基于小波分形理论的风电轴承故障识别

针对风电轴承振动特征信号易被环境噪声调制污染、信噪比低、具有非线性和不平稳的特点,利用基于小波分形的故障识别方法对此进行了研究.采用小波包分解,利用互信息法和Cao算法分别确定了相空间的延迟时间和嵌入维数,根据不同频带的关联维数变化确定风电轴承的工作状态.该方法不依赖于风力机工作的动力学模型,对整体系统信息状态变化敏感.通过现场实验证明,该方法较好地解决了风电轴承故障难以识别的问题,为更加细致地研究风电轴承振动信号提供了重要参考.     

基于核极限学习机自编码器的转盘轴承寿命状态识别

针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器（MFO-MLKELM-AE）的转盘轴承寿命状态识别方法. 该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向量,并将其组成高维特征集. 采用堆叠多层核极限学习机自编码器（MLKELM-AE）,从高维特征集中提取最能反映转盘轴承的寿命状态信息,输入核极限学习机（KELM）模型进行寿命状态识别. 在MLKELM-AE学习训练中,采用新的飞蛾扑火算法（MFO）优化惩罚系数和核参数,提高MLKELM-AE的特征识别能力. 转盘轴承加速寿命实验表明,MLKELM-AE比多层极限学习机自编码器（MLELM-AE）、单层极限学习机（ELM）、KELM的识别精度高,多传感器、多领域特征能够全面反映转盘轴承的寿命状态.     

基于机器视觉的轴承密封圈缺陷检测方法

以江苏某轴承股份有限公司的4011XXXX型的轴承为研究对象,运用机器视觉技术中的Canny算子对轴承密封圈图像进行边缘提取,应用最小二乘法对其边缘拟合,编写缺陷特征识别算法,并在Visual C++6.0环境下实现了该检测算法.     

基于神经网络的质量控制图自动识别技术的研究

将人工神经网络技术用于质量控制图的异常趋势识别，采用反向传播算法（ＢＰ算法）训练的神经网络能够很好地识别控制图中点子逐渐上升／下降、突然上升／下降、循环变化等异常趋势。     

燃气轮机排气温度异常检测及诊断

针对燃气轮机运行过程中的健康维护问题,提出了一种基于模糊C均值聚类的燃气轮机排气温度异常检测方法。以某型工业燃气轮机为例,采用模糊C均值聚类算法对排气温度的监测数据进行了聚类分析,得到了燃气轮机不同运行状态下的排气温度特征模式,并在此基础上实现了燃气轮机排气温度异常状态下的故障诊断分析。研究结果表明,燃气轮机甩负荷及其热通道部件的损坏失效均能够对排气温度产生不同程度的影响,模糊C均值聚类算法可以有效实现燃气轮机排气温度的异常检测,为燃气轮机性能退化预测及故障诊断提供决策参考。     

基于Bi-RNN的风电机组主轴承温度预警方法研究

主轴承是风电机组能量传递的关键设备,本文以双馈风力发电机组主轴承为研究对象,首先采用高斯混合模型(gaussian mixture model,GMM)对机组工况进行辨识;其次在各个子工况空间内建立基于双向循环神经网络(bi-directional recurrent neural network,Bi-RNN)的风电机组主轴承温度模型;然后,采用随机森林算法对主轴承温度模型残差进行建模与预测,从而实现机组主轴承故障预警;最后以某大型风电场机组为对象建模并开展仿真研究.结果表明,基于工况辨识的Bi-RNN神经网络算法结合随机森林算法对主轴承故障预警具有较强的实用性和较高的准确率.     

深度特征提取下城轨客流异常状态识别

为实现对城市轨道交通突发大客流的及时预警,提出一种基于自动售检票数据的客流异常状态识别方法.首先,确定符合客流时变特性的滑动时间窗口长度以适应动态的数据环境;其次,建立深度置信网络模型以提取窗口内待检样本的客流特征,并实现样本特征模式的自适应划分;最后,将待检样本和相同模式的历史样本映射至多维特征空间,进行基于局部异常因子的客流异常状态识别.通过广州地铁的案例分析,结果表明:该方法的模式划分精度为92.5%,异常识别误检率和准确率分别为3.98%和91.9%,识别效果与异常的形式和程度相关,且受识别合格判定条件中反应时效要求的影响,整体上能够在保证较低误检率的情况下,实现对各类客流异常状态的灵敏识别.     

多源非平衡交通检测数据的异常识别方法

为保证交通检测数据的准确性并服务于实时的交通状态判别和预测,交通大数据采用多种检测源数据协同处理并利用机器学习的方法进行异常识别.异常检测数据的识别主要基于机器学习中AdaBoost方法实现.在算法的训练过程中,为消除单一检测源数据的离群现象,训练数据选取同一路段上多种检测源提供的数据集.在算法的决策过程中,通过代价敏感方法的优势来改进AdaBoost的决策.实验结果表明:基于非均衡特性改进的AdaBoost模型迫使分类器更加关注了待识别的异常样本,增强了AdaBoost决策过程中训练决策树规则的代表性,提高了异常类样本的分类准确率.高速公路实例检测数据集验证了改进算法与相关经典算法的检测准确度、误检率、误警率等指标,其中改进模型与原模型相比,准确率提高了5.547%,误检率减低了6.792%.多种算法的ROC曲线对比表明改进的AdaBoost方法筛选交通检测样本的可靠度更高,可有效调整由非平衡数据导致的分类误差.     

复杂工况下热油管道泄漏识别与定位方法研究

针对复杂工况下热原油管道泄漏难以准确识别的难题,提出采用基于多元支持向量机的管道泄漏诊断方法,并建立了识别模型,可以在小样本情形下完成模型的训练工作,实现多种工况下对压力波动信号的分类识别,从而提高评判泄漏的有效性和准确性.针对热油管道负压波波速受油品及温度等因素影响较大所导致的定位误差,分析了管道沿程轴向温降以修正负压波波速,并采用牛顿-柯特斯积分方法对传统泄漏定位公式进行了改进.现场实验表明,基于多元支持向量机的检测方法能有效地识别管道运行异常状态,改进的漏点定位算法使得定位精度从原来的2.5%提高到1.0%.     

基于支持向量机和盒维数的滚动轴承状态预测

针对轴承在运行过程中状态难以预测的问题，提出一种基于最小二乘支持向量机(LSSVM)结合分形盒维数的方法预测滚动轴承状态。首先，分析滚动轴承在正常和三种故障状态下的盒维数和峭度值；然后，分析盒维数和峭度值对轴承运行状态的描述；最后，借助改进LSSVM预测轴承信号的盒维数和峭度值。实验结果表明，分形盒维数能对正常状态、内外圈及滚动体故障进行区分，结合峭度值能提高分类识别效果，改进的LSSVM方法能准确地预测特征参数，从而实现对轴承状态的预测。