高速列车振动监测信号的频率特征

为区分高速列车不同工况,利用DB5小波提取高速列车不同工况振动信号的频域特征,用窗口傅立叶变换计算瞬时频率。结果表明:低速时不同工况的频域特征差异不大;随着速度增大,不同工况的主频、次主频及其对应的能量差异变得明显;不同工况失稳时的瞬时频率不同,据此可区分失稳的工况类型。前述结果可用于判断高速列车运行状态,为高速列车安全、舒适运行提供数据基础。     

基于熵特征的高速列车故障诊断方法

高速列车运行状态正常与否对列车系统的安全性和舒适度有重要影响,为分析高速列车运行状态,根据高速列车振动加速度信号的特点,提出了分割能量熵和奇异熵的故障诊断方法。首先,分析列车振动信号随速度变化的特点,对不同速度下的信号进行不同频率范围的分析;其次,对分析范围内信号分割成N个区间,计算分割能量熵和奇异熵,将分割能量熵特征和奇异熵组成特征向量;最后,利用支持向量机进行故障分类识别。实验数据仿真分析结果表明,车体中、后部横向加速度信号特征对四种典型工况在不同速度下分类识别率均较高,达到95%以上,说明该方法能有效识别出高速列车故障状态。     

基于非线性特征融合的高速装备故障诊断方法

针对高速数控装备的复杂非线性特性,基于改进证据理论和非线性特征提出了一种新的故障诊断方法。分析了高速运行状态下数控装备的故障特性,提取出一组反映系统非线性特性变化的故障特征向量。给出了基于证据理论的多类型故障识别模型,并利用模式之间的相似度获取各个证据的mass函数。为解决冲突情况下的多个证据合成问题,提出一种基于平均信任度的动态参数冲突证据合成方法。仿真实验结果表明,在证据存在冲突的情况下,该方法识别率高,适合于具有非线性特性的高速装备故障诊断。     

基于证据理论的信息融合技术变压器故障诊断方法研究

目前对于变压器的故障诊断,还没有利用多种变压器状态信息进行综合判断。从证据理论的基本概念和证据的融合推理方法出发,建立了变压器多故障特征信息融合诊断框架。该方法把从多传感器得到的变压器状态数据看作一个信息系统,运行过程中不断产生各种信息,并将信息加工成故障特征,通过特定的诊断决策规则,得出诊断结论。最后给出了一个变压器故障诊断的实例,结果表明该方法能够有效地提高变压器故障诊断可信度,减小诊断的不确定性。     

基于证据理论的免疫检测器在轴承故障诊断中的应用

针对旋转机械故障诊断的不确定性问题,提出一种基于证据理论的数据融合故障诊断方法,把5种无量纲免疫检测器的敏感因子和信息因子通过D-S联合规则联合多个证据组形成-个新的综合证据组,建立多故障特征信息融合诊断框架,充分利用不同证据体的冗余和互补故障信息,通过对不同轴承故障进行分析,结果表明,此方法能有效地减少诊断的不确定性,提高故障诊断的准确性.     

基于多源信息融合的往复式压缩机故障诊断方法

往复式压缩机结构复杂,振动激励源多,故障关联性较强,需要依靠多种类型的传感器所采集的信息来对往复式压缩机故障进行诊断。在融合往复式压缩机多种类型传感器采集的特征信息基础上,提出一种基于多源信息融合的往复式压缩机故障诊断方法,构建信息融合诊断框架。利用往复式压缩机多种类型传感器所采集的数据信息构建特征证据体,使用径向基神经网络对每个证据体进行初步诊断,根据加权证据融合理论融合各个证据体初步诊断结果,得到最终诊断结果。使用提出的方法对往复式压缩机3种工况的试验数据进行融合诊断,诊断结果表明：使用加权证据融合理论融合多源传感器信息的诊断结果可信度高,不确定性小,能够准确对往复式压缩机故障状态进行诊断识别。     

基于故障敏感度的证据权重计算方法及其应用

典型证据权重计算方法存在只有少数传感器判断正确而多数判断错误的高冲突证据的加权D-S决策融合问题,针对此问题,提出一种基于故障敏感度的证据权重计算方法。首先,通过核函数主元分析(kernel principal component analysis,简称KPCA)提取非线性的敏感特征;其次,基于故障检测原理计算该特征的故障敏感度,并将其作为传感器的故障敏感度;最后,计算得到基于故障敏感度的传感器决策权重,并将该权重及等权重法和基于决策距离方法的权重共同应用于转子故障模拟实验台的融合检测与诊断中。结果表明,该方法能对故障敏感、包含故障信息多的传感器赋予更高的权重值,提高其决策地位和作用,反之则赋予较小的权重,"弱化"其决策地位和作用。通过证据权重的"调节"作用,使得该方法无论是在只有少数传感器发现故障的证据高冲突情况还是在冲突不大或无冲突时,均取得了更好的决策融合结果。     

D-S理论在复合振动识别中的应用

在D—S证据理论的基础上，针对动力机械复合振动识别中在同一征兆域中很难区分多种振动故障的实际状况，研究利用其他征兆域的识别信息，进行全局信息融合，从而达到较为准确的振动故障定位；系统地论述了基于证据理论和神经网络的多参数体系识别的数据融合方法，在该方法中采用证据理论的组合规则进行局部和全局信息融合，结果表明D—S证据理论能有效地识别动力机械复合振动特征；给出了识别实例。     

高速列车输出信号失效的分析

高速列车要求安全可靠运行,输出信号故障将影响列车运行,论文重点针对高速列车开关量输出信号故障,根据设计原理,通过内部结构分析、De-CAP分析及故障模拟分析的方法进行了详细的故障原因分析,并针对故障原因进行了现车调查,确认故障的根本原因,进行了优化设计及验证,验证结果表明:采用该优化方法能够有效的避免开关量输出信号故障,提高列车运行效率。     

基于D-S证据理论的成品油管道泄漏融合识别方法研究

成品油管道是石油、石化行业的关键输送设备之一,必须对意外发生的泄漏事故及时报警,并准确估计泄漏点位置。针对成品油干扰工况较多的特点,提出基于Dempster-Shafer证据理论的成品油管道泄漏融合识别方法,实现对泄漏过程和干扰工况的有效区分。实例分析表明,基于证据理论的多证据体融合后的基本可信度分配较融合前各单一证据的基本可信度分配具有较好的峰值性和可分性,提高泄漏诊断系统对干扰工况和泄漏的区分能力,降低误报警率。     

基于声发射技术的铁路货车滚动轴承故障诊断研究

采用声发射技术对铁路货车滚动轴承的故障诊断是一种新型的无损检测方法。对采集到的声发射信号进行基于小波变换的带通滤波处理后,故障特征信息明显,容易区分出铁路货车滚动轴承的不同状态。将声发射技术用于铁路货车滚动轴承的状态监测与诊断中,经大量试验证明,该法能准确区分轴承状态的好坏与故障类型。     

基于信息融合的滚动轴承故障诊断

滚动轴承故障诊断中同一征兆域很难区分多种故障，单一传感器对故障分类识别有不确定性。提出了利用加速度传感器和声音传感器，基于BP神经网络及D-S证据理论，对所采集的振动信号和声音信号的多种特征信号进行信息融合，实现故障诊断。并对该方法进行仿真试验验证。     

有限变工况特征迁移学习方法及其在高速列车轴箱 轴承故障诊断中的应用

以高速列车轴箱轴承为研究对象,提出了一种适用于有限数量变工况下的轴承故障诊断方法。该方法以有监督的学习模式构造自编码器,将不同工况下特征值集向参考工况下特征集做映射迁移,从而减弱由工况变化引起的轴承故障特征值改变的影响。再将迁移后的特征集输入由参考工况特征集预训练的基于卷积神经网络的故障诊断模型,实现变工况下轴承故障的诊断。凯斯西储大学轴承公开数据集和高速列车轴箱轴承数据集的试验结果表明,经监督式自编码器特征迁移后的轴承故障识别准确率有了较大提升,该方法能够较好的实现有限工况下的特征序列的迁移,解决工况变化带来的故障特征的畸变问题。     

基于判别稀疏编码的轴承故障诊断方法

为解决轴承故障诊断中故障信号特征难以提取、不同故障程度间信号特征相近难以区分的问题,提出了基于判别稀疏编码的轴承故障诊断方法:在稀疏编码框架下,引入Fisher判别准则,增强不同类别故障字典的判别性,并基于重构误差,在频域上对故障信号进行处理。实验表明:与其他方法相比,该方案有效提高了轴承故障诊断的准确率,并具有较好的稳定性。     

基于SVM的转向架故障诊断技术研究

分析了我国当前转向架故障诊断的技术特点,通过小波包变换提取列车转向架故障工况的能量特征向量,同时结合列车振动信号的时频特征,提出一种基于多维特征SVM模型的列车转向架故障诊断方法。并通过滚动振动试验台实测的转向架故障运行工况数据,对比了SVM算法和BP神经网络的诊断性能,验证了该方法的可行性。研究表明:通过分析列车的振动信号,以时域特征和能量特征结合的特征向量,在支持向量机方法下能有效区分列车不同故障工况,与传统的BP神经网络相比,SVM模型的故障诊断正确率更高,可作为故障诊断的依据之一。     

基于小波相关特征尺度熵的预测特征信息提取方法研究

提出一种小波相关特征尺度熵WCFSE的预测特征信息提取方法。将小波相关滤波法与Shannon信息熵理论相结合,给出了沿尺度分布的WCFSE的定义及其计算方法。WCFSE定量表征不同尺度的能量分布,各尺度能量分布的均匀性反映设备运行状态的差别,选取最能反映故障特征的WCFse作为特征参数来判断设备运行状态。正常和几种故障程度不同的滚动体运行状态的识别结果验证了该方法的有效性和实用性。     

伪证据识别在机械故障诊断中的研究

针对多传感器信息在故障诊断中可能存在伪证据,造成证据间剧烈冲突使经典证据理论合成规则失效的问题,利用Dempster-Shafer合成规则中一致证据的聚焦性,提出一种新的伪证据识别方法,构造出新证据取代原来的伪证据进行证据合成,削弱了伪证据的不良影响。在构建的基于多传感器信息融合的故障诊断识别框架中,运用改进的证据合成方法对发动机的故障进行诊断,将此诊断结论与其他证据理论的诊断结论进行了比较。结果表明,该方法可有效提高机械故障诊断的准确率,验证了此方法的可靠性和优越性。     

柱塞泵故障的阈值自适应诊断方法研究

为准确诊断轴向柱塞泵故障,避免因负载工况变化导致的虚警误判,提出多特征参量阈值自适应故障诊断方法。研究了该方法特征参量的选取、阈值区间的确定及变载工况下阈值自适应计算,定性地分析了该型柱塞泵的振动特性及故障机理,揭示了柱塞泵主要故障模式下的振动信号特征规律,实验结果表明,阈值自适应故障诊断方法能准确检测变负载工况下的柱塞泵配流盘磨损故障,为开展轴向柱塞泵可靠性评估及故障诊断研究提供了重要的理论依据。     

基于改进证据理论的大型制造装备故障诊断

针对大型制造装备故障诊断中存在的高冲突证据问题,提出了一种改进的信息融合故障诊断方法。该算法通过各条证据可信度获得平均信任度,利用各证据的相对距离构造一个反映冲突强度的动态权重参数。为了使各条证据更能客观地反映装备的故障特性,利用模式之间的相似度获取证据的mass函数。仿真实验结果表明,该算法可以有效减少证据间的冲突,对大型制造设备故障诊断较高的识别率显示了该方法较好的实用价值。     

遗传编程和加权证据理论融合的旋转机械故障诊断

为了提高旋转机械故障诊断的准确性,提出了遗传编程和加权证据理论融合的旋转机械故障综合诊断方法。首先,利用遗传编程提取多个故障特征参量,实现对旋转机械故障的初步诊断;其次,将特征参量对各故障的初步诊断结果作为证据体,特征参量对各故障的诊断准确度作为证据的权重分配,实现故障诊断的历史数据对当前诊断结果的修正;最终,采用加权证据理论对多个证据进行融合决策,减小故障诊断的不确定性,实现对故障的准确诊断。实验结果表明,该方法提高了故障诊断的准确性。