EHDE和WHO-SVM模型在齿轮箱故障诊断中的应用

针对现有齿轮箱故障诊断方法对数据长度敏感的缺陷,提出了一种基于增强层次多样性熵(EHDE)和野马算法(WHO)优化支持向量机(SVM)的齿轮箱故障诊断模型。首先,传统熵值特征提取方法在特征提取阶段对数据样本的长度比较敏感,为此提出了增强层次多样性熵,并将其作为特征提取指标用于提取齿轮箱的故障特征;其次,采用WHO算法对SVM模型的参数进行了优化,建立了参数最优的WHO-SVM分类器;最后,将故障特征样本输入至WHO-SVM分类器中进行了训练和识别,完成了样本的故障识别;利用齿轮箱数据集分别从数据长度敏感性、算法特征提取时间、模型诊断性能三种角度对EHDE、精细复合多尺度样本熵、精细复合多尺度模糊熵、精细复合多尺度排列熵、精细复合多尺度散布熵、精细复合多尺度波动散布熵进行了对比研究。研究结果表明：EHDE方法对数据长度的要求较低,在数据长度为512时即可以取得99.1%的平均识别准确率,在诊断稳定性和诊断精度方面均优于其他对比方法;在算法的泛化性实验中,EHDE方法能够以98%的准确率识别齿轮箱的不同故障类型,具有明显的泛化性和通用性。     

基于mRMR原则和优化SVM的模拟电路故障诊断

为了解决模拟电路故障诊断中有效特征提取困难和提高故障诊断的准确率,提出了一种基于最小冗余最大相关(minimum redundancy maximum relevance,mRMR)原则和优化支持向量机(support vector machine,SVM)的模拟电路故障诊断新方法.该方法利用mRMR原则对待诊断电路响应信号进行特征提取,将得到的最优故障特征输入SVM进行故障分类识别,并用遗传算法(genetic algorithm,GA)优化SVM的核参数,避免参数选择的盲目性,提高模型的诊断精度.实验结果表明该方法是有效的,提高了模拟电路故障诊断精度.     

基于WPD-tSNE-SVM方法的电站机组主轴故障诊断分析

为提高电站机组主轴故障诊断效率,设计一种WPD-tSNE-SVM组合模型,采用小波包混合特征与支持向量机(SVM)对电站机组轴承开展故障诊断。研究结果表明：采用t分布式邻域嵌入方法降维数据呈现规律分布特征,说明小波包混合特征提取方法能够满足有效性。非线性SVM多故障分类器能够满足小波包混合特征的精确故障分析,各分类器都可以实现小波包混合特征集的高效分类,以径向基核函数设置的非线性SVM诊断方式达到了更高的准确率,从而为之后的维护保养过程提供参考价值,促进维护效率的进一步提升,有效保障电站机组主轴处于稳定运行状态。根据该方法诊断主轴轴承运行故障,为后续维护保养提供指导意义,获得更高的维护效率,确保电站机组主轴运行稳定性。     

基于最小二乘映射和SVM的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的早期非平稳微弱故障信号特征提取困难、特征参量分辨率低、早期故障诊断困难等问题,提出了一种基于最小二乘映射(LSM)的故障特征参量优化和支持向量机(SVM)的故障诊断方法。首先计算出能够反映滚动轴承状态的无量纲时域特征参量;其次通过LSM理论进行优化计算出来的无量纲时域特征参量,构建高敏感度的特征参量;最后将通过敏感度识别因子指数(DI)选取优化过的特征参量作为样本输入到SVM中进行诊断,通过逐次推理诊断出轴承故障类型。实验结果表明,该方法能够有效地诊断出滚动轴承的故障类型。     

基于LMD和MSEE的滚动轴承复合故障特征提取方法

针对滚动轴承复合故障特征相近、不易区分的问题,提出了一种基于局域均值分解和多尺度熵能量的滚动轴承复合故障特征提取方法。首先,将信号进行LMD处理,得到一系列PF分量;然后,通过相关系数选择合适的PF分量计算能量并获得新的时间序列;最后,计算新时间序列的多尺度熵,与能量结合构建MSEE进行故障特征提取。机械故障模拟试验台的结果表明:该方法不仅降低了噪声干扰,而且提升了特征提取的精度,可以定量表征滚动轴承复合故障信号的特征,在滚动轴承复合故障信号中有良好的特征提取效果,与单独使用MSE和能量的特征提取方法相比,故障诊断率分别提升了8. 33%和11. 29%。     

基于ID3-CNN的旋转机械故障诊断研究

为解决旋转机械故障类型多、等级不均衡的故障诊断难题,构建了一种基于ID3决策树与卷积神经网络（ID3-CNN）的故障诊断模型。首先对原始信号进行人工时域特征提取,使用t-SNE降维可视化提取出特征混叠的故障,而后利用卷积运算对特征混叠的故障进行二次特征提取,提高模型的特征表达能力,最后使用ID3决策树和卷积神经网络对不同等级的故障进行分类。在轴承数据集上对模型进行了验证,结果表明,严重故障的诊断准确率达到100%,轻微故障的诊断准确率达到95%。与传统的支持向量机及二维卷积神经网络比较,提高了模型的诊断准确率及特征提取能力。     

基于主成分分析和支持向量机的滚动轴承故障特征融合分析

为有效降低滚动轴承故障特征的维数并提高诊断准确率,将主成分分析（PCA）和支持向量机（SVM）方法应用到轴承故障特征的融合分析中,给出了相应的决策流程。应用基于小波包分解的特征提取算法及特征向量的构造方法对不同状态下的振动信号进行分解,得到用于表征轴承运行状态的8维特征集合;应用PCA提取累积贡献率达到95%的特征主成分并输入SVM分类器中进行识别。结果表明,将滚动轴承故障特征从8维降低到5维,仍可有效表征轴承的状态,但大大降低了计算的复杂性;故障诊断的准确率达到97%以上,诊断时间也相对较短;4种轴承状态识别的准确率从高到低依次为正常、外圈剥落、滚动体剥落和内圈剥落,可为确保设备安全运行和快速故障诊断提供理论依据。     

基于改进SVM的数控机床在线实时诊断系统设计

结合故障诊断需求,提出一种改进SVM故障诊断与预警系统.结合故障诊断原理,对系统整体架构进行部署;选择7202AC型角接触球轴承故障特征作为研究对象,通过传感器对故障特征进行采集;通过时域、频域和时频域特征提取,完成对故障信号的预处理;然后利用遗传算法对传统SVM惩罚因子C和g进行优化,以此完成对不同故障类型的识别.最后,结合MATLAB软件和Python编程语言,对改进算法进行系统实现,验证了改进算法的可行性.     

残差网络和注意力机制相结合的滚动轴承故障诊断模型

针对轴承故障诊断过程中存在的特征提取复杂、分类器训练困难等问题,提出了一种基于残差网络和注意力机制相结合的滚动轴承故障诊断模型。该模型以滚动轴承的一维振动时序信号作为输入,通过残差网络完成特征提取,然后经带有注意力机制的双向长短记忆神经网络单元,实现特征在时序上的表达并赋予不同的权重,输出到分类器完成端到端的振动信号分类,完成滚动轴承故障的诊断。实验表明,该模型的诊断准确率可达99.86%以上,对各故障类别的诊断率均在99%以上,提取的特征信息区分度高;模型诊断准确率优于基于特征工程的诊断模型,稳定性优于其他基于深度学习的诊断模型。     

基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断

为充分提取非线性、非平稳的轴承故障信号特征信息，进而提高轴承故障诊断精度，提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先，使用VMD将轴承故障振动信号分解为了多个模态分量，通过评估原信号与模态分量信号的互相关程度，筛选了其有效模态，并对其进行了信号重构，实现了故障信号的降噪处理目的；然后，使用精细复合均值化代替了传统粗粒化方法，利用RCMMDE方法提取了重构信号的多尺度熵值，构成了特征样本集；最后，通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优，构建了最优的故障检测模型，并将特征样本集输入到WOA-SVM模型中进行了轴承故障诊断，并通过实验评估验证了模型的有效性。研究结果表明：该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上，并具有很强的鲁棒性。     

多变量统计分析方法在制冷故障检测与诊断中的应用研究

研究了多变量统计分析方法在制冷装置故障检测和诊断中的应用。对ASHRAE资助下的一组实验数据进行预处理,对其进行故障检测和故障诊断。对于故障检测,可利用平方预测误差(Q统计量)等统计控制变量来判断系统是否在正常运行状态。而对于故障诊断,第一次尝试采用各变量对于平方预测误差的负荷结合各变量的变化率来得到其对于平方预测误差异变的贡献率。从而快速利用变量的变化方向和程度判断故障类型。从结果分析,这种方法可以在众多变量中过滤掉不显著的变化,迅速找到故障主因。利用多变量统计分析方法可以实现对制冷装置的运行状态进行实时监控和诊断。     

Creating an automated chiller fault detection and diagnostics tool using a data fault library

Reliable, automated detection and diagnosis of abnormal behavior within vapor compression refrigeration cycle (VCRC) equipment is extremely desirable for equipment owners and operators. The specific type of VCRC equipment studied in this paper is a 70-ton helical rotary, air-cooled chiller. The fault detection and diagnostic (FDD) tool developed as part of this research analyzes chiller operating data and detects faults through recognizing trends or patterns existing within the data. The FDD method incorporates a neural network (NN) classifier to infer the current state given a vector of observables. Therefore the FDD method relies upon the availability of normal and fault empirical data for training purposes and therefore a fault library of empirical data is assembled. This paper presents procedures for conducting sophisticated fault experiments on chillers that simulate air-cooled condenser, refrigerant, and oil related faults. The experimental processes described here are not well documented in literature and therefore will provide the interested reader with a useful guide. In addition, the authors provide evidence, based on both thermodynamics and empirical data analysis, that chiller performance is significantly degraded during fault operation. The chiller's performance degradation is successfully detected and classified by the NN FDD classifier as discussed in the paper's final section.     

液压AGC系统故障诊断专家系统的实现

针地板带轧机液压ＡＧＣ系统,根据专家系统基本原理,结合古典信号处理方法、模糊理论、神经网络理论,建立了系统故障诊断系统的结构形式和学习算法。利用模糊诊断理论进行模糊推理以解决系统故障的实时诊断,利用神经网络对模糊推理模型进行训练以提高诊断的准确率,并可对未知的知识进行了学习和补充。开发了液压厚度自动控制（ＡＧＣ）系统故障诊断专家系统软件,通过实验证明所用方法有效。     

A review and comparison of fault detection and diagnosis methods for squirrel-cage induction motors: State of the art

Preventing induction motors (IMs) from failure and shutdown is important to maintain functionality of many critical loads in industry and commerce. This paper provides a comprehensive review of fault detection and diagnosis (FDD) methods targeting all the four major types of faults in IMs. Popular FDD methods published up to 2010 are briefly introduced, while the focus of the review is laid on the state-of-the-art FDD techniques after 2010, i.e. in 2011–2015 and some in 2016. Different FDD methods are introduced and classified into four categories depending on their application domains, instead of on fault types like in many other reviews, to better reveal hidden connections and similarities of different FDD methods. Detailed comparisons of the reviewed papers after 2010 are given in tables for fast referring. Finally, a dedicated discussion session is provided, which presents recent developments, trends and remaining difficulties regarding to FDD of IMs, to inspire novel research ideas and new research possibilities.     

基于BP神经网络的制冷机组故障检测与诊断

研究了BP神经网络用于制冷机组故障检测与诊断的方法，并且用来自真实测量的数据建立了冷水机组故障检测与诊断的BP神经网络模型：研究表明，在静态条件下，通过提取制冷机组有代表件参数的残差，以此作为BP神经网络的输入，当BP神经网络经过适当的训练后，能成功地对各种耦合的故障进行辨识，诊断训练时间短．BP神经网络能实现对制冷机组进行实时故障检测与诊断的需要.     

基于粗糙集的逻辑故障树方法及其应用

故障树是一种分析复杂系统可靠性、诊断系统故障的有效方法。在传统的故障树方法中 ,故障树的生成通常靠人工完成。故障知识的获取以及故障树结构的确定一直是有待解决的瓶颈问题。这里结合粗糙集、专家系统及人工智能等理论 ,提出了构造逻辑故障树进行故障诊断的方法并给出了相应的故障树评价标准。这种方法利用粗糙集对知识系统的知识发现和知识提取能力 ,从系统运行状态样本中建立基于知识的故障树模型。通过实例讨论了如何运用该方法对工业监控过程进行故障建模 ,检测系统运行过程中所发生的故障。     

基于故障先兆判定模型和动态置信度匹配的主轴润滑故障预测方法

为提高数控机床主轴传动系统润滑不良故障的预测能力和预知性维护能力,针对现有故障预测方法的局限性以及主轴零部件耦合、故障并发等特征,提出一种基于故障先兆判定模型和动态置信度匹配的主轴润滑故障预测方法。根据关联程度约简故障先兆表征参数,基于故障历史数据集定义故障先兆状态序列,结合小波分析和概率神经网络技术构建故障先兆判定模型,设计动态置信度匹配算法,进而从可靠性和正确性的角度融合各故障先兆参数状态匹配结果,在线预测故障发生的概率及时间。试验结果表明,该方法能够有效实现主轴传动系统润滑不良故障的预测。     

基于模糊神经网络的液压系统故障诊断方法

根据专家系统基本原理,结合古典信号处理方法、模糊理论、神经网络理论,建立了系统故障诊断系统的结构形式和学习算法。以此为基础编制了厚度自动控制（AGC）系统故障诊断专家系统软件。利用模糊诊断理论进行模糊推理以解决系统故障的实时诊断,利用神经网络对模糊推理模型训练以提高诊断的准确率,并可对未知的知识进行学习和补充。通过实验证明所用方法有效。     

Fault detection and diagnosis based on particle filters combined with interactive multiple-model estimation in dynamic process systems

A new approach to fault detection and diagnosis (FDD) is developed for nonlinear stochastic dynamic process systems in this paper. It is called PFs-IMM, which combines particle filters (PFs) and the interactive multiple model (IMM) estimation. In this method, a multiple-model estimation scheme is first formulated to describe the complex process system poorly represented by a single model. The IMM algorithm can deal with abrupt changes in the behavior of operating processes. The residuals of the multiple models are examined for the likelihood of each model. A decision rule is employed to adaptively determine which model is the most appropriate one at each time step. Then based on IMM, a set of PFs run in parallel is used to estimate the states and the reconciled measurements even when the operating mode changes. Each of the PFs utilizes a particular mode to derive the estimation of the state variables as well as the reconciliation of the measured variables based on the probabilistic weighting scheme. From the multiple filters, the interaction among PFs allows the fusing of dynamic estimates. To achieve higher sensitivity to faults and more robustness to disturbances and noises, a new fault index function is developed for FDD. The proposed PFs-IMM approach provides an integrated framework. It can estimate the current operational or faulty mode of the system and derive the overall state estimation and the measurement reconciliation as well. The simulation solutions to the problems are obtained to demonstrate the effectiveness of the proposed method in highly nonlinear dynamic processes.     

Fault detection and diagnosis for singular stochastic systems via B-spline expansions

This paper deals with the problem of fault detection and diagnosis (FDD) for singular stochastic systems. The outputs of singular stochastic systems are described by probability density functions (PDFs) based on square root B-spline expansions. Then, two non-linear observers are designed for the FDD. The conditions of stability of the correlative error estimation systems are given by using linear matrix inequalities (LMIs). Finally, the simulation results are presented to indicate that the approach can detect faults and estimate the size of faults.