基于相关性小波奇异熵的滚动轴承故障特征提取

针对轴承故障信号受噪声影响严重,导致故障特征提取稳定性较差的问题,将小波变换、相关性、奇异值分解和信息熵理论相结合,提出一种基于相关性小波奇异熵的轴承故障特征提取方法。该方法首先将轴承信号进行小波分解,利用小波分解系数和噪声的相关性特点不同,引入相关计算以去除噪声的影响;然后对相关处理后的规范化系数进行奇异值分解,轴承的不同故障信息就体现在奇异值中;再利用信息熵的统计特性对奇异值进行不确定度计算;最后,以相关性小波奇异熵作为特征向量,通过概率神经网络对滚动轴承故障进行识别。实验表明:该方法能够有效地提取轴承故障特征,具有良好的容噪能力和稳定性。     

基于经验模态分解的注射机轴承故障诊断

针对注射机轴承信号进行故障诊断易受到工作环境中其他噪声影响的问题,提出一种基于经验模态分解(EMD)结合快速傅立叶变换(FFT)对轴承振动信号提取故障特征的方法。对振动信号使用EMD算法以完成信噪分离,选取出高信噪比分量进行FFT算法变换,通过频谱图分析轴承故障位置。结果表明:使用变分模态分解算法对含有较大噪声的仿真信号和强背景噪声下注射机轴承故障信号有较好的降噪效果,通过FFT能准确诊断注射机轴承是否出现故障,二者结合达到很好的故障诊断效果,去噪效果明显,为其他旋转机械的故障诊断提供了参考。     

分数阶Fourier变换在往复式压缩机故障诊断中的应用

由于传统时频分析方法难以有效提取阀片的调频故障信号,因此提出基于分数阶傅立叶变换的往复压缩机阀片故障诊断方法。首先对含噪声的LFM信号进行仿真分析,仿真结果表明,分数阶傅立叶变换不仅可以有效地提取信号的频率特征,而且还具有自降噪功能;然后将分数阶傅立叶变换应用到阀片故障诊断中,由此可以看出,不同阀片故障对应不同的特征参量,从而实现了往复压缩机阀片故障的定量诊断。     

基于PNN神经网络的滚动轴承声发射故障诊断研究

文章针对滚动轴承三种工作状态下即内圈故障轴承、外圈故障轴承以及正常轴承,设计了轴承声发射检测实验,进行了声发射信号采集。对采集的声发射信号首先进行小波包分解提取故障特征向量之后用概率神经网络(PNN)对故障进行识别,分析实验数据表明小波包分解和PNN结合对滚动轴承故障诊断是有效的。     

自适应MED降噪和EMD分解在注塑机轴承故障诊断中的应用

针对注塑机轴承故障信号含有强背景噪声且难以诊断的问题,提出使用最小反褶积(MED)降噪算法结合经验模态分解(EMD)对注塑机轴承的故障振动信号进行分析,通过所得频谱确定注塑机轴承故障位置。结果表明:该方法可以对含有较大背景噪声的仿真信号及实例轴承信号去噪,经EMD分解后可得到高信噪比故障信号,通过频谱分析技术可以很好地诊断输入信号是否存在故障。     

基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断

为减轻双循环流化床结块与堵塞故障对生物质气化反应的负面影响,提出基于多尺度特征能量-核极限学习机(kernel extreme learning machine, KELM)的故障诊断模型。首先对故障状态下压力信号采用小波分解获得多尺度信号,然后提取各尺度特征能量作为特征向量,最后将其输入经遗传算法优化的核极限学习智能诊断模型,实现双循环流化床气流堵塞故障的智能诊断。通过对公开的轴承故障数据集和双循环流化床冷态实验系统数据的分类识别分析,并与基于变分模态分解和样本熵特征提取的KELM诊断模型进行比较,结果表明：本模型具有较高的故障诊断精度(82.5%),能够有效提取故障特征,用于双循环流化床气流堵塞的高效分类识别。     

基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断

为减轻双循环流化床结块与堵塞故障对生物质气化反应的负面影响,提出基于多尺度特征能量-核极限学习机(kernel extreme learning machine, KELM)的故障诊断模型。首先对故障状态下压力信号采用小波分解获得多尺度信号,然后提取各尺度特征能量作为特征向量,最后将其输入经遗传算法优化的核极限学习智能诊断模型,实现双循环流化床气流堵塞故障的智能诊断。通过对公开的轴承故障数据集和双循环流化床冷态实验系统数据的分类识别分析,并与基于变分模态分解和样本熵特征提取的KELM诊断模型进行比较,结果表明:本模型具有较高的故障诊断精度(82.5%),能够有效提取故障特征,用于双循环流化床气流堵塞的高效分类识别。     

基于RMS因子的滚动轴承故障声发射诊断研究

运用声发射检测技术对滚动轴承内圈故障、外圈故障和滚动体磨损故障展开试验研究。为了减少噪声干扰、突出故障特征、提高信噪比,应用能量因子方法对含噪声信号进行数据处理,找到不同缺陷形式下的故障特征。结果表明,RMS因子方法用于滚动轴承声发射信号特征提取是有效的。     

改进PCA和JADE盲源算法应用于电机系统振动信号的分离

以电机系统振动信号为采集对象,对采集来的复杂、混叠的、带噪声的振动信号进行盲源分离。引入改进的PCA去噪、JADE算法进行分离。结果表明:给出的分离算法能够在复杂振动信号中较为清晰地分离、提取出主要源信号,可以有效地提取各个振动源信号的特征,为电机系统噪声抑制算法的设计和电机故障诊断提供有效信息。     

磨机减速机滚动轴承特征提取和故障诊断研究

滚动轴承是水泥磨机减速机的核心组件,同时也是故障频发的部件之一,为保证其健康、安全、高效的运行,本文将独立分量分析(ICA)与支持向量机(SVM)方法结合,为磨机减速机滚动轴承的故障诊断提供一个新的思路。首先提取轴承不同故障状态下观测信号的独立分量,再对独立分量(ICA)进行奇异值分解从而得到特征信息,最后联合支持向量机(SVM)将特征信息进行故障识别。数据处理结果表明这种特征提取的方法是有效的。     

基于EMD能量熵的离心泵汽蚀故障诊断研究方法

汽蚀现象是导致水泵效率和使用寿命降低的主要原因之一。快速准确的诊断并排除汽蚀故障,使水泵正常运行,具有重要的意义。本文根据离心泵入口压力脉动信号的特点,提出一种基于EMD能量熵的汽蚀故障诊断方法。该方法首先应用提升小波,对原始信号进行阈值去噪处理,然后将处理后的信号进行EMD分解,计算其能量熵,并以能量熵作为离心泵汽蚀故障识别的判断依据。试验结果表明:在不同的有效汽蚀余量(NPSH)下,压力脉动信号的EMD能量熵值明显不同,因此可以将其作为一种有效的特征参数来表征不同的汽蚀工况。     

基于EMD瞬时功率谱熵的神经网络滚动轴承故障诊断

滚动轴承在发生故障时,其动力学特性往往呈现出复杂性和非线性,振动信号也会随之表现出非平稳性。为此,提出一种基于EMD瞬时功率谱熵的滚动轴承特征提取方法。该方法将轴承信号进行EMD分解,得到有限个IMF分量,对这些分量进行功率谱处理,计算其功率谱的信息熵。EMD瞬时功率谱熵作为特征向量,采用神经网络进行故障分类,实验结果表明,此方法的分类准确率可达96.25%。     

基于EMD奇异值熵和GASVM的转子系统故障诊断方法

提出一种基于经验模态分解(EMD)和奇异值熵的转子系统故障特征提取方法,克服了奇异值分解相空间重构参数难以选择的问题。然后将奇异值和奇异值熵作为故障特征输入到支持向量机(SVM)中,利用遗传算法(GA)对支持向量机进行参数优化,实现了故障的精确诊断。最后通过对转子不平衡、碰摩和不平衡-碰摩耦合3种故障的正确诊断,证明该方法的有效性。     

基于MSPCA-KECA的冷水机组故障监测及诊断

针对冷水机组同类型不同等级故障的变量变化存在差异会造成误诊断的问题，提出一种基于多尺度主元分析-核熵成分分析（MSPCA-KECA）的故障诊断策略。MSPCA提取故障特征，其输出作为KECA分类器的输入，实现故障的实时监测与自动诊断。首先，改进的MSPCA算法通过将小波多尺度分析与主元分析相结合，筛选故障信息可能存在的尺度直接重构并采用PCA提取故障特征，获取不同类型故障之间差异的同时也保留了同类型但不同等级故障之间的相似性，提高故障诊断的可靠性。之后建立KECA非线性分类器并引入一种新的监测统计量--散度测度统计量，使降维后不同特征信息之间呈现显著的角度差异，易于分类。最后，采用支持向量数据描述（SVDD）算法确定新统计量的控制限，以克服无法获知统计量分布的问题。通过对冷水机组数据的仿真研究，验证了MSPCA-KECA方法的可行性及有效性。     

基于距离评估的气液二相流流型识别方法

为了克服气液二相流特征融合后不相关特征过多的问题,提出了基于距离评估和支持向量机(SVM)的气液二相流流型识别方法。首先利用经验模式分解和小波包方法对原始的压差波动信号进行分解,分别提取原始信号和各分解信号的时域特征参数组成融合特征,然后采用距离评估方法对融合特征进行评估,根据距离评估因子的大小挑选出敏感特征作为SVM的输入,进而实现对流型的自动识别。水平管内空气-水二相流流型识别结果表明:该方法能够准确获取流型的敏感特征,减小运算规模,提高识别准确率。     

基于虚拟技术的齿轮故障智能诊断研究

利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。     

基于贝叶斯推理的PKPCAM的非线性多模态过程故障检测与诊断方法

针对一类非线性多模态的化工过程,提出一种基于概率核主元的混合模型(PKPCAM),并利用贝叶斯推理策略进行过程监控与故障诊断.在提出的模型中, 每个操作模态由一个局部化的概率核主元分量描述,从而构建的一系列分量对应了不同的操作模态.首先,将过程数据从原始的度量空间投影到高维特征空间;其次,在该特征空间建立概率主元混合模型,从概率角度刻画数据集的多个局部分量特征;最后,在提取的核主元分量内获得测试样本的后验概率,结合模态内的马氏距离贡献度,提出基于贝叶斯推理的全局概率指标进行故障检测,同时利用模态内变量的相对贡献度,基于全局贡献度指标进行故障诊断.利用TEP仿真平台,与基于k均值聚类的次级主元分析和核主元分析的方法进行了对比分析,验证了提出的贝叶斯推理的PKPCAM方法对非线性多模态过程进行故障检测与诊断的可行性和有效性.     

基于主成分分析与支持向量机的热泵系统制冷剂泄漏识别研究

为了研究热泵系统制冷剂泄漏识别的数据挖掘理论方法和实验验证，首先建立空气源热泵系统制冷剂泄漏实验台，进行热泵系统正常工况、干扰工况、泄漏工况的实验参数测试；其次，采用主成分分析法对测试数据进行特征提取处理，采用支持向量机对数据进行分类识别，建立了用于热泵系统的制冷剂泄漏识别的主成分分析-支持向量机模型，在二分类和多分类模式下验证了模型的性能，并研究了泄漏速率和不同故障工况对模型的影响。采用RefliefF特征选择算法对原始特征参数进行筛选，简化了识别模型的特征参数。研究结果表明：对于空气源热泵热水系统，PCA-SVM泄漏识别模型在多种验证集中对泄漏工况的识别准确度达100%，缓慢泄漏的诊断识别性能弱于快速泄漏，同一模型在不同故障诊断识别中性能不同，对系统运行影响轻微的故障诊断识别性能弱于其他故障。RefliefF特征选择方法将原始41个系统特征参数精简至10个特征参数，参数筛选优化后的泄漏识别模型识别精度也维持在较高水平，优化的泄漏识别模型更利于实际应用。     

Multi-block gated recurrent unit network-based fault diagnosis method for multivariate nonlinear process

The increasing complexity of industrial processes brings new challenges to fault diagnosis tasks, and different types of faults have higher and higher requirements on the performance of fault classification models. This paper proposes a novel multivariate nonlinear temporal-related fault diagnosis method based on gated recurrent units (GRUs). First, to improve the performance of the model in local information extraction and global integration, high dimensional variables are divided into multiple sub-blocks according to the structure of chemical process units, and a new block normalization method is proposed to improve the performance of local feature extraction. Second, aiming at the slow drifting faults, the GRU network is adopted inside the sub-block to extract local sparse and nonlinear temporal features. By combining the variance features of variables after block normalization, the performance of the model on multiplicative faults will improve. Finally, aiming at the complex correlation between variables, a new recurrent matrix method is proposed to extract the time transform information inside each variable to improve the comprehensive performance of the model. Through a multi-level feature integration strategy, the model can be trained in parallel to improve the training speed. The proposed method shows good performance in the Tennessee Eastman process, and the extracted multi-class features allow the model to be trained end-to-end and simultaneously diagnose multiple types of faults.