改進(jìn)的多尺度熵及在旋轉(zhuǎn)機(jī)械故障特征提取與診斷中的應(yīng)用.pdf

1、旋轉(zhuǎn)機(jī)械在現(xiàn)代生產(chǎn)體系中具有不可替代的作用，隨著科學(xué)技術(shù)的發(fā)展，由于機(jī)械設(shè)備各部件緊密的耦合在一起，因此一個部件發(fā)生故障就有可能引起鏈?zhǔn)叫?yīng)。滾動軸承和液壓泵作為旋轉(zhuǎn)機(jī)械中重要的部件之一，因此對其運(yùn)行狀態(tài)進(jìn)行故障診斷十分必要。故障診斷的主要步驟是：首先采集設(shè)備運(yùn)行信息，隨后提取故障特征，最后進(jìn)行狀態(tài)識別，完成設(shè)備故障診斷。其中核心是從振動信號中提取對故障狀態(tài)最為敏感的特征，同時也是本課題的研究重點(diǎn)。
　　本文深入研究了多尺度熵算法

2、的基本原理，通過仿真信號和實驗數(shù)據(jù)驗證多尺度熵在揭示信號復(fù)雜度方面的準(zhǔn)確性。針對其隨著尺度的增大樣本熵值的穩(wěn)定性逐漸減小，并且同一工況下不同時間序列的樣本熵值曲線差異性較大的問題進(jìn)行改進(jìn)，通過仿真信號和實驗數(shù)據(jù)驗證了改進(jìn)多尺度熵的有效性。
　　提出了一種基于多尺度熵的旋轉(zhuǎn)機(jī)械故障識別方法，首先對振動信號進(jìn)行多尺度熵計算，利用ReliefF加權(quán)特征選擇算法選取出最優(yōu)尺度因子；再計算振動信號的多尺度熵偏均值，將最優(yōu)尺度因子下的樣本熵和

3、多尺度熵偏均值構(gòu)成特征向量；最后通過核模糊C均值聚類對訓(xùn)練樣本的特征向量進(jìn)行聚類，獲得各故障的聚類中心，再根據(jù)最小歐式距離原則對測試樣本的特征向量進(jìn)行故障識別，并通過美國凱斯西儲大學(xué)公布的軸承的數(shù)據(jù)驗證了所提出方法的有效性。
　　本文以液壓泵故障模擬試驗臺為研究對象，搭建基于LabVIEW的信號采集系統(tǒng)，采用所提出的故障識別方法成功地對液壓泵不同程度的滑靴和松靴故障進(jìn)行了診斷，并在相同診斷數(shù)據(jù)的情況下，將基于多尺度熵方法和傳統(tǒng)時頻