基于風(fēng)機(jī)振動(dòng)信號(hào)的智能故障診斷技術(shù)研究現(xiàn)狀

1.2.1.4  基于信息熵的特征提取
信息熵是由 Shannon 在 1948 年運(yùn)用概率論和數(shù)理統(tǒng)計(jì)學(xué)方法提出來(lái)的，其發(fā)展來(lái)源于信息論思想，他指出“信息是用來(lái)消除系統(tǒng)不確定性的，其數(shù)值的大小用消除系統(tǒng)不確定性的大小來(lái)度量”。信息熵是指系統(tǒng)或事物不確定性的減少，對(duì)于一個(gè)系統(tǒng)來(lái)說(shuō)，熵值 H ( X )越大，系統(tǒng)包含的信息量越多，系統(tǒng)越復(fù)雜，不確定性越大。
正是由于熵可以很好反映系統(tǒng)的不確定性度，所以在機(jī)械故障診斷、圖像處理、信息管理、環(huán)境科學(xué)、系統(tǒng)建模及評(píng)價(jià)分析領(lǐng)域得到了廣泛應(yīng)用。其中，在滾動(dòng)軸承故障診斷研究中，Long  Zhang 等提出基于多尺度熵和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)對(duì)滾動(dòng)軸承進(jìn)行故障診斷，和以前單一尺度熵相比，多尺度熵更能反映軸承振動(dòng)信號(hào)的非線性特征與內(nèi)在屬性，實(shí)現(xiàn)了對(duì)滾動(dòng)軸承的不同工作狀態(tài)和故障程度的有效區(qū)分。近似熵是 Pincus 對(duì)信息熵進(jìn)行很好的改進(jìn)后來(lái)表示時(shí)間序列的復(fù)雜性，張超等提出基于 LMD 近似熵和支持向量機(jī)的軸承故障診斷方法，用近似熵提取不同尺度下的軸承故障信息，對(duì)后續(xù)支持向量機(jī)分類(lèi)提供了良好基礎(chǔ)。樣本熵作為近似熵的改進(jìn)，在腦電、心電領(lǐng)域得到了廣泛的應(yīng)用。蘇文勝等將樣本熵引入到滾動(dòng)軸承故障診斷中，利用小波包樣本熵對(duì)故障進(jìn)行特征提取，取得了很好的效果。 排序熵(Permutation Entropy, PE)是在 2002 年由 Bandt 和 Pompe 提出的，是一個(gè)基于時(shí)間序列的相鄰數(shù)據(jù)對(duì)比的復(fù)雜度參數(shù)，具有計(jì)算簡(jiǎn)單、抗噪能力強(qiáng)的優(yōu)點(diǎn)，和以前的樣本熵和近似熵相比，排序熵可以更好的檢測(cè)出復(fù)雜系統(tǒng)的動(dòng)力學(xué)突變。
在醫(yī)學(xué)上，歐陽(yáng)高翔等用排序熵定量描述癲癇病人發(fā)作時(shí)每個(gè)時(shí)間段腦電波的特征變化，李段等將排序熵用來(lái)量化麻醉藥物對(duì)大腦活動(dòng)的影響。在氣候氣象學(xué)中，侯威等將排序熵用于度量氣溫突變的特征，并利用 EMD 計(jì)算出氣溫變化的周期。郝成元等利用排序熵對(duì)氣候要素(氣溫值、降水量)進(jìn)行復(fù)雜性度量，用來(lái)研究地形、地理位置對(duì)氣候的影響。但是排序熵的應(yīng)用在機(jī)械故障診斷中的應(yīng)用并不多見(jiàn)。機(jī)械零件之間振動(dòng)信號(hào)是通過(guò)衰減、調(diào)制傳至外部，因此采集到的信號(hào)是復(fù)雜的非線性、非平穩(wěn)信號(hào)，而排序熵是反映時(shí)間序列無(wú)序程度的非線性指標(biāo)，因此可作為表征滾動(dòng)軸承故障狀態(tài)的參數(shù)。
1.2.2  基于振動(dòng)信號(hào)的智能故障診斷技術(shù)研究現(xiàn)狀
由于現(xiàn)代機(jī)械設(shè)備日趨龐大且結(jié)構(gòu)繁雜，傳統(tǒng)故障診斷技術(shù)結(jié)果已不能滿足人們的要求，而智能算法的出現(xiàn)，給故障診斷技術(shù)開(kāi)辟了新的研究領(lǐng)域。人工智能技術(shù)包括專(zhuān)家系統(tǒng)、模糊邏輯、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、遺傳算法、故障樹(shù)決策、多傳感器信息融合智能診斷、遠(yuǎn)程分布式智能診斷、基于行為的智能診斷等。設(shè)備智能診斷系統(tǒng)是一種基于知識(shí)及其處理技術(shù)，并以診斷對(duì)象知識(shí)獲取和診斷模型為研究目標(biāo)的系統(tǒng)，并向儀器化、智能化發(fā)展。
最先發(fā)展起來(lái)的是專(zhuān)家系統(tǒng)，是目前智能故障診斷領(lǐng)域應(yīng)用最多且最常用的一種方法。專(zhuān)家系統(tǒng)的優(yōu)點(diǎn)是知識(shí)可用基本規(guī)則表示，個(gè)別事實(shí)發(fā)生變化易于修改，
另外，專(zhuān)家系統(tǒng)也存在一些局限性，如系統(tǒng)知識(shí)庫(kù)建立困難、診斷準(zhǔn)確度依賴(lài)于知識(shí)庫(kù)的豐富程度、缺發(fā)自學(xué)習(xí)和自適應(yīng)能力等。因此，機(jī)器學(xué)習(xí)方法在智能診斷領(lǐng)域快速發(fā)展起來(lái)，并成為人工智能研究的重要課題之一。
BP 神經(jīng)網(wǎng)絡(luò)是最早的機(jī)器學(xué)習(xí)方法，是由十幾位學(xué)者共同研究并在出版書(shū)籍中建立了并行分布處理理論，詳盡地分析了 BP 算法，開(kāi)創(chuàng)了人工神經(jīng)網(wǎng)絡(luò)在機(jī)器學(xué)習(xí)中的先例，使 BP 神經(jīng)網(wǎng)絡(luò)成為應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)算法之一。葉瑞召等利用小波包算法對(duì)軸承振動(dòng)信號(hào)進(jìn)行分解后重構(gòu)分解系數(shù)，并將其作為 BP 神經(jīng)網(wǎng)絡(luò)的輸入元素，取得了很好的效果。G. F. Bin 等提出了基于 EMD 和 BP 神經(jīng)網(wǎng)絡(luò)的診斷方法，先利用小波包算法剔除大量背景噪聲，對(duì)重構(gòu)后的信號(hào)進(jìn)行特征提取，診斷效果良好。  

石家莊風(fēng)機(jī)廠石家莊風(fēng)機(jī)石家莊風(fēng)機(jī)銷(xiāo)售石家莊風(fēng)機(jī)維修