基于流形学习算法的齿轮变速箱故障特征提取

流形学习算法是一种非线性的数据降维方法,可以获得数据的低维几何结构,能很好的体现系统的本质。为了提高齿轮变速箱振动故障信号的可分性,应用流形学习方法对齿轮变速箱振动信号进行故障特征提取。研究结果表明,流形学习方法可以有效地提取齿轮变速箱振动故障的特征信息,并能有效区分不同故障类型的特征信息。运用流形学习方法进行故障特征提取后的诊断结果与时域统计特征提取方法相比,提高了故障诊断的正确率。     

面向转子故障特征提取的多尺度拉普拉斯特征映射方法

融合多尺度分解理论和流形学习思想,提出了一种面向转子故障特征提取的多尺度拉普拉斯特征映射算法。首先对转子故障振动信号进行多尺度小波包分解,提取各独立频带信号的最优尺度小波熵,构建特征参量矩阵并估计其固有维数,然后通过拉普拉斯特征映射将特征参量数据嵌入到低维本征空间,得到故障的最敏感特征,最后融合决策实现故障的准确识别。实验表明,相对于主成分分析算法、局部线性嵌入算法和拉普拉斯特征映射算法,多尺度拉普拉斯特征映射方法提取的转子故障信号特征更容易识别。     

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。     

局部特征尺度分解和局部切空间排列在故障特征频率提取中的应用

为了从非线性、非平稳的振动信号中提取故障特征频率,提出了一种故障特征频率提取新方法。该方法将局部特征尺度分解和流形学习算法局部切空间排列相结合,首先利用局部特征尺度分解将振动信号分解成若干个内禀尺度分量,将其组成多维特征向量;其次采用流形学习算法中的局部切空间排列对多维特征向量进行降维处理,得到低维特征向量,对得到的低维特征向量进行信号重构;最后采用频谱分析方法对重构信号进行故障特征频率的提取。在滚动轴承故障试验中,所提出方法能够准确提取出内圈和外圈故障的特征频率,验证了该方法的有效性。     

基于MATLAB软件平台的全息谱图及在风机振动故障诊断中应用的研究

介绍了全息谱的概念,并阐述了利用ＭＡＴ－ＬＡＢ软件绘制二维全息谱图和三维全息谱图的方法。最后结合风机振动信号的特点,对全息谱在风机振动故障诊断中的应用进行了研究,给出了一些故障在全息谱上的表征,并给出了利用全息谱技术对振劝故障分析的一些实例。     

机械故障的稀疏流形聚类与嵌入诊断方法

传统流形学习算法中邻域尺寸是固定的,在故障诊断中并不恰当。本文中提出了一种基于新型流形学习算法稀疏流形聚类与嵌入(SMCE)的机械故障诊断方法来解决这个问题。SMCE通过求解稀疏优化问题自动确定邻域的大小,将传统流形学习中邻域尺寸选择变为优化问题的惩罚系数选择,进而从高维非线性观测数据中提取流形结构。利用SMCE从轴承和齿轮振动信号中提取特征进行诊断,实验表明,所提方法可以较好的提取故障信号内在的几何结构,应用无监督的谱聚类和有监督的支持向量机进行诊断准确率均高于98%。     

基于多重分形与SVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳性和非线性,提出一种多重分形和支持向量机相结合的故障诊断方法。运用多重分形理论方法对齿轮振动信号进行分析,通过分析发现多重分形谱和广义维数作为故障特征能够很好地反映齿轮箱的工作状态;对支持向量机的参数利用粒子群优化算法进行优化,并将齿轮箱振动信号的多重分形特征量作为支持向量机的输入参数以识别齿轮的故障类型。实验结果表明,该方法在样本较小的情况下能够准确对齿轮箱的故障类型进行分类。     

基于一种流形学习新算法的转子故障数据集降维研究

针对旋转机械的转子故障诊断中原始特征多、难以有效提取振动信号非线性特性的问题,提出一种结合已知故障类别信息进行流形学习降维的新算法—监督邻域保持多项式嵌入(Supervised Neighborhood Preserving Polynomial Embedding,S-NPPE)。利用样本点的故障类别信息,改进转子故障特征数据集中样本点间的欧式距离,重新构造样本点邻接图,再对数据集进行非线性降维处理。先介绍流形学习降维理论,然后给出重构邻接图以及S-NPPE算法的基本步骤,结合转子试验台的不同状态下的振动信号,探讨其在转子故障数据集降维中的应用。     

基于二维全息谱的汽轮发电机的振动分析

在多功能模拟轴系试验台上,对空冷型135MW汽轮发电机模拟转子系统进行了强迫响应试验。应用二维全息谱技术对汽轮发电机的主要部分之一———转子系统进行了动力特性分析,取得了较满意的结果。全息谱图可以丰富旋转机械故障诊断系统知识库中的振动特征信息,对于更准确地诊断发电设备中的故障具有一定意义。     

二维全息谱在旋转机械故障诊断中的应用

通过对振动信号的处理、分析发现,旋转机械转子系统的振动信号经幅值谱、功率谱等传统的谱分析方法后,往往除了1倍频外还包括各次谐波及高倍频成份;引起转子系统振动信号中2倍频分量的因素很多,包括不对中、裂纹和电磁干扰等。直接从幅值谱等传统的谱分析方法很难判断2倍频振动分量的性质和原因。研究基于对中性良好的转子试验台,模拟了多种转子系统的故障,研究了二维全息谱以及轴心轨迹在旋转机械轴裂纹故障和碰磨故障诊断中的应用,结果证明所实现算法的有效性。     

A fault identification method of rotating machinerybased on t-SNE

A fault identification method ofrotating machinery is proposed,which combines wavelet packet of time-frequency analysis and manifold learning.Firstly,the sampled vibration signal is decomposed to multilayer information with wavelet packet decomposition(WPD) method.Andevery level data of wavelet packet decomposition is processed bydemodulatingof Hilbert transform,eliminating the high frequency noiseof FIR filterand reducing the data length of the low frequency of resampling.Further,every level data vector is deal with normalization and calculated for the auto power spectrum.Finally,the manifold learning methods of t distributed stochastic neighbor embedding(t-SNE) is applied to do dimension reduction to generate 2D manifold figure data.Different fault forms of gearbox have different manifold features,which is used to identify failure status of equipment.With the experiment test,the feasibility and effectiveness of this identification method is verified.     

A fault identification method of rotating machinerybased on t-SNEEI北大核心CSCD

A fault identification method ofrotating machinery is proposed,which combines wavelet packet of time-frequency analysis and manifold learning.Firstly,the sampled vibration signal is decomposed to multilayer information with wavelet packet decomposition(WPD) method.Andevery level data of wavelet packet decomposition is processed bydemodulatingof Hilbert transform,eliminating the high frequency noiseof FIR filterand reducing the data length of the low frequency of resampling.Further,every level data vector is deal with normalization and calculated for the auto power spectrum.Finally,the manifold learning methods of t distributed stochastic neighbor embedding(t-SNE) is applied to do dimension reduction to generate 2D manifold figure data.Different fault forms of gearbox have different manifold features,which is used to identify failure status of equipment.With the experiment test,the feasibility and effectiveness of this identification method is verified.     

内燃机变分模态Rihaczek谱纹理特征识别诊断

针对内燃机故障诊断中振动响应信号强耦合、弱故障特征的问题,提出一种基于内燃机振动谱图纹理特征提取的故障诊断方法。首先,为了清晰地刻画内燃机振动信号时频联合分布中的非平稳时变分量,将变分模态分解(VMD)与Rihaczek复能量密度分布方法有效结合,得到了时频聚集性好、无交叉项干扰的内燃机振动谱图像;针对VMD分解过程中的参数选取问题,提出将功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性。为了实现对内燃机振动谱图像的自动识别及故障诊断,提出了改进的局部二值模式(ILBP)方法,用来对振动谱图中蕴含的纹理信息进行分析,提取低维特征参量并采用最近邻分类器对内燃机不同工况的振动谱图像进行模式识别。将该方法应用于内燃机故障诊断实例中,结果表明该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机故障的自动诊断。     

基于优化分簇贝叶斯网的转子振动故障诊断

针对柴油发动机的充电发电机结构及振动的复杂性导致其转子振动故障具有多层次性、耦合性和随机性,以及故障信息不完整性等特点,提出了一种基于振动频谱分析和贝叶斯网络的转子振动故障诊断方法。该方法将故障源和故障现象根据专家经验数值化表示并离散化,运用改进的优化分簇算法,构建特定振动故障类型的贝叶斯诊断网络,利用贝叶斯网络推理算法诊断出故障概率分布,并利用具体的故障证据、设定值对该方法进行验证。仿真及实验结果表明,该方法能在故障信息不完整情况下,依据不完整证据信息更新各网络节点的概率状态,实现对不确定信息的推理和估计,得到较好的诊断结果,提高了转子振动故障的诊断准确度。     

基于正交局部保持映射的转子故障诊断方法

为了改善故障模式识别的分类性能,提出了一种基于正交局部保持映射算法的多流形特征提取方法。对于高维的非线性数据可以有效地提取低维流形特征向量,并且不会改变数据的内在属性。利用转子的振动信号构造一个高维多征兆矩阵,然后在应用正交局部保持映射将这个高维矩阵进行降维,提取低维特征向量矩阵,映射在可视空间里,从而可以有效地达到故障分类的效果,提高故障诊断的准确率。最后通过实验和数据降维仿真证明了正交局部保持映射算法的有效性和可行性。     

基于流形学习方法的汽轮机组振动特征提取

为了提高汽轮机振动故障信号的可分性和诊断正确率,应用流行学习方法对汽轮机振动信号进行故障特征提取。研究结果表明,应用流行学习方法可以有效地提取汽轮机振动故障的特征信息,将不同故障类型的特征信息有效地区分开来。运用流行学习方法进行故障特征提取后的诊断结果与小波包分析方法相比,诊断正确率明显提高。     

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。     

一种基于增强型最大二阶循环平稳盲解卷积的齿轮箱复合故障诊断

针对齿轮箱复合故障振动信号易受到背景噪声干扰,使得传统方法对复合故障冲击特征难以准确分离的问题,提出一种自适应最大二阶循环平稳盲解卷积(ACYCBD)与1.5维导数增强谱相结合的复合故障诊断方法。首先,利用循环谱分析检测复合故障振动信号中与故障特征相关的循环频率成分,构建不同目标类型的循环频率集;之后,根据不同类型的循环频率集,提出一种以三阶累积量稀疏度（TCS）为指标,自适应地选取最大二阶循环平稳盲解卷积（CYCBD）的最优滤波器长度的改进算法,从而更好地获得包含不同故障冲击成分的CYCBD最优滤波信号;最后,提出一种新的1.5维导数谱进行特征增强,提高信噪比,并分析谱图中突出的故障特征频率进而判别故障类型。通过仿真信号与故障实验平台数据对算法进行验证,结果表明该方法能够实现齿轮箱复合故障的准确分离与诊断。     

Hilbert-Huang变换在齿轮故障诊断中的应用

为齿轮故障诊断提供了一种新的途径,将Hilbert-Huang变换引入齿轮故障诊断,提出了局部Hilbert能量谱的概念,同时根据齿轮故障振动信号的特点建立了两种基于Hilbert-Huang变换的齿轮故障诊断方法:基于EMD的频率族分离法和Hilbert能量谱方法。采用EMD(Empiricalmodedecomposition)方法对齿轮振动信号能有效地将各个频率族分离;局部Hilbert能量谱可以反映齿轮振动信号的能量随时间和频率的分布情况,从而可以提取齿轮振动信号的故障信息。将这两种方法应用于齿轮故障诊断中,结果表明,基于EMD的频率族分离法和Hilbert能量谱方法都能有效地提取齿轮故障特征信息。