针对行星齿轮传动系统复合故障特征提取问题,以行星齿轮箱的运行状态为研究背景,建立了考虑路面随机激励下的行星齿轮箱复合故障动力学模型,利用多尺度排列熵对齿轮箱正常、断齿故障和复合故障时的振动信号进行了对比分析,通过对处于不同状态的行星齿轮箱进行分析,发现行星齿轮箱正常振动信号的多尺度排列熵值要高于单一断齿和复合断齿故障信号,熵值平均高出约5.3%,单一断齿的多尺度排列熵高于复合断齿故障信号,熵值平均高出约7.4%。研究结果证明,多尺度排列熵可以有效地诊断多排行星齿轮系统的故障类型。

针对VMD在实际工程中需要凭借人为经验设定本征模态分量(IMF)个数,提出了一种通过频谱极值点与自适应阈值之间的关系确定VMD中的最佳IMF数量的策略,称为自适应变分模态分解(Adaptive Variational Modal Decomposition,AVMD),并将其结合最小二乘支持向量机(LSSVM)用于滚动轴承故障诊断。首先利用AVMD对轴承信号分解获得多个IMF分量后根据峭度值将分量信号重构,然后提取重构信号的多尺度排列熵作为训练LSSVM的特征向量,最后用获得的诊断模型对未知的轴承故障进行分类。通过仿真分析及轴承信号的诊断结果表明,AVMD能够有效的将多频率组成的复杂信号分离成几个有效的IMF组合形式,且结合LSSVM的诊断模型具有较高的识别率。

在实际工况中,风机齿轮箱的故障样本多呈现不均衡特征。为克服样本不均衡性给诊断效果带来的影响,提出了一种基于LSGAN(最小二乘对抗网络)和VMD-MPE-KELM的风机齿轮箱故障诊断方法。首先,采用LSGAN算法用于少数类故障样本的生成处理,将具备原始样本特征的生成数据扩充样本集使其分布均衡,采用VMD方法分解样本集中各类故障的振动信号,计算各模态分量的MPE多尺度排列熵值以提取信号特征;再通过KPCA方法降维处理,获得故障样本的特征向量,将其代入KELM模型诊断。实验表明,LSGAN算法克服了GAN在生成故障样本中梯度消失、训练不稳定和数据质量差等问题;VMD-MPE-KPCA方法可有效提取故障特征。该方法有效地提高了非平衡齿轮箱故障样本的诊断精度。

针对现有液压泵故障诊断算法故障识别精度低、实测信号中存在冗杂信息和无关成分干扰等问题,提出了一种在高维空间对液压泵振动信号进行处理和模式识别的方法。首先利用Lowner矩阵将一维时间序列信号进行高维张量化,然后基于广义CP张量分解(GCP)算法,根据数据分布类型选择适当的损失函数以确定最佳低秩模型,实现对液压泵采集得到的振动信号进行分解,降低分解损失,提高分解精度。最后选择分解结果中与原始信号相似度最高的模式分量,计算其多尺度排列熵(MPE)值进行液压泵不同故障类型的特征识别。将该文所提方法应用于液压泵故障实验台的实测数据分析,验证了其在液压泵故障诊断中的有效性。

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。

针对轴承发生故障,振动信号会表现出复杂性的情况,运用多尺度排列熵(Multiscale Permutation Entropy,MPE)方法对振动信号进行分析。首先对嵌入维数、延迟时间以及数据长度对排列熵的影响进行了分析,在此基础上分析尺度因子关于多尺度排列熵的影响,然后对滚动轴承振动信号进行更准确的故障特征提取,并利用极限学习机(Extreme Le arning Machine,ELM)方法对其进行故障分类,与神经网络的分类效果相比较,结果显示,极限学习机与多尺度排列熵相结合,可以很好地实现故障诊断。

将排列熵引入液压泵的故障识别中,分析了排列熵作为液压泵故障特征指标的性能;采用互信息法和伪近邻法优选排列熵计算中的延迟时间和嵌入维数,基于优选参数得到了能够更好区分液压泵故障的排列熵。针对单尺度排列熵只能在单个尺度上衡量振动信号复杂度的不足,在对多尺度排列熵进行研究的基础上提出了一种综合多尺度排列熵熵值和排列熵变化趋势的指标——多尺度排列熵偏均值,对液压泵实测信号的分析结果验证了该指标作为液压泵故障特征的有效性和优越性。