基于信息熵和α稳定分布的滚动轴承故障诊断方法

为了更快、更准确的对滚动轴承的故障状态进行诊断,提出了一种结合信息熵(information entro-py,IE)和α稳定分布(alpha stable distribution,ASD)参数的特征融合方法IE-ASD,基于振动信号对滚动轴承进行故障诊断.首先提取振动信号的时域、频域和时-频域的四种IE(奇异谱熵、功率谱熵、小波空间特征谱熵和小波能谱熵)和估计ASD的四个参数,构建特征向量;然后,利用粒子群优化算法(particle swarm optimiza-tion,PSO)对支持向量机(support vectors machine,SVM)参数寻优,并用所构建的特征向量对其训练和故障诊断;最后,利用凯斯西储大学轴承数据库的数据验证该方法的有效性,并与由IE、ASD各自构建特征向量的诊断结果进行对比.结果表明:所提出的方法能精确的判断滚动轴承的故障位置,且比未进行特征融合的方法有更高的准确率.     

基于ITD分形模糊熵的轴承早期故障诊断

针对滚动轴承早期故障振动信号信噪比低、单一故障特征难以实现在整个复杂非线性状态空间上准确分类的局限,提出了基于本征时间尺度分解(intrinsic time-scale decomposition,简称ITD)和分形模糊熵的轴承早期故障智能诊断方法.首先,利用改进的ITD方法将包含大量背景噪声的非线性非平稳振动信号自适应地分解为不同频段的合理旋转(proper rotation,简称PR)分量;然后,提取蕴含故障信息的PR分量的分形维数和模糊熵,组成联合特征向量;最后,采用适合小样本模式识别的最小二乘支持矢量机(least squares support vectors machine,简称LSSVM)方法对故障类型进行分类.通过4种运行状态的滚动轴承实验表明,该方法能有效性地应用于滚动轴承早期故障智能诊断.     

基于SPWVD时频图纹理特征的滚动轴承故障诊断

针对如何提高滚动轴承故障诊断准确率的问题,提出一种基于平滑伪维格纳-威利分布(smooth and pseudo Wigner-Ville distribution,简称SPWVD)时频图纹理特征的故障诊断方法,对滚动轴承不同故障类型及故障程度进行识别。首先,采用SPWVD时频分析方法处理轴承故障振动信号,并获取时频图,从中提取选择表征能力优秀的特征参量作为故障特征;其次,将故障特征作为输入,结合支持向量机(support vectors machine,简称SVM)建立滚动轴承故障诊断模型;最后,采用轴承故障数据,比较SPWVD时频图纹理特征、维格纳-威利分布(Wigner-Ville distribution,简称WVD)时频图纹理特征和小波尺度谱图纹理特征3种故障特征的模式识别能力及准确率。分析结果表明,SPWVD时频图纹理故障特征分类效果最佳,敏感性最强,具有较高的故障诊断精度。     

钢筋混凝土框架近断层速度脉冲地震响应分析

针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。     

SSAE和IGWO-SVM的滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。     

基于粒子群优化LS-WSVM的旋转机械故障诊断

为了更好地进行旋转机械故障诊断,提出一种粒子群优化(particle swarm optimization,PSO)最小二乘小波支持向量机(least square wavelet support vector machine,LS-WSVM)的故障诊断模型.先将故障信号经验模式分解(empirical mode decomposition,EMD)为多个内禀模态分量(intrinsic mode function,IMF)之和,再提取表征故障特征的IMF分量能量构造特征向量输入到PSO优化的LS-WSVM进行故障模式识别.EMD分解可自适应提取故障特征信号,PSO参数优化可快速准确得到LS-WSVM的全局最优参数,提高LS-WSVM的故障诊断精度和自适应诊断能力.通过滚动轴承的故障模拟实验验证了该方法的有效性.     

基于熵带法与PSO优化的SVM转子故障诊断

对转子故障信号的信息熵带作为支持向量机(support vector machine,简称SVM)的训练样本,基于粒子群算法(particle swarm optimization,简称PSO)优化SVM分类器结构参数进行了研究.对试验模拟获得的故障信号进行了时域、频域、时-频域的信息熵带计算,得到了奇异值谱熵、功率谱熵、小波空间谱熵及小波能谱熵4种熵带,并对熵带进行预处理,建立了一种基于故障信号的信息熵带作为特征量,用PSO解决SVM结构参数优化设置的转子故障识别方法.将该方法应用于转子系统在线故障诊断中,结果表明,所设计的算法具有训练速度快,测试时间短、分类准确率高等特点.     

基于柔性形态滤波和支持矢量机的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的强噪声背景以及现实中不易获取大量典型故障样本的特点,提出一种基于柔性形态滤波和支持矢量机(Support vector machine, SVM)的滚动轴承故障诊断方法。柔性形态滤波既可以有效地提取出信号的边缘轮廓和信号的形状特征,同时又具有稳健性;SVM具有良好的分类性能,特别在小样本、非线性及高维特征空间中具有较好的推广能力;SVM分类器的惩罚因子和核函数参数采用经典粒子群优化算法进行优化,避免传统方法对初始点和样本的依赖。首先对振动信号进行柔性形态滤波,然后提取滤波后信号的故障特征频率的归一化能量为特征矢量作为SVM分类器的输入参数,用于区分滚动轴承的外圈、内圈和滚动体故障,SVM分类器的参数采用标准粒子群优化算法进行优化。试验结果表明了方法的有效性。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

基于基座多传感核主元分析的故障诊断

传统振动测试中传感器一般安装在靠近振源位置,此类方式采集的振动信号的故障特征相对明显,但实际应用中常存在传感器安装不便的矛盾。本文提出基于基座的故障诊断方法,以多个传感器采集的基座上的微弱故障特征信号为原始信号,通过核主元分析(kernel principal component analysis,KPCA)进行信息融合,利用支持向量机(support vector machine,SVM)进行模式识别。文章还探析了核参数选取对KPCA性能的影响,最后实例验证了基于基座故障诊断方法的可行性。