基于最优特征集和马氏距离KNN分类的机械故障分类方法研究

针对传统K近邻(K-Nearest Neighbor,KNN)算法在进行机械故障信号识别的过程中,无法挖掘特征参数之间关联性,提出一种基于最优特征集的马氏距离KNN分类方法,根据机械故障信号的非线性特点,使用小波分解获得时频域故障特征,通过局部嵌入算法(Locally Linear Embedding,LLE)来进行二次故障特征提取,从而获得多相关特征集并对其进行主成分分析得到最优特征集,最后通过数值仿真信号和齿轮故障数据的分析了方法的有效性。结果表明该方法能够有效挖掘特征参数之间关联性,增加不同故障之间区分度,从而提高故障识别精度。     

转子系统故障数据集D-LLE降维方法研究

针对传统降维方法中存在丢失判别信息及由高维空间原始特征张成的超曲面曲率较大时难以获取低维敏感信息的问题,提出一种基于Dijkstra算法的改进LLE(local linear embedding)转子故障数据集降维方法,即D-LLE法。在由时域、频域组成的原始特征空间中,利用Dijkstra算法具有可细致刻画出由时域、频域组成的原始特征空间的能力,结合LLE算法具备能够保持降维前后的转子故障数据集其流形保持不变的性质,据此可提取出反映转子运行状态的低维敏感特征属性。转子实验台模拟出的4种运行状态进行试验表明:优化后的特征数据集具有较好的聚类与类间可分性。     

基于融合特征的双通道CNN滚动轴承故障识别

针对传统的滚动轴承故障识别方法效果较差,对专家经验依赖较高的问题,提出一种基于融合特征的双通道CNN滚动轴承故障识别方法.该方法首先将原始信号采用小波分解方法生成时频图,再将时频图和原始故障信号融合输入到Lenet-５网络中,进一步对故障特征进行准确提取,在输出层对数据进行融合,使用Softmax分类器对轴承故障进行分类.实验结果表明,该方法对不同种类的滚动轴承故障的识别均能做出准确的判断,识别准确率高.     

基于局部边缘判别投影的机械故障诊断方法

针对故障特征集维数过高的问题,提出一种基于局部边缘判别投影(locality margin discriminant projection,简称LMDP)的故障数据集降维算法。该算法定义了局部类间相似度和局部类内相似度,使相邻的异类在低维空间中离的更远、相邻的同类样本在低维空间中离的更近。分别提取转子振动信号的时域和频域统计特征,组成原始故障特征集;通过LMDP算法对原始特征集进行特征融合,选择出其中最能反映故障内在信息的低维敏感特征子集;将得到的低维特征子集输入到K近邻(K-nearest neighbor,简称KNN)分类器中进行训练和故障分类。通过2个不同型号的双跨度转子系统采集的振动信号集合验证了该方法的有效性。     

AOA-CEEMDAN和融合特征在齿轮箱故障诊断中的应用

自适应噪声完备集成经验模态分解(CEEMDAN)的参数由于是人为设置的,从而会导致其信号的分解不彻底。针对这一问题,提出了一种基于算术优化算法(AOA)优化CEEMDAN、融合特征和随机森林(RF)的齿轮箱故障诊断方法。首先,采用AOA算法对CEEMDAN方法的关键参数进行自适应选取,并采用优化后的CEEMDAN方法对齿轮箱振动信号进行了分解,生成若干个本征模态函数(IMF);随后,利用相关系数准则选择了前4阶IMF分量作为故障敏感分量;接着,利用由注意熵和散度熵组成的融合特征提取方法挖掘了故障敏感分量的故障特征,得到了故障敏感特征样本;最后,将表征齿轮箱故障特性的故障特征输入至RF多故障分类器中,建立了故障分类模型,完成了齿轮箱的故障识别;利用QPZZ-II型齿轮箱数据集进行了实验,并将其结果与采用其他方法所得结果进行了对比。研究结果表明：相较于原始CEEMDAN,优化后的CEEMDAN能够更加准确地分解非线性齿轮箱振动信号,故障识别准确率提高了4%;相较于单一的故障特征,融合特征能够更加准确地表征齿轮箱的故障状态,故障识别准确率分别提高了3.2%和8%。基于AOA-CEEMDAN和...     

面向转子故障特征提取的多尺度拉普拉斯特征映射方法

融合多尺度分解理论和流形学习思想,提出了一种面向转子故障特征提取的多尺度拉普拉斯特征映射算法。首先对转子故障振动信号进行多尺度小波包分解,提取各独立频带信号的最优尺度小波熵,构建特征参量矩阵并估计其固有维数,然后通过拉普拉斯特征映射将特征参量数据嵌入到低维本征空间,得到故障的最敏感特征,最后融合决策实现故障的准确识别。实验表明,相对于主成分分析算法、局部线性嵌入算法和拉普拉斯特征映射算法,多尺度拉普拉斯特征映射方法提取的转子故障信号特征更容易识别。     

基于多特征融合多核学习支持向量机的液压泵故障识别方法

提出基于多特征融合多核学习支持向量机的液压泵故障识别方法。该方法首先对原始信号进行集总经验模态分解,然后分别用AR模型和奇异值分解两种特征提取方法提取故障特征,最后将不同类型的特征分别用相应的核函数进行映射,用多核学习支持向量机来识别液压泵的工作状态和故障类型。实验结果表明该方法显著地提高了故障诊断的准确性。     

变工况下基于信息融合的地铁牵引电机轴承故障智能诊断

针对传统滚动轴承故障诊断方法过于依赖先验知识和专家经验,以及单一信号对某些故障识别率偏低的问题,提出一种变工况下基于信息融合的地铁牵引电机轴承故障诊断方法.首先搭建滚动轴承试验与多信息采集系统;其次对地铁牵引电机轴承进行缺陷预制并采集轴承试验过程中的声发射和振动信号;然后用小波包分解对原始信号进行处理并提取特征,再用卷积神经网络对归一化后的特征信息进行融合;最后建立二维卷积神经网络模型,对不同工况下的地铁牵引电机轴承故障进行智能诊断.试验结果表明:变工况下基于信息融合的地铁牵引电机轴承故障智能诊断方法,可在载荷和转速变化的情况下准确识别轴承的故障类型,当神经网络训练集与测试集涵盖工况相同时,准确度可达100％.     

小波包能量与CNN相结合的滚动轴承故障诊断方法

针对滚动轴承故障种类繁多,故障信号特征不明显的问题,提出了一种小波包能量与卷积神经网络相结合的滚动轴承故障判别方法.首先对原始振动信号进行小波包分解,其次求取分解后各个子带信号的能量,归一化后得到一组特征向量,最后将该特征向量作为卷积神经网络的输入,进而判断输入信号所对应的故障类型.为验证所提方法的有效性和优越性,采用美国凯斯西储大学轴承数据集,将所提出的方法与另外两种故障诊断算法进行对比.在不同工况情况下的对比试验结果表明,小波包能量特征提取方法,能够有效提取出原始信号故障特征.相较于常见的卷积神经网络的故障诊断方法,所提方法能够有效提高故障识别准确率,且速度快、稳定性好.     

应用SIFT_BoW和HIK_SVM的行星轮齿面磨损故障诊断

行星轮齿面磨损故障信号具有特征薄弱、特征量少等缺点,对其进行故障特征识别较为困难。本文中提出一种新的方法:首先,将原始振动加速度信号幅值作为像素点构造灰度图像,检测灰度图像的特征点并对检测出的特征点向量描述;然后将灰度图像的特征描述向量聚类,构建词袋模型;最后用直方图相交核支持向量机算法对其进行分类。该方法不但不需要对原始信号模态分解和降噪处理,还可以提取出大量的信号特征,提高了故障特征识别的效率和准确率。对正常轮齿、2个齿面磨损和3个齿面磨损故障进行了诊断实验,准确率高达98.55%,实验结果验证了所提方法的有效性。     

基于多特征融合和BP-AdaBoost算法的列车关键零件故障自动识别

针对列车集尘器和安全链锁紧螺栓的故障检测,提出了一种基于多特征融合和BP-AdaBoost的故障自动识别算法。首先提取故障区域与非故障区域的局部二进制模式（LBP）、方向梯度直方图（HOG）和Haar-like三类特征;其次利用主成分分析（PCA）定义不同特征对故障识别准确率的贡献值,并据此对这三种特征进行降维和融合;再次利用融合特征来训练BP-AdaBoost分类器;最后用训练好的分类器结合不同的识别算法,对集尘器和安全链锁紧螺栓的故障进行定位和识别。实验结果表明,该算法能较好地识别两种不同故障,故障识别率高,误检率和漏检率低,对于光照不均和遮挡情况有一定的鲁棒性。     

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。     

一种面向旋转机械的基于 Transformer 特征提取的域自适应故障诊断

针对基于深度学习的旋转机械故障诊断方法在新工作条件下缺乏标注数据、跨域诊断精度较低的问题,提出了一种基 于 Transformer 的域自适应故障诊断方法。 采用 Transformer 的变体 VOLO 构造特征提取器以获取细粒度更佳的故障特征表示。 利用源域数据进行监督学习对源域和目标域数据的特征提取器进行预训练,并且冻结源域提取器参数以获取固定的源域特征。 利用域对抗自适应策略和局部最大平均差异结合目标域未标注数据训练目标域特征提取器,实现源域特征与目标域特征的边 缘分布、条件分布对齐。 通过两个多工况实验对所提出的故障诊断算法进行了验证,结果表明提出的基于 Transformer 特征提 取的域自适应故障诊断方法相比 5 种传统域自适应方法,在齿轮和轴承数据集上分别平均提升了 22. 15% 和 11. 67% 的诊断精 度,证明所提出方法对于跨域诊断精度具有提升作用。     

一类滚动轴承振动信号特征提取与模式识别

复杂工况下滚动轴承振动信号通常表现出强烈的非平稳性,而一些典型的故障特征往往容易被其他成分所掩盖,这为故障特征提取带来了很大的困难。针对这一问题,首先,提出一种基于同步压缩小波变换的滚动轴承信号特征提取方法,对多种工况下的滚动轴承振动信号进行分析,提取出能够有效反映滚动轴承工况的信号特征空间;其次,采用非负矩阵分解对信号特征空间进行精简和优化,提炼出用于滚动轴承故障诊断和模式识别的特征参数;最后,采用支持向量机对多种工况的滚动轴承振动信号进行分类。研究结果表明,与传统的时域特征参数提取方法相比,所提出的方法具有更高的分类准确率。     

基于ReliefF算法和相关度计算结合的故障特征降维方法及其应用

在对旋转机械进行故障诊断时,通常要从时域、频域或时频域提取故障特征参数,组成原始的故障特征向量,然而在众多的故障特征当中并不是每个特征对于故障分类都是敏感且有效的。为此,本研究提出了基于ReliefF算法和相关度计算结合的故障特征降维方法。采用ReliefF加权特征选择算法对原始各特征的分类能力进行评价,选择出分类能力较强的特征;再通过特征相关度算法剔除其中分类能力相近的冗余特征,将剩余的分类能力较强的特征组成最终的降维特征向量用于故障分类和诊断,实现原始特征的降维。通过液压泵和滚动轴承的故障诊断实验,并与传统的主元分析(PCA)方法对比,结果表明该方法能够用较少的降维后的信号特征获得更高的故障正确识别率。     

核函数主元分析及其在故障特征提取中的应用

提出了基于核函数主元分析的故障特征提取方法。该方法利用计算原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析，得到原始特征的非线性主元．以所选的非线性主元作为特征子空间，并应用转子试验台的故障数据对该方法进行了检验。结果表明，核函数主元分析更适于提取故障信号的非线性特征，它提取的故障特征对故障具有更好的识别能力，并对分类器具有较强的鲁棒性。     

基于往复压缩机轴心轨迹特征的故障诊断方法研究

往复压缩机的故障诊断一直以来都是研究工作的重点问题,对其关键运动部件的监测诊断更是研究的热点之一。当往复压缩机发生运动部件磨损、撞缸等故障时,活塞杆的运行状态会发生改变,进而引起活塞杆轴心轨迹的变化。因此,提出了一种基于活塞杆轴心轨迹的往复压缩机智能诊断方法。首先,文章利用改进的离散点轮廓包络方法提取活塞杆轴心轨迹特征,同时提取活塞杆信号的时、频域特征;然后利用ReliefF方法计算轴心轨迹特征与时、频域特征的特征权重,选取大于各自权重均值的特征分别组成轴心轨迹敏感特征集和时频域敏感特征集;最后,提取2个特征集的Related-Similar(RS)特征,将其融合后作为BP神经网络的训练特征集训练故障诊断模型。利用往复压缩机磨损故障和撞缸故障的数据对模型进行验证,结果表明,模型能较好地识别这两种故障,并且故障恶化时的识别准确率均达到了99%以上。     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

An improved LLE algorithm based on iterative shrinkage for machinery fault diagnosis

Local linear embedding (LLE) algorithm is widely utilized to feature extraction for fault diagnosis, but the diagnosis result is sensitive to reconstruction weight W of LLE. To make W more significant and robust, in this paper, ISLLE algorithm is proposed with the aid of iterative shrinkage technology and LLE algorithm. In ISLLE algorithm, a surrogate function is introduced, upon which the high-dimensional optimization problem can be decoupled into a set of one-dimensional equations, then W can be easily computed by iterative shrinkage method. In each iteration, the small and negative weight coefficients are eliminated, while the large ones are shrunk, which can be regarded as feature extraction and noise reduction. Hence, the signals processed by ISLLE are more beneficial to diagnosis. Three real datasets are used to examine the proposed method. The experimental results demonstrate that the proposed method is valid, and the performance of ISLLE outperforms that of the original LLE.     

基于流行-IMF奇异值熵的转子故障特征提取方法

针对转子振动信号的非平稳性以及微弱故障特征难以提取的问题，提出一种基于集合经验模式分解(ensemble empirical mode decomposition，简称EEMD)的奇异值熵和流形学习算法相结合的故障特征提取方法。首先，对原始振动信号进行EEMD分解，得到若干本征模态函数(intrinsic mode function，简称IMF)分量，根据峭度 欧式距离评价指标选取故障信息丰富的敏感分量，组成初始特征向量，求其奇异值熵；其次，利用近邻概率距离拉普拉斯特征映射算法（nearby probability distance Laplacian eigenmap,简称NPDLE）对奇异值熵组成的特征矩阵进行降维处理；最后，将得到的低维特征子集输入到K-近邻(K-nearest neighbor，简称KNN)中进行模式辨识。用一个双跨度转子实验台数据集和Iris仿真数据集对所提方法进行了验证，结果表明，IMF奇异值熵和NPDLE相结合的方法可以有效地实现转子故障特征提取，提高了故障辨识的准确性。