基于符号动力学信息熵与SVM的液压泵故障诊断

针对泵车液压泵早期故障特征信号微弱、故障特征难以提取的问题,提出了一种基于符号动力学信息熵与支持向量机(support vector machine,简称SVM)的泵车液压泵故障诊断方法。分别模拟了液压泵9种故障状态,测取了各状态下多测点的振动信号样本值。利用时间序列的符号动力学信息熵,计算各振动信号的符号动力学信息熵Hk,确定了各状态下相应的信息熵特征向量。建立了不同状态特征向量训练集,再结合支持向量机对液压泵故障模式进行诊断与识别,测试结果准确率为98.71%。将该方法与改进的BP(back propagation,简称BP)神经网络诊断结果进行了对比,结果表明该方法的识别率更高,诊断时间更短,适用于现场液压泵故障的在线诊断。     

时域流形特征增强在数控机床轴承故障诊断中的应用

以数控机床轴承的时域振动信号为研究对象,提出一种基于流形学习的特征增强方法。首先,将采集信号的时间序列进行相空间重构,通过计算子相空间的信息熵来构建信号在特征空间中的表示,并以流形距离作为原始信号来集中不同故障类型的度量。然后,使用等距特征映射算法求取信号在特征空间中同胚的低维流形,其结果可用于对故障类型的分类判别。经实例数据集的验证分析发现,信息熵—等距特征映射变换能够在低维特征空间表达并强化轴承时域信号的故障类型特征,可有效应用于数控机床轴承单一和复合故障场景的设备运行诊断。     

基于小波包熵和ISODATA的滚动轴承故障诊断

针对滚动轴承不同振动信号各个频带的能量不同的特点,提出一种基于小波包熵（WPE）和ISODATA的集合型故障诊断方法（WPE-ISODATA）。文中对滚动轴承振动信号进行采样;利用小波包提取滚动轴承振动信号的能量特征并归一化运算,将归一化的能量特征作为振动信号的概率分布进行信息熵运算,提取滚动轴承振动信号特征;以信息熵作为ISODATA聚类算法的输入进行故障辨识。滚动轴承实验结果表明：基于小波包熵和ISODATA的集合型故障诊断方法鲁棒性好,可靠性高。     

局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。     

大数据处理环境下大型机组设备故障可视化诊断方法研究

为了提升大型机组设备故障信息的提取效率,实现故障可视化诊断,提出大数据处理环境下大型机组设备故障可视化诊断方法。采用基于工作变形分析( ODS )的振动可视化技术完成大型机组设备的振动分析,获取设备不同模态下的故障频率响应信号,并将其频率谱作为故障特征,利用模糊减法聚类算法获取故障诊断结果;并利用三维平行散点图与人机交互将故障诊断结果可视化呈现。测试结果表明,该方法可通过数据聚类有效完成大型机组设备故障诊断,并且具备较好的可视化效果,可满足大型机组设备故障的可视化需求。     

多时域特征与SVM的隔膜泵单向阀故障诊断

针对隔膜泵单向阀故障机理分析不足的问题,提出了一种基于多时域特征与SVM的单向阀故障诊断方法。信号的时域特征是最早应用且最为简洁实用的特征参数,对单向阀的时域振动信号进行简要分析,并介绍几种信号时域指标与特征,根据单向阀振动信号的特点选取出三种时域指标与特征作为故障诊断的特征值;将特征值构成训练集输入到SVM分类器训练诊断模型;用测试样本进行故障诊断实验。实验证明,本文中提出的方法对高压隔膜泵单向阀的故障诊断准确率为98%,具有所需样本信号长度较短的优点。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

飞机发动机转子振动特征提取方法诊断

在研究航空发动机振动机理和分析转子故障对应的振动信号特征的基础上,采用经验模态分解方法对发动机机壳上测得的振动信号进行分解。由于振动信号的时频特性可以更有效地揭示转子故障,因此它被用于时频域以提取振动特征。首先将转子振动信号与EMD的固有模式函数的能量状态及其与原始信号的相关性进行比较。然后,在确定IMF包含的主要故障信息的基础上,分别在时域,频域和时频域评估三种信息熵。最后,转子故障诊断的特征向量由每个IMF计算得到的三个信息熵值和小波包分解得到的小波包空间特征的谱熵构成。结果表明,基于时频分析的经验模态分解方法能够有效地提取非平稳故障信号的特征向量。这为航空发动机转子故障诊断中的振动分析提供了一种系统的定量特征选择方法。     

电流与振动信号融合的转子系统故障诊断研究

针对传统转子系统故障诊断信号的单一性,提出了基于电机电流和多传感器振动信号的融合信号的转子系统故障诊断方法。首先在单跨转子试验台上模拟转子系统的不平衡、不对中、碰磨故障,并采集不同故障类型下拖动电机的电流信号及不同位置的振动信号,其次利用小波包能量法对采集的信号进行特征值提取,最后利用贝叶斯网络对转子系统故障类型进行识别。试验结果表明:与只利用电机电流信号或振动信号相比,利用融合信息进行转子系统故障诊断准确率明显提高。     

新书介绍

1．《齿轮及齿轮箱故障诊断实用技术》一书系统论述了齿轮箱中的三大零部件——齿轮、滚动轴承和轴的常见失效形式，振动噪声产生的机理和故障的主要形式，调制现象和边频带分布特点，齿轮及齿轮箱振动信号的时域、频域和现代解调分析的各种处理方法，提取了十种典型故障振动信号特征。从现场诊断技术需要的角度出发介绍了齿轮箱故障诊断常用的振动噪声故障诊断方法、     

多源信息融合及其在齿轮泵故障诊断中的应用

针对齿轮泵故障信息的不确定性和模糊性,提出了一种多源信息融合的贝叶斯网络故障诊断方法。在探讨齿轮泵故障机理的基础上提取振动、流量和压力信号作为故障特征,构造故障贝叶斯网络,建立贝叶斯分类器进行多特征信息融合,利用最大后验概率准则判别故障类型。融合结果表明,该方法能够有效实现齿轮泵多种故障的诊断,具有广阔的应用前景。     

基于信息熵熵距的涡旋压缩机故障诊断

为研究涡旋压缩机的故障特征,提出一种基于信息熵和熵距的诊断方法。分析了涡旋压缩机工作状态下的信息熵,并将其作为故障特征,结合欧氏距离提出熵距的概念理论,再由振动信号检测验证该理论。应用该方法,对转子和轴承的故障区分度可达到89%,对其它故障也能明确诊断,平均准确率达到84.2%,上述结果与实验结果相接近。熵距可作为综合评价涡旋压缩机振动状态的定量特征指标,能更准确全面地反映故障的特征,同时给复合故障诊断提供了一种新的思路。     

多特征信息融合的贝叶斯网络故障诊断方法研究

针对轴向柱塞泵故障特征的模糊性和不完备性特点,提出一种多特征信息融合与贝叶斯网络相结合的故障诊断方法。该方法从柱塞泵采集的振动信号中提取出频域和幅域的多个故障特征,并将这些特征当作来自多个不同传感器的多源信息。利用贝叶斯参数估计算法进行多特征信息融合。通过构造贝叶斯网络并建立贝叶斯分类器来简化融合后的结果,通过最大后验概率估计值的计算进行故障识别。经过轴向柱塞泵多故障模式的诊断实验,验证了该方法能够有效地实现柱塞泵柱塞松靴和脱靴故障的诊断。     

张量奇异谱分解与极限学习机的故障诊断方法

针对滚动轴承故障诊断问题,提出张量奇异谱分解(TSSA)与极限学习机(ELM)相结合的诊断方法.TSSA将一维时域振动信号转换成三阶张量,使用标准张量分解对三阶张量进行分解并重构回一维时域振动信号;为了验证TSSA的有效性,将奇异谱分解作为对比方法,仿真结果表明:TSSA重构后的信号能够找到故障特征倍频,其效果优于奇异谱分解.从重构时域信号中提取时域特征参量,并使用ELM网络对其实施诊断;为验证ELM的有效性,将BP、SVM作为对比算法,诊断结果表明:从诊断准确率、样本比例、诊断时间方面而言,ELM的性能比BP、SVM要好,ELM更适宜于轴承故障诊断.     

信息熵融合的PSO‑SVC涡旋压缩机故障诊断

针对涡旋压缩机振动信号的不稳定性及难以获取大量故障样本的问题,提出了一种信息熵融合与粒子群优化（particle swarm optimization,简称PSO）的支持向量回归（support vector classification,简称SVC ）涡旋压缩机故障诊断方法。通过奇异谱熵和功率谱熵分析,分别提取振动信号时域与频域特征,采用变分模态分解（variational mode decomposition,简称VMD ）能量熵衡量故障振动信号时?频域特征,利用因子分析融合奇异谱熵、功率谱熵和能量熵值得到单一评价指标特征向量。将评价指标作为PSO-SVC模型的输入,通过训练建立PSO-SVC涡旋压缩机故障分类模型。实验结果表明,该方法在小样本情况下,仍能有效地对涡旋压缩机4种典型故障类型进行分类,准确率达到94.5%。     

基于S-CBiGRU的风电机组滚动轴承故障诊断方法

风电机组滚动轴承的振动信号存在非线性、非平稳的特性,且其特征不易被提取,针对这一问题,提出了一种基于S变换、卷积神经网络、双向门控循环单元的滚动轴承故障诊断方法(即基于S-CBiGRU的诊断方法)。首先,利用S变换对风场采集的振动信号进行了多分辨率时频分析,将一维振动信号转化为包含时间与空间特征信息的二维时频图像;然后,将经S变化所得到的时频图输入到CBiGRU网络模型中,采用CNN卷积池化层提取了振动信号的空间特征;其次,采用BiGRU结构提取了振动信号中的时间序列特征;最后,为了对上述诊断方法的有效性进行验证,采集了风电机组轴承实验数据,并将其输入到该模型中进行诊断实验。实验结果表明：在风电机组轴承故障诊断中,采用S-CBiGRU方法准确率达到93.17%,分类效果优于其他深度学习算法。研究结果表明：S-CBiGRU故障诊断方法具有可行性,可以为风电机组滚动轴承的故障诊断提供一种新途径。     

基于改进KFDA独立特征选择的故障诊断

为了有效利用故障特征集中对故障敏感的特征进行故障诊断,对核Fishier判别分析(KFDA)进行改进,提出基于改进KFDA独立特征选择的故障诊断方法。该方法首先从多个角度提取故障振动信号的故障特征,构建原始高维多域混合故障特征集。然后,采用改进的核Fisher特征选择方法为每两类故障状态独立选择敏感特征集。最后,采用"一对一"的方法训练多个二分类相关向量机(RVM),将得到的敏感特征集输入多分类故障诊断模型进行识别。齿轮故障诊断实例表明,所提方法具备较高的诊断准确率。     

基于频谱分析的油田注水柱塞泵故障诊断

针对传统注水柱塞泵故障诊断高度依赖经验,实时处理能力不足,准确率低的问题,提出了一种柱塞泵频域信号在线诊断方法。采集了柱塞泵正常和16种故障状态下的振动信号,采用傅里叶变换进行分析,通过建立故障模型库,在线获取振动信号并进行故障特征提取,通过多次连续时间与模型库的均方根误差进行故障诊断,同时对故障中传感器贡献率进行排序并使传感器降维减少计算量。研究结果表明：采用该方法对轴向柱塞泵故障进行诊断,准确率从66.7%提高到80%以上,计算量降低为原来的26.7%。     

基于RLMD和Kmeans++的轴承故障诊断方法

为了提升轴承故障诊断性能,提出了一种基于鲁棒局部均值分解(RLMD)和Kmeans++的轴承故障诊断方法.利用RLMD方法对轴承振动信号进行分解,得到乘积函数(PF),根据PF分量与原始振动信号的相关程度选择敏感PF分量,叠加敏感PF分量构成重构信号;通过计算原始振动信号和重构信号的时域、频域统计特征形成轴承故障特征集;利用线性判别分析(LDA)提取轴承故障的Fisher特征;通过Kmeans++聚类的方法对故障特征进行聚类,得到各工况轴承的聚类中心;通过计算测试样本与聚类中心之间的汉明贴近度来实现轴承故障诊断.利用含有不同信噪比的仿真轴承故障数据和Paderborn大学轴承数据中心的轴承故障数据评价所提出方法的有效性.结果表明,该方法即使在样本数较少的情况下也能够准确地识别出不同类别和级别的轴承故障.     

基于形态差值滤波和差分熵的滚动轴承故障诊断

针对滚动轴承内外圈的早期故障,提出了一种新的诊断方法,该方法融合了数学形态学对非线性信号的滤波和信息熵理论在信号表征方面的优越性。首先,利用数学形态差值滤波器对实测的轴承内外圈轻重损伤的故障信号进行消噪处理,充分突出了有用的故障特征信息;然后,利用差分熵提取该信号中的突变特征信息,对其进行不确定性和复杂性度量;最后,根据突变点的冲击时间间隔和内外圈故障周期性冲击的时间间隔一致的思想来完成对滚动轴承的故障诊断。通过对仿真信号和滚动轴承实测内外圈两种故障程度的振动信号的诊断分析,证明该方法能够很好地识别轴承内外圈早期故障的类型,且具有很高的准确率。