基于近似熵与支持向量机的异步电机故障诊断研究

针对异步电机故障发生率高、故障类别难以有效识别的问题,提出一种基于近似熵与支持向量机的故障诊断方法。通过构造故障再现试验,分别测取4种不同状态类别的多测点振动信号样本。利用近似熵算法计算其近似熵样本值,得到4种不同状态类别的近似熵故障特征向量。结合支持向量机算法,构建支持向量机分类模型。近似熵特征量被划分为训练样本和测试样本,经验证其故障诊断准确率达97.5%,改进BP神经网络诊断方法的准确率为92.5%,结果表明：近似熵结合支持向量机方法具有更高的诊断精度。     

基于D S证据理论的轴心轨迹自动识别方法

旋转机械的轴心轨迹包含了其运行状态的丰富信息,是判断转子运行状态和故障征兆的重要依据。提出对轴心轨迹的图像利用不变矩和傅里叶描述子提取特征,采用D-S证据理论对轴心轨迹特征参数进行融合识别诊断,并与传统BP神经网络识别方法比较,证明D-S证据理论提高了识别的准确性。将所提的方法应用于磁轴承故障诊断中,利用实测振动信号验证该方法的实用性,最终结果表明识别结果与轨迹形状相符合,说明文中提出的方法不仅能够较好的提取轴心轨迹图像特征,并能有效地对轴心轨迹进行识别,提高磁轴承故障诊断的精度。     

基于DCNN-SVM的滚动轴承故障诊断方法研究

针对传统深度学习方法在滚动轴承故障诊断中分类准确度相对较低的问题,提出了一种基于深度卷积模型(DCNN)和支持向量机(SVM)相结合的诊断模型。利用深度卷积模型对滚动轴承故障信号进行自适应特征提取,再将提取的特征输入到支持向量机中进行模式识别。使用经典深度卷积、BP神经网络和支持向量机三种模型进行了5组对比实验,并对自适应提取的特征与人工特征进行了PCA主成分分析。结果表明,利用该方法对滚动轴承内圈点蚀、滚珠点蚀和外圈点蚀等10类故障进行实验诊断,准确率达到99.25%,提高了故障诊断准确率。     

零件自动分类的BP神经网络实现

为了提高零件识别速度,事先对零件（模板）进行分类,识别时先判别零件属于哪一类然后再在相应类中进行识别。考虑到工件识别时拍摄的是工件实体的投影图,故提出以三维实体建模零件的生成原理进行分类,即将其分成旋转类、拉伸类、扫掠类、混成类,采用适合分类的BP神经网络实现,并根据零件图像特征选取了均值、三阶矩、一致性、熵、不变矩等特征作为训练样本,并作为神经网络的输入,最后以实例证明了这种方法是切实可行的,且其识别准确率高。     

基于小波一阶灰度矩向量和神经网络的旋转机械故障诊断的研究

在旋转机械轴系振动故障模拟试验的基础上,对大量故障模拟试验数据进行计算,建立了典型故障的小波一阶灰度矩向量样本,将其作为概率神经网络的输入进行故障诊断研究。结果表明,基于一阶灰度矩向量的概率神经网络可实现对训练样本100%的正确识别率,对陌生样本的正确识别率也超过75%。可见,概率神经网络综合了Bayes分类器和神经网络的优势,利用概率神经网络融合信号的一阶灰度矩向量特征实现旋转机械轴系故障模式识别是一种可行有效的方法。     

岩爆等级预测的随机森林模型及应用(英文)

将随机森林分类方法应用于岩爆等级判定问题中。选用洞室围岩最大的切向应力、岩石单轴抗压强度、抗拉强度、岩石弹性能量指数作为岩爆等级判定的因素,并按照不同的组合形式将其分为指标组I和II。以收集到的工程中的实际岩爆情况及数据作为训练样本,进行分析计算,建立岩爆等级判定的随机森分析模型。运用该分析模型对未参加训练的国内外工程实际岩爆情况进行判定,并与支持向量机及神经网络的判定结果进行比较。研究表明,指标组I优于指标组II;用随机森林、支持向量机和神经网络方法计算的正确率分别为100%、90%、80%。可见,随机森林方法判别能力强,误判率低,是解决岩爆等级判定的一条有效途径。     

仪表精度等级符号自动识别研究

仪表精度等级符号自动识别是自动校表系统中重要的一部分。介绍采用不变矩和支持向量机识别仪表精度等级符号图像的方法。该方法利用不变矩提取仪表精度等级符号图像特征,利用支持向量机识别仪表精度等级符号图像。实验结果表明该方法具有较好的分类性能。     

基于云模型与LSTM算法的旋转机械故障诊断研究

针对旋转机械故障率偏高,而人工参与故障诊断工作量大、效率偏低等问题,提出一种基于云模型与LSTM算法的旋转机械故障诊断方法。采用实验台采集振动故障原始数据,统一进行EEMD数据预处理,利用云模型进行故障特征数据提取,输入LSTM神经网络模型进行故障诊断。通过云模型和能量法进行特征提取,分别输入支持向量机和LSTM神经网络模型进行诊断结果对比。结果表明：云模型与LSTM算法的故障诊断准确率最高,达到98.75%,证明该方法能够有效应用在旋转机械故障诊断中。     

超声振动磨削放电加工指标预测模型的研究

超声振动磨削放电加工过程复杂,难以用精确的理论公式进行描述,通常在试验基础上,借助于机器学习理论做出分析。针对实际加工中试验样本数量有限、预测量数值变化波动大的情况,采用BP神经网络和支持向量机两种方法分别建立超声振动磨削放电加工SiCp/Al指标预测模型,并利用两个模型预测零件表面粗糙度和加工速度等工艺指标。预测结果表明,零件表面粗糙度的数值变化范围较小,两种模型预测值与试验值均具有较好的一致性,预测精度较高;加工速度的数值变化较大,支持向量机模型的预测精度优于BP模型。因此,支持向量机模型更适合于解决小样本及指标变化范围大的预测问题。     

基于BP神经网络的注射器针头缺陷检测方法

为了实现倒装和弯钩次品针头的自动检测,提出了一种基于BP神经网络的注射器针头合格性检测方法。该方法首先对针头图像进行去噪、目标分割和针头轮廓提取等预处理,其次采用边界区域不变矩法和针头边缘曲率法提取针头特征,然后用合格针头、弯钩针头和倒装针头样本的特征对设计好的BP神经网络进行训练,最后利用训练好的BP神经网络实现注射器针头的合格性检测。通过大量真实针头的合格性检测实验,验证了本研究所提出方法的有效性,可用于实际生产中。     

基于改进的堆叠降噪自动编码器深度模型的转子-转轴系统故障诊断方法

旋转机械转子-转轴系统故障诊断方法中大多采用传统浅层模型,对于数量较大的样本其处理能力有限。为解决此问题,提出一种利用改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法,并对转子-转轴系统的典型故障进行诊断。利用某机械故障综合模拟实验台,结合基于LabVIEW开发的信号采集系统模拟并采集转子-转轴系统的10类单一故障和7类复合故障振动信号。在训练SDAE模型时引入Dropout机制对模型进行改进,并结合Softmax分类器进行网络训练与诊断。与传统BP网络、自动编码器(AE)、无Dropout机制的SDAE和卷积神经网络(CNN)进行对比,结果表明：改进的SDAE方法对于转子-转轴系统故障的正确识别率最高,特别是对复合故障的诊断效果比其他模型更理想,充分验证了改进的SDAE深度模型的优越性     

基于遗传算法优化BP神经网络的液压系统故障诊断

液压系统作为控制和动力传输设备的核心部件,在现代工业生产机械中被广泛应用,准确诊断其故障具有提高生产效率和保障工作安全性等重要的工程意义。液压系统一旦发生故障往往是多故障同时出现,传统BP神经网络故障诊断算法往往不能满足多故障诊断准确率,提出一种基于遗传算法改进BP神经网络（GA-BP）的液压系统故障诊断方法,针对不同采样频率下多传感器信息融合的液压系统3种典型的故障模式进行对比分析。结果表明：GA-BP故障诊断算法相对于传统的BP神经网络具有更好的诊断性能。     

基于DPSO-BP的机械转子故障诊断北大核心

信号特征提取的方式直接影响故障诊断的结果,因此提出一种新的特征向量组合方式从而进行有效故障模式识别,以从原始信号中提取出能够最大程度地表征其所包含信息的信号特征。将经过经验模态分解后得到原始信号的有效IMF分量的能量以及信号的能量熵相结合作为特征向量。由于机械转子故障诊断缺失情况时有发生,提出采用DPSO算法优化BP神经网络的方法。该方法主要通过优化神经网络的初始权值和阈值的方式对BP神经网络进行改进。结果表明:与传统的BP神经网络模型相比,改进后的BP神经网络模型迭代次数大幅度减少,训练时长也相应缩短,模型的训练精度以及故障诊断的正确率也得到提高。     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。     

基于优化VMD和BP神经网络液压管路故障诊断研究北大核心

针对航空发动机液压管路故障信号易受噪声干扰、管路故障诊断准确率不高等问题,提出基于优化变分模态分解和BP神经网络的故障诊断方法。利用遗传算法自适应确定变分模态分解K、α的最优参数,然后采用优化后的变分模态分解方法对航空液压管路的振动信号进行分解,最后将故障特征明显的故障分量输入BP神经网络模型中进行训练和分类。结果表明:提出的基于变分模态分解与BP神经网络的航空液压管路故障诊断方法能够精准识别出航空液压管路多种不同的故障状态。     

基于EEMD与CPSO-ELM的车削机床刀具磨损故障检测与识别

鉴于数控车床刀具在机械加工系统中占有重要的地位,故数控车床刀具磨损故障的在线检测与识别具有重要意义。以华中数控车床为研究对象,提出了以平均经验模态分解(EEMD)、混沌粒子群(CPSO)以及核极限学习机(ELM)等方法对车床刀具磨损故障进行诊断。介绍了EEMD、CPSO以及ELM的基本原理和过程;对采集得到的刀具磨损信号进行前期预处理,经EEMD分解后得到IMF分量,以峭度、峰值、均方根值作为一种选取标准,选择包含较多故障信息的几个IMF进行信号重组并计算;将计算结果组成特征向量输入CPSO-ELM、SVM以及BP神经网络等分类器进行故障识别和对比。实验结果表明:对比传统的BP神经网络和SVM分类器,CPSO-ELM分类器具有快速、精确、有效的识别特性,能够有效检测和识别刀具磨损故障。     

数据驱动算法在旋转机械故障诊断中的应用研究

传统故障诊断方法依赖于先验数据与模型,具有局限性。为解决此问题,提出一种基于数据驱动的旋转机械故障诊断方法。利用经验模式分解（EMD）算法拆分原始故障信号,得到有限个IMF分量,优化现有EMD算法得到最优的截断阈值,并有效分离系统噪声干扰;从多域量化角度提取故障信号的时域、频域特征,并基于EMD样本熵实现对去噪旋转机械故障信号中故障点特征的分类与识别。仿真结果表明：所提出的数据驱动算法能够准确地识别出不同载荷条件下的故障信号微弱特征,具有更高的训练精度和故障诊断精度