摘要：针对往复压缩机振动信号非线性非平稳性的特点,文章提出基于改进CEEMDAN和多尺度模糊熵的气阀故障诊断方法。首先,利用单调的三次Hermite插值代替三次样条插值构造信号的包络线,可以有效提高CEEMDAN对非平稳性信号的分解精度;其次,对分解后的IMF分量采取相关系数和峭度作为评价指标进行筛选,对筛选后的IMF分量重构信号然后求解多尺度模糊熵;最后,提出了结合其变化趋势的指标-多尺度模糊熵偏均值,将其输入到SVM进行故障分类识别。实验结果表明,该方法能提高气阀的故障识别率。

摘要：为克服多尺度模糊熵(MFE)对机车受电弓故障特征表征不明显的不足,将分段复合多尺度模糊熵(PCMFE)用于机车受电弓的故障特征提取中,并据此提出基于PCMFE的机车受电弓故障诊断方法。与MFE不同的是,PCMFE采用分段粗粒化和复合多尺度模糊熵的计算方法,可以解决MFE计算过程中数据丢失和在大尺度因子下计算不稳定的问题,可以更加准确地对故障信号进行表征。机车受电弓故障诊断实例结果表明,PCMFE对不同故障的区分性比MFE更好,提高了极限学习机(ELM)的诊断精度。

摘要：为克服多尺度模糊熵(MFE)在刻画齿轮故障信息时存在的不足,对其进行改进,提出增强多尺度模糊熵(EMFE)的概念,并由此提出基于EMFE的齿轮故障诊断新方法。相比于MFE,EMFE的序列粗粒化过程不存在信息泄露,并且能够保证熵值计算的稳定性,能够更为准确的对信号包含的信息进行刻画。齿轮故障诊断实例结果表明,以EMFE作为故障特征输入支持向量机(SVM)中进行故障诊断,可以有效提高故障诊断的精度。

摘要：提出一种新的反映信号复杂度或非线性度的方法——多尺度模糊熵偏均值(PMMFE),PMMFE是在多尺度模糊熵的基础上提出的。多尺度模糊熵虽然包含不同尺度上的时间模式信息,反映了信号的内在特征,但是对于特征相近的信号,其在绝大部分尺度上的表征并不理想。PMMFE综合考虑多个尺度的模糊熵值,利用不同尺度上模糊熵值的偏态分布特性来定量表征信号的复杂度或非线性度,更加准确地反映信号的特征。但是齿轮箱中的齿轮故障振动信号是多源振动信号,需将齿轮振动本源信号分离出来才能进行特征提取。自适应最稀疏时频分析方法(ASTFA)根据齿轮啮合频率确定初始相位函数就可以有效分离齿轮故障振动本源信号。将ASTFA和PMMFE相结合用于齿轮故障诊断,首先采用ASTFA分离齿轮箱中的齿轮故障振动信号,其次计算该信号的多尺度模糊熵,再根据多尺度模糊熵计算PMMFE。实验分析结果表明该方法能够有效判别齿轮箱中的齿轮故障及其类型。

摘要：为提取出辨识度高的故障数据集,将经验小波变换(empirical wavelet transform,EWT)、多尺度模糊熵(multi-scale fuzzy entropy,MFE)以及t-分布随机邻域嵌入算法(t-distributed stochastic neighbor embedding,t-SNE)进行结合,提出一种能够有效识别旋转机械故障状态的分析方法。首先,将旋转机械的振动信号进行经验小波变换,以提取具有紧支撑傅立叶频谱的调幅-调频(AM-FM)成分,选择相关系数较大的AM-FM进行信号重构;然后,计算出重构信号的多尺度模糊熵并组成能表征故障状态的高维特征集,利用t-SNE对高维特征信息进行维数约简,剔除冗余不相关特征;最后,将约简后的敏感故障数据集输入到支持向量机(support vector machin,SVM)中,在SVM核函数参数进行粒子群算法优化的基础上进行状态识别及分类。用双跨转子实验台采集的数据对上述方法进行验证,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更精确的故障识别率。

摘要：为提高电机轴承故障识别的准确性,提出一种基于变分模态分解(variational mode decomposition,VMD)、多尺度模糊熵(multi-scale fuzzy entropy,MFE)和概率神经网络(probabilistic neural network,PNN)相结合的滚动轴承故障诊断方法。通过优化后的遗传算法对VMD的2个重要参数进行寻优;然后利用VMD对各类轴承振动信号进行分解,根据峭度-相关准则选取包含较多故障特性的最优模态分量;计算该分量的多尺度模糊熵,并选取一定尺度的模糊熵值作为特征向量,输入到PNN中进行故障识别。经过实验验证,相较于VMD-PE-PNN、VMD-FE-PNN、VMD-MPE-PNN方法,基于VMD-MFE-PNN的电机轴承诊断方法更能准确地识别滚动轴承的故障类型。

摘要：针对滚动轴承故障特征难以提取和故障特征分类困难的问题,提出了一种基于多尺度模糊熵(MFE)与改进层次原型分类器(IHP)的故障诊断方法。首先,利用多尺度模糊熵从滚动轴承不同状态下的振动信号中提取20种故障特征。其次,引入线性判别分析(LDA)对Hierarchical Prototype进行改进,从而提高故障分类精度。最后,结合多尺度模糊熵与改进层次原型分类器对故障特征进行分类。实验证明,提出的MFE与IHP能有效提取滚动轴承的故障特征,并实现高精度分类。相比于其他故障识别分类器,所提方法有更高的识别精度,分类精度达到了99.29%。