基于指数小波阈值与PSO-DP-LSSVM的发动机轴承故障诊断

针对小波软、硬阈值函数存在恒定偏差和不连续性的缺点,以及最小二乘支持向量机核函数参数选择困难等问题,提出了一种基于指数小波阈值与PSO-DP-LSSVM的发动机轴承故障诊断方法。利用指数小波阈值函数对原信号进行分解并重组,提取降噪后各个分量的能量特征;采用自适应的DP算法丰富PSO算法的解空间,并采用动态的参数控制,使其更容易获得最优解;将能量特征输入参数已定的LSSVM中,对信息进行训练和预测。结果表明：该方法能快速有效地对故障轴承信号进行自适应的故障诊断及分类。     

基于能量熵与SATCSSA-LSSVM滚动轴承故障诊断

为解决轴承故障特征不易提取,轴承故障的辨识效果不佳等一系列问题,提出基于改进自适应完整集成经验模态分解(ICEEMDAN)-自适应混沌麻雀搜索算法(SATCSSA)优化最小二乘支持向量机(LSSVM)的滚动轴承故障诊断方法.首先,通过ICEEMDAN对滚动轴承信号进行故障特征提取,产生多个本征模态函数分量,结合相关系数...     

基于机器学习算法的滚动轴承故障诊断研究

为了解决滚动轴承故障诊断过程中特征提取困难以及数据处理缓慢等主要问题,提出了基于5种机器学习算法且仅需提取4种简单特征的滚动轴承故障诊断方法。首先,对不同故障类型的滚动轴承振动信号的时域信号进行了分析,并提取时域信号的4种简单特征输入到分类模型,然后,采用机器学习算法对滚动轴承进行故障分类与诊断。实验结果表明,与传统的轴承故障诊断方法相比,用机器学习方法对轴承进行故障诊断更简单且具有更好的诊断效果。研究内容为以后用机器学习分类算法来研究轴承的故障诊断问题提供了参考。     

基于MFCC与PCA的滚动轴承故障诊断

针对振动传感器不易安装、传统分类算法训练时间较长等问题,提出了基于美尔倒谱系数(MFCC)与主成分分析(PCA)的滚动轴承故障诊断方法。首先利用声音传感器采集滚动轴承声音信号,而后提取声音信号的MFCC特征,最后将MFCC特征作为PCA分类器的输入进行故障分类,并与反向传播神经网络(BPNN)、支持向量机(SVM)进行比较研究。实验结果表明:MFCC系数可以有效反应轴承不同工作状态下的信号特征;基于MFCC与PCA的轴承故障诊断方法能够准确、有效地识别轴承故障类型。     

基于多特征提取和LSSVM的轴承故障诊断

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。     

基于风驱动优化BP神经网络的滚动轴承故障诊断

提出一种基于风驱动优化BP神经网络的滚动轴承故障诊断方法。把BP神经网络权值和阈值作为优化参数,利用风驱动算法对其进行优化,提高了神经网络的训练效率和准确率。对滚动轴承的振动信号进行处理,提取其时域特征、频域特征、FFT谱特征、功率谱特征、小波包络谱特征作为轴承的故障特征。经测试,优化算法的诊断结果正确,减小了BP网络的训练误差和测试误差,验证了风驱动优化BP神经网络用于滚动轴承故障诊断的有效性和实用性。     

基于IEM-FA优化LSSVM的风机主轴轴承故障诊断研究

针对基本萤火虫算法(FA)易陷于局部最优值和搜索速度慢的问题,文章提出了一种改进的萤火虫算法(IEM-FA)。在种群迭代过程中加入振荡因子更新固定步长和细化扰动项,并利用IEMFA算法优化最小二乘支持向量机(LSSVM)的参数。测试结果表明,IEM-FA算法优化LSSVM的诊断模型模型可以准确、高效地对风机主轴轴承进行故障诊断。     

神经网络和改进D-S证据理论相结合的滚动轴承复合故障诊断研究

提出了将神经网络与D-S证据理论相结合的故障诊断方法,实现了故障信号的特征级和决策级融合,并应用于轴承的复合故障诊断研究。将BP、RBF、GRNN 3种神经网络的输出结果作为3个证据体,滚动轴承的4种复合故障特征作为系统的识别框架,引入聚类系数作为权值分配,重新计算基本概率赋值,对D-S证据理论进行改进,以提高轴承复合故障诊断的准确性。     

基于VMD瞬时能量与GA- RBF的滚动轴承故障诊断

针对滚动轴承早期故障的有效识别,提出了一种基于VMD瞬时能量与GA优化的RBF神经网络的滚动轴承故障诊断方法,可以有效对滚动故障做出诊断。首先,VMD将滚动轴承振动信号进行分解成合适数目的本证模态函数;其次,计算本证模态函数分量的瞬时能量并组成特征向量;最后,将特征向量输入到GA优化的RBF神经网络实现轴承故障识别。通过滚动轴承故障诊断实验对该方法进行验证。结果表明,该方法识别滚动轴承故障的准确率为96.43%,较默认参数的RBF神经网络和EEMD瞬时能量与GA-RBF神经网络有明显的提高,证明了所提方法的可行性。     

基于机器学习的前轴辊锻工艺参数预测

使用基于混合核函数的最小二乘支持向量机算法来进行前轴第1道次辊锻工艺参数的预测,构造混合函数以提高预测模型的预测精度。对工艺参数预测模型进行实验验证,结果表明,与基于单独RBF核的LS-SVM算法相比,混合核函数LSSVM算法构建的预测模型具有更高的预测精度,由3组不同核函数参数构成的预测模型对最大成形载荷及展宽的平均预测精度分别为91.8%和92.1%、89.4%和90.1%以及94.5%和93.2%,并且确定了最优的核函数参数:RBF核函数系数γ=4.52、惩罚系数c=276.4、Polynomial核函数核阶数q=1.21以及混合权重系数a=0.28。通过3组工艺参数实验对所研究的前轴辊锻工艺参数预测方法的可行性进行验证,所使用的预测方法预测得到的最大成形载荷和展宽与实际值误差在10%以内。     

基于FFT与CS-SVM的滚动轴承故障诊断

针对滚动轴承故障信号强噪声背景和非线性等特点,为精确识别滚动轴承的故障特征频率并精准分类,提出了一种基于Hanning窗插值快速傅里叶变换并利用布谷鸟算法优化支持向量机的滚动轴承故障诊断新方法。采用Hanning窗对得到的频域信号进行加窗处理并求得样本特征的均方根特征值;经过布谷鸟算法优化后的支持向量机(CS-SVM)对样本数据进行故障诊断分类。通过凯斯西储大学的轴承故障振动信号数据进行的实验,验证了该混合智能诊断方法的有效性和优势,结果表明:所提出的方法可以对轴承故障准确进行分类。     

排列熵与核极限学习机在滚动轴承故障诊断中的应用

针对极限学习机(Extreme Learning Machine,ELM)隐含层节点数需要人为设定,致使滚动轴承故障分类模型精度低、稳定性差,提出基于排列熵(Permutation Entropy,PE)与核极限学习机(Kernel Extreme Learning Machine,K-ELM)的滚动轴承故障诊断方法。首先,将测得信号经集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)处理后得到一系列IMF本征模态函数,并提取各分量的排列熵PE值组成高维特征向量集;其次,在利用高斯核函数的内积来表达ELM输出函数,从而自适应确定隐含层节点数;最后,将所得高维特征向量集作为K-ELM算法的输入建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识。实验结果表明:K-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。     

一种平滑固有时间尺度分解法在故障诊断中的应用

为提高滚动轴承振动信号故障信息提取精度,针对故障诊断过程中存在的噪声干扰问题,文章提出了一种平滑固有时间尺度分解法(Smooth Intrinsic Time Decomposition, SITD)的算法,将小波分析法嵌入到ITD分解过程中,采用了一种自适应阈值函数选取小波系数,使信号重建过程中获得更加精细的有用信号信息。将此方法应用于滚动轴承内圈故障和外圈故障诊断,结果表明与传统ITD方法比较,SITD方法不仅可有效消除背景噪声,同时保留冲击特征,还减少了端点效应,提高了滚动轴承的故障诊断精度。     

基于HHT与GA-BP网络的轴承故障诊断方法研究

结合HHT与GA-BP神经网络的优点,提出将二者结合用于轴承故障诊断的新方法,并且应用最近提出的方法改进HHT,使其应用更为有效。利用HHT构造出代表振动信号特征的"能-频分布";根据GA-BP网络能够逼近任意非线性函数和具有高效寻找全局最优的特点作为特征分类器,进行轴承故障诊断。该方法应用时不需要对信号进行预处理,也不需要精确计算滚动轴承的故障特征频率。实验结果表明,该方法是可行有效的。研究结果为滚动轴承和其他机械设备的故障诊断提供了新的思路。     

基于量纲一指标和极限学习机的滚动轴承故障诊断方法

时域中的量纲一指标因对故障敏感,被广泛运用于机械故障诊断中,但是目前量纲一指标在诊断过程中存在严重交叉问题,即量纲一指标对于不同故障状态在特征空间中存在混叠现象。为了解决这个问题,提出基于量纲一指标和极限学习机的滚动轴承故障识别方法,采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集,验证算法诊断效果。为了进一步验证算法的优越性,将该算法与BP神经网络、支持向量机(SVM)和Grip search SVM 3种算法进行比较,结果表明:基于量纲一指标和极限学习机的故障诊断方法能够提高滚动轴承故障诊断效率和分类准确率。     

基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障特征提取的难题,提出了基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法。首先对轴承振动信号进行迭代滤波分解,然后通过相关系数和峭度准则筛选出敏感的内禀模态分量,对敏感的内禀模态分量进行最大相关峭度解卷积降噪,最后对降噪的信号进行频谱分析完成轴承故障诊断。对轴承仿真信号和滚动轴承故障振动试验信号进行了分析,结果表明文中方法能有效地应用于滚动轴承故障诊断。     

改进K均值模拟退火聚类算法的滚动轴承故障诊断

为解决传统聚类分析方法 K均值易求得最优局部解而非最优全局解的问题,引入一种新的中心点交换机制,提出将K均值与模拟退火法相结合的改进K均值模拟退火算法。该算法既继承了K均值可调整聚类中心的特点,又利用模拟退火法跳出最优局部解,能为故障诊断提供一种新思路。论文采用gr120数据首先验证了该算法的可靠性。然后基于该算法构建了滚动轴承振动故障诊断模型,接着采用美国凯斯西储大学轴承数据中心滚动轴承数据对算法及模型进行了应用验证,验证结果表明该方法能够诊断出滚动轴承的典型故障。     

基于优化多尺度形态学的滚动轴承失效研究

针对普通多尺度形态学在滚动轴承微弱故障识别时的结构元素尺度优化问题,提出了自适应多尺度形态学的滚动轴承故障诊断方法。首先,以基本形态算子为基础,构建了具有双向脉冲特征提取能力的差分形态算子;为了在结构元素尺度范围定义出敏感于轴承故障的尺度,将以峭度作为其选取依据,并将得到最优尺度下的形态处理结果平均处理来重构故障信号,最终实现故障信号的综合分析和故障特征解调。通过对实际滚动轴承内、外圈故障振动信号的分析,结果表明：优化算法能够提取出强噪声背景下的滚动轴承微弱故障特征;且相比于普通多尺度形态学,该方法所提取的轴承故障特征频率幅值提升近1倍,适合处理弱信噪比的滚动轴承内、外圈故障识别。     

VMD与MCKD在轴承故障诊断中的应用与研究

针对传统解调分析难以提取轴承故障信息的这一特征,提出了一种变分模态分解(variational mode decomposition,VMD)与最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)相结合的滚动轴承故障诊断方法。首先对轴承故障信号进行进行VMD分解并得到一系列窄带本征模态函数(intrinsic mode functions,IMFs);然后对各个IMF分量进行MCKD降噪,突出故障冲击成分;最后对降噪后的信号进行包络解调分析完成轴承的故障诊断。仿真信号和轴承故障振动信号的分析结果表明,基于VMD和MCKD的轴承故障诊断方法能够准确地获取轴承故障特征频率。     

基于GBO-LSSVM的多品种小批量产品质量预测北大核心

针对多品种、小批量产品在生产过程中存在影响产品质量的不确定因素等问题,提出了GBO和LSSVM相结合的多品种、小批量产品质量预测模型;模型采用LSSVM对产品加工过程进行量化分析,并使用GBO算法对LSSVM模型中的惩罚函数与核函数寻优;最后通过MATLAB仿真对GBO-LSSVM优化方法与其他预测方法进行分析对比。结果表明,GBO-LSSVM模型更适用于多品种、小批量质量预测问题,以提高预测精度与误差水平,为多品种、小批量生产模式质量预测打开新思路。