一种基于小波包样本熵和流形学习的故障特征提取模型
2014-09-18向丹,葛爽
振动与冲击 2014年11期
向 丹,葛 爽
(1.广东技术师范学院 自动化学院,广州 510635;2.华南理工大学 机械与汽车工程学院,广州 510640)
利用振动信号对机械状态进行监测是机械故障诊断技术中的一种有效手段,而故障特征的提取是故障诊断的关键,关系到故障诊断的准确性和早期预报的可能性。因此,人们从各种角度提取振动信号的特征参数,包括时域、频域和时频域等,取得了一定的效果[1-2]。但由于机械故障信号的非线性、非平稳特性,使得传统的基于线性系统的特征提取方法不能有效提取故障的非线性特征。因此,人们开始探索非线性动力学参数的特征提取方法。
近年来,人们将熵的概念,包括样本熵、能量熵、奇异熵和近似熵等,作为特征参数提取的方法引入到故障诊断领域。YAN等[3]将近似熵概念引入到轴承状态监测上,并取得了很好的效果。Pincus[4]提出了近似熵的改进算法样本熵,并广泛用于生理信号处理上。赵志宏等[5]提出了一种基于经验模态分解与样本熵的轴承故障诊断方法。流形学习作为一种非线性的数据
维数约简方法,能有效地挖掘高维非线性数据内在几何分布特征,具有很好的非线性复杂信息处理能力,已被用于机械故障诊断的提取领域。粟茂林等[6]运用局部切空间排列算法对最优小波系统矩阵进行优化,有效地提取了引发故障的冲击成分。葛爽等[7]提出一种基于扩散映射与支持向量机的能量耗损信号分析,对于能量耗损信号分析非常有效。……
登录APP查看全文
