故障特征满足可靠性条件并具备明显优势。对文章构建的FCMMWPE与Isomap特征集进行运行故障识别时实现了99.9%的准确率,实现调心球轴承故障高效识别。BSASVM满足更优的故障识别性能,具备更优的模式识别性能和更高处理效率。该研究可以拓宽到其他的机械传动领域,具有很好的应用价值。 展开更多

关键词 精细复合多元多尺度加权排列熵 支持向量机 等度规映射 调心球轴承 故障诊断

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：5

14

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

CMWPE结合SaE-ELM的轮对轴承故障诊断方法 被引量：2

15

作者 张龙 彭小明 +2 位作者 熊国良 吴荣真 胡俊锋 《机械科学与技术》 CSCD 北大核心 2023年第4期512-520,共9页

针对DF4型内燃机车轮对轴承不同故障状态的判别问题,提出了一种基于复合多尺度加权排列熵(Composit multiscale weighted permutation entropy, CMWPE)和自适应进化极限学习机(Self-adaptive evolutionary extreme learning machine, Sa... 针对DF4型内燃机车轮对轴承不同故障状态的判别问题,提出了一种基于复合多尺度加权排列熵(Composit multiscale weighted permutation entropy, CMWPE)和自适应进化极限学习机(Self-adaptive evolutionary extreme learning machine, SaE-ELM)的机车轮对轴承故障识别方法。CMWPE基于复合粗粒化和加权排列熵的思想,能很好地区分信号的不同模式。SaE-ELM通过自适应进化算法对极限学习机的输入权重、隐含层参数和输出权重进行优化,解决了ELM随机选取网络参数的局限性,提高了网络的泛化性能。计算机车轮对轴承不同健康状态下振动信号的CMWPE,利用SaE-ELM识别轴承所属故障类型及故障程度。在机务段的JL-501轴承检测台上采集了7种不同健康状态的轮对轴承试件的振动信号数据。结果表明:CMWPE特征提取效果优于MPE和MWPE;SaE-ELM模式识别效果优于参数不经优化的ELM。所提方法能够有效诊断机车轮对轴承的不同故障,且故障识别率达到100%。 展开更多

关键词 机车轮对轴承 故障诊断 特征提取 模式识别 复合多尺度加权排列熵 自适应进化极限学习机

在线阅读 下载PDF 职称材料