基于多源数据融合的掘进机截割岩壁硬度识别方法

针对煤矿井下掘进机截割岩壁硬度识别难度大的问题,利用其悬臂振动信号、升降油缸和回转油缸压力信号、截割电机电流信号,提出了一种基于多源数据融合的截割岩壁硬度识别方法。该方法首先对各类信号进行小波包分解,单支重构各频带信号并组建时频矩阵,通过奇异值分解得到包含时频信息的若干特征奇异值,以构造特征向量;再利用LDA算法实现数据特征级融合,得到类可分性更好的低维特征。为解决概率神经网络(PNN)平滑参数无法确定和网络结构复杂的问题,提出了基于差分进化算法(DE)和QR分解的PNN优化方法,并通过优化PNN对低维特征进行硬度识别。实验结果表明:所提出的特征量提取和模式识别方法是有效的,与目前常用的其它模式识别算法相比,优化PNN在掘进机三种工况下均有更高的硬度识别准确率。     

基于CEEMDAN与奇异值分解的往复机械故障诊断方法研究

往复机械振动信号非常复杂,通常存在较强的非平稳、非线性特征,使得对其进行振动信号分析、故障识别存在困难。对此提出一种基于改进的总体经验模态分解(CEEMDAN)与奇异值结合的故障特征识别方法,对原始信号进行CEEMDAN分解,得到本征模式函数的奇异值,将得到的奇异值作为特征向量输入支持向量机进行特征分类,从而实现故障模式的识别。通过对实验室模拟故障与往复泵动力端故障模式识别实例分析来论证方法有效性。研究结果表明,该方法适用于提取往复机械振动信号冲击特征和多故障模式识别。     

基于VMD和SVD的柴油机气门间隙异常特征提取研究

为有效地从柴油机缸盖表面振动信号中提取气门间隙故障特征,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的特征提取新方法。采用VMD算法对缸盖振动信号进行分解,利用所得的模态分量构建特征矩阵;接着应用SVD理论将特征矩阵转变为表征频率特性的奇异值序列,探讨了稳定工况下的奇异值序列与不同气门间隙状态之间的关系;由于转速、负荷等工况的改变对信号特征层的影响与故障所引起的信号特征的改变可能非常相似,因此将奇异值序列作为特征参数,输入到随机森林分类器中,构建分类模型,对柴油机变工况下的气门间隙故障进行诊断。实验结果表明:该方法能有效识别气门间隙故障,突出故障敏感特征;与传统基于Hankel矩阵和小波包系数矩阵的SVD特征提取方法相比,该方法所提特征参数在柴油机变工况条件下具有更高的识别率。     

基于SVD-TRIM特征和LSSVM人脸识别方法

人脸特征的选择对识别结果起关键作用。传统上只提取较大奇异值特征作为识别特征的人脸识别方法,识别率不高,对表情和姿态变化敏感。SVD-TRIM算法选择的奇异值识别特征融合了人脸整体和局部细节特征,并采用基于＂一对一＂的LSSVM多类分类器分类识别。实验结果表明SVD-TRIM算法选择的识别特征对提高识别率具有较大贡献,且对光照、姿态和表情具有鲁棒性。     

FSWT-SVD模型在岩体微震信号特征提取中的应用EI北大核心CSCD

针对岩体破裂信号与爆破振动信号难以识别的问题,采用傅里叶变换(FT)得到其频谱分布,并确定划分为6个频带提取信号特征。借助频率切片小波变换(FSWT)将信号按上述频带切片并重构,再利用奇异值分解(SVD)得到上述频带重构信号所组成矩阵的奇异值σi(i=1,2,…,6),实现岩体微震信号的特征提取。进而对用沙坝矿120个岩体破裂和120个爆破振动信号展开FSWT-SVD分析,最后利用BP神经网络对奇异值矩阵进行分类训练和预测。结果表明:(1)岩体破裂信号与爆破振动信号的奇异值σ1相差最大,σ2、σ4、σ5和σ6相差较大,而σ3差异不明显,且当σ1=8作为单一奇异值法识别分界值时效果最优,准确率达到了86.67%;(2)BP神经网络法分类识别结果较LR法、Bayes法和Fisher法优,SVD提取特征识别效果较能量比和相关系数优,FSWT重构矩阵提取的特征信息优于DWT重构矩阵提取的特征信息,且基于FSWT-SVD的BP法分类识别准确率达到了91%。综上知,基于FSWT-SVD的BP神经网络模型为岩体破裂与爆破信号特征提取和模式识别提供了一种新方法。     

基于多传感器两级特征融合的滚动轴承故障诊断方法

针对单个传感器获取信息有限导致诊断精度不足的问题,提出一种基于多传感器两级特征融合的故障诊断方法,并将其应用于不同工况下的滚动轴承故障诊断中。首先,在第一阶段特征融合中,通过变分模态分解计算每个传感器振动信号的本征模态函数(intrinsic mode function, IMF),消除噪声等冗余信息;再根据IMF提取时域、频域和多尺度熵特征,在一维特征层面融合成一个多域特征集。其次,在第二阶段特征融合中,首先构建基于Swish激活函数和log(cosh)损失函数改进的深度自编码网络,在此基础上进一步融合多域特征集并进行故障分类。将所提模型应用于不同工况下的滚动轴承故障诊断数据集,试验结果表明,与现有方法相比,所提方法具有更高的分类准确率和鲁棒性。     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法。通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类。为了避免因人为选择DBN结构参数,导致模型识别精度下降的问题,利用改进的混合蛙跳算法(ISFLA)对DBN结构参数进行优化。试验表明,与BP神经网络、未经优化的DBN以及单传感器故障诊断相比,该研究提出的信息融合及优化方法具有更高的故障识别精度。     

FSWT-SVD模型在岩体微震信号特征提取中的应用

针对岩体破裂信号与爆破振动信号难以识别的问题,采用傅里叶变换(FT)得到其频谱分布,并确定划分为6个频带提取信号特征。借助频率切片小波变换(FSWT)将信号按上述频带切片并重构,再利用奇异值分解(SVD)得到上述频带重构信号所组成矩阵的奇异值σi(i=1,2,…,6),实现岩体微震信号的特征提取。进而对用沙坝矿120个岩体破裂和120个爆破振动信号展开FSWT-SVD分析,最后利用BP神经网络对奇异值矩阵进行分类训练和预测。结果表明:(1)岩体破裂信号与爆破振动信号的奇异值σ1相差最大,σ2、σ4、σ5和σ6相差较大,而σ3差异不明显,且当σ1=8作为单一奇异值法识别分界值时效果最优,准确率达到了86.67%;(2)BP神经网络法分类识别结果较LR法、Bayes法和Fisher法优,SVD提取特征识别效果较能量比和相关系数优,FSWT重构矩阵提取的特征信息优于DWT重构矩阵提取的特征信息,且基于FSWT-SVD的BP法分类识别准确率达到了91%。综上知,基于FSWT-SVD的BP神经网络模型为岩体破裂与爆破信号特征提取和模式识别提供了一种新方法。     

基于MRSVD和信息融合的供输弹系统早期故障预示

对于供输弹系统早期故障中信号成分复杂、潜在故障征兆难以识别问题,提出基于多分辨奇异值分解能量特征和多场信息融合的供输弹系统早期故障识别方法。首先采集不同状态下供输弹系统的振动信号通过进行MRSVD分解,得到1个相似信号和8个细节信号,提取这些分量信号的能量特征并进行归一化处理,得其能量相对值;然后使用灰色关联分析对所提取的能量特征进行故障识别;为了提高故障识别准确率,将振动信号和声压信号用D-S证据理论进行融合识别。实验结果表明,MRSVD能量特征提取方法能有效提取供输弹系统早期故障特征,且经多场信息融合后可提高故障识别准确率。     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。