基于KPCA频谱特征提取的球磨机负荷建模方法

球磨机是工业领域中广泛应用的大型旋转设备,由于球磨机运行机理和动态响应特性复杂,运行状态参数的预报存在巨大困难.为解决磨机负荷参数预报的问题,对球磨机外部振动信号进行分析,采用核主元分析KPCA的方法对球磨机振动频谱进行特征提取,然后基于特征提取结果建立磨机负荷参数ELM预报模型,实现对球磨机参数负荷磨矿浓度、料球比和填充率的预报.实验结果表明:预报模型具有较高的准确性,更优于传统ELM模型.     

热释电红外信号人体运动特征识别

根据人体在热释电红外(PIR)探测器的检测区域内沿不同路径和不同方向运动时信号在时域及频域的分布特点,提出一种基于单只PIR探测器信号的人体运动特征识别方法。首先提取人体PIR信号的频谱和短时频谱能量特征;然后进行主元分析(PCA)特征降维,根据典型相关分析(CCA)进行特征融合;最后采用最小二乘支持向量机(LS-SVM)方法进行分类识别。实验以不同人体、不同运动方式的PIR探测器数据为研究对象。分析结果表明,提出的特征提取、特征融合及识别方法能有效地对人体运动特征进行识别。     

基于OBE-ELM的球磨机料位软测量

针对采用传统极限学习机在球磨机料位软测量建模过程中,存在鲁棒性差,预测精度不高等缺点,提出一种基于最优定界椭球(Optimal Bounding Ellipsoid,OBE)改进极限学习机(Extreme Learning Machine,ELM)的建模方法.该方法以球磨机振动信号为观测变量,采用偏最小二乘法提取有效特征,将提取到的有效特征输入到ELM中进行模型训练,并利用OBE在模型误差未知但有界的条件下,对网络权值进行约束优化.通过小型球磨机实验表明,在对球磨机料位进行回归预测时,该方法的评价指标与其它方法相比有所提高,测量结果的箱线图也直观展示该方法具有更好的鲁棒性.     

基于选择性极限学习机集成的磨机负荷软测量

针对传统磨机负荷检测方法存在的测量精度低、性能不稳定等缺陷,建立一种基于筒体振动信号频谱特征提取的选择性极限学习机（ELM）集成方法.采用核主元分析（KPCA）提取振动信号频谱特征,避免输入信号维数过高引发维数灾难.在非线性频谱特征空间内选用学习速度快、泛化性好的ELM建立集成模型个体,有效克服了单一ELM个体模型存在的运行结果不稳定问题.基于遗传算法（GA）的子模型后续选择方法进一步排除部分劣势个体,构建泛化能力强的简约集成模型,降低计算复杂性.实验结果表明:该方法对于矿浆浓度、料球比、充填率磨机负荷参数具有较高的精度和稳定性.     

基于频域特征提取与RBF相结合的磨矿浓度软测量

为解决磨矿浓度难以直接检测的问题,提出一种通过磨机振动、磨音信号频域特征提取利用特征频谱与径向基函数（RBF）神经网络相结合的非线性建模方法。采用快速傅里叶变换（FFT）将时域振动及磨音信号转换为频谱变量,对频谱变量通过主元分析（PcA）进行谱特征提取,采用径向基函数（RBF）变换实现谱特征的非线性映射。实验表明,该方法可以实现对磨矿浓度的准确软测量,提高测量精度1%,方法有效。     

基于Wavelet leader和优化的等距映射算法的回转支承自适应特征提取

为了解决回转支承振动信号微弱,特征信息不易提取的问题,提出基于Wavelet leader方法和经混合灰狼算法优化的等距映射算法（HGWO-ISOMAP）的多分形自适应特征提取方法. 利用Wavelet leader计算多分形特征,挖掘振动数据的几何结构信息,构造高维特征矩阵;通过HGWO优化后的ISOMAP算法对高维特征矩阵进行自适应特征筛选;将筛选后的特征矩阵输入到经遗传算法（GA）优化的最小二乘支持向量机（LSSVM）中进行故障状态识别. 为了验证所提方法的优越性,采用课题组自主研发的回转支承综合性能试验台对某型号回转支承进行全寿命实验. 结果表明,相比一般时域、时频域、频域特征提取方法,所提方法能提高识别精度,缩短计算时间,为回转支承特征提取提供新的有效途径.     

基于混沌果蝇优化最小二乘支持向量机的秸秆发酵过程软测量建模

针对秸秆发酵制取燃料乙醇过程的关键参量乙醇质量浓度难以用传统物理传感器实时在线测量,给发酵过程的监测与控制带来困难这一难题,采用混沌果蝇优化算法( chaos fruit fly optimization algorithm,CFOA)优化最小二乘支持向量机( least square support vector machine,LSSVM)的关键参数,避免了普通交叉验证法选取参数的耗时性和盲目性,建立混沌果蝇最小二乘支持向量机软测量模型,实现乙醇质量浓度的在线实时测量.实验仿真表明：基于CFOA的LSSVM模型平均误差为4.55%,明显优于LSSVM模型,表明该软测量建模方法预测能力强,测量精度高.     

基于听觉显著图的长输管道漏失检测算法

为解决城市长输管道漏失监测难题,设计了基于听觉信号的管道漏失检测方法,利用瞬态振动信号会引起信号幅值和频率结构发生显著变化的特性,将听觉显著图引入管网漏失监测中,构建了一种基于听觉信号的管道漏失检测识别模型,提出了一种基于听觉显著图的管道漏失监测方法。该方法利用漏失声音引起的瞬态振动信号的幅值和频率结构发生显著变化的特征识别管网漏失状态,通过对信号的滤波、特征提取、听觉神经元的时域感受野特性分析处理后,进行跨尺度整合,得到频域和时域的信号凸显变化特征,识别管道漏失状态。结果表明:该方法能够检测到的管道泄漏最小流量小于等于0.3 L/min。     

双核函数最小二乘支持向量机汽油干点软测量建模

针对单核函数最小二乘支持向量机容易陷入局部最优值,提出双核函数最小二乘支持向量机软测量建模算法。该方法利用Sigmoid核函数与RBF核函数线性加权构成双核函数,去除部分较小支持向量样本的方法,改善最小二乘支持向量机的稀疏特性,提高模型运算速度,用k-交叉验证法进行部分参数的优化,最后将此方法用于建立汽油干点软测量模型,并与标准支持向量机、单核最小二乘支持向量机比较,结果表明双核函数最小二乘支持向量机软测量模型具有更高的计算精度和更好的推广能力。     

基于PCA-SVDD的滚动轴承性能退化评估

针对滚动轴承早期微弱故障难以及时发现的问题,提出一种基于主成分分析(PCA)和支持向量数据描述(SVDD)的滚动轴承性能退化评估模型. 使用主成分分析法对滚动轴承振动信号时域和频域的特征指标进行加权融合,构建一个可以有效全面描述滚动轴承运行状况的综合特征指标,将正常状态样本的综合特征指标输入SVDD模型完成评估模型的构建,通过设置健康报警阈值判定轻微故障出现时间,并采用滚动轴承全寿命试验数据进行验证. 结果表明,与以峭度指标、均方根值作为SVDD模型的特征指标输入相比,该评估模型可以更早检测到滚动轴承早期微弱故障的发生,也能更准确地描述滚动轴承整体退化程度.     

FDM型增材制造中送丝机构动态监测与识别

为了研究在增材制造过程中,流量比（打印机打印速度与丝材挤出速度之间的比值）的异常状态对喷头阻塞或打印产品分层现象的影响情况,采用加速度振动传感器监测送丝机构中电机的工作状态. 采集打印过程中送丝机构电机不同运动状态的振动信号,利用傅里叶变换方法将时域信号转换成频域信号. 基于频域数据提取表征每组信号间差异的特征值,通过KNN分类算法并引入K折交叉验证,研究特征量以明确故障模式与信号的关系,识别送丝机构的不同运动状态. 实验结果表明,以信号频域数据差异为特征量提出的监测方法对异常流量比的识别准确率达到92.73%.     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.     

基于声学原理陶瓷砂轮硬度表征方法的探讨

通过自制的信号采集工具对不同硬度的陶瓷砂轮进行敲击,采集砂轮的声信号,分析并提取可用的特征参数,通过降噪处理,得到相对纯净的砂轮震动波形。对不同硬度砂轮的声波波形进行了分析,结果表明：砂轮敲击声波的特征峰有三组,其中两组分布在声波频率段,另外一组在超声波频率段;声波特性反映的是砂轮整体性能,对组织结构反映不敏感;同一硬度的砂轮具有相同的声波特性;在频率8 000-13 500Hz之间,特征峰的位置随砂轮硬度等级的提高向高频率方向移动。     

输气管道泄漏音波与干扰信号特征提取

在总结分析音波泄漏检测特征量提取方法的基础上,利用高压泄漏检测实验装置,分别采集泄漏及各种干扰音波信号,对其进行时域、频域及时频域结合的综合分析,并提取时域、频域及时频域结合的特征量。时域特征量主要有均值、均方根值、峰度、偏度、相关函数及协方差函数,频域特征量主要信号的频谱分析和功率谱密度估计分析,时频联合分析采用短时傅里叶变换来实现。分析结果显示,整体峰度可以用来区分泄漏及干扰信号,信号均值和相关函数、协方差函数可以作为敲击信号的特征,信号波形和均方根值可将压缩机信号区分出来,信号偏度、相关函数及协方差函数可以作为阀门动作的特征量,并且结合频域及时频域特征,可以排除各种外界干扰影响,从而降低音波泄漏检测的误报率。     

基于提升小波变换和Hilbert调制技术的故障识别方法

齿轮局部发生故障后,非线性振动信号频谱中齿轮啮合频率及其二、三次谐波附近的边频带均出现显著增长.由于提升小波算法预测和更新原理与故障信号紧密相关,利用提升小波对振动信号进行时频特性分析和信息预处理,通过预测器和更新器的设计取代小波基函数选取过程;随后对蕴含大量故障特征信息的高频细节信号实施Hilbert变换,调制信号的包络谱中彻底剔除常规振动分量仅保留故障信息,该方法可高效识别振动信号频谱中的齿轮故障特征频率.最后用实例验证基于提升小波变换的Hilbert调制分析在齿轮故障诊断中的有效性.     

几种时频分析方法的比较及应用

地震信号属于非平稳信号,常规傅立叶变换方法不能刻画任一时刻的频率成分,无法对其进行全面的分析。时频分析方法将一维时域信号变换到二维的时频平面,全面反映地震信号的时频联合特征。本文介绍了短时傅立叶变换、连续小波变换、Wigner-Ville分布、Cohen类分布四种时频分析方法,通过理论合成信号试算,从时间分辨率、频率分辨率,以及对多频率成份信号适应能力等方面阐述了这四种方法的优缺点,进一步分析比较了这四种方法的特点及应用效果。     

轨道车辆齿轮箱故障诊断系统研究与开发

对传感器采集的齿轮箱监测数据信号进行数学处理,先进行特征因子计算,如峰值、均值、均方、偏度、峭度、峰值因子等,再进行高级分析,如傅立叶变换、希尔伯特变换、小波变换、倒频谱变换等,通过这些处理后的数字图形可以帮助更好的进行故障诊断.通过振动诊断的时域分析方法、频域分析方法、模糊诊断方法等识别和诊断故障,并建立故障诊断专家系统,用以实现智能故障诊断.     

基于多视图分类集成的高铁工况识别

针对传统方法识别高铁工况存在特征提取不完备和识别性能不精确的问题,提出一种多视图分类集成的高铁工况识别方法(MVCE)。该方法结合多视图特征提取和分类集成技术,从信号本身特性、频域和时频域三个角度提取小波能量、频谱系数、聚合经验模态分解模糊熵,并使用Fisher比率对其频域特征进行特征选择,从而构建高铁振动信号三个视图的特征。使用最小二乘支持向量机和K最近邻分类器分别对每个视图的特征进行初步识别。最后采用分类熵投票策略对多个分类器输出结果进行集成。试验结果表明:该方法对仿真数据和实验室数据的平均识别率分别达到89.18%和90.87%。同时对比结果说明了该方法提取特征的完备性和具有多样性集成模型的有效性。