基于特征筛选和集成学习的轴承故障诊断

为了提高不同工况下的轴承故障诊断准确率,提出了一种基于特征筛选和集成学习的轴承故障诊断方法。考虑到特征向量复杂冗余的问题,结合特征有效性和最大均值差异提出了新的特征评分函数,并在此基础上进一步考虑特征关联度和特征维度,筛选出有利于变工况故障诊断的特征子集。针对单一机器学习模型故障诊断准确率不高的问题,将AdaBoost和Stacking算法相结合构造集成学习故障诊断模型。实验结果表明:筛选出的特征子集在相同分类器下拥有更高的故障诊断准确率;集成学习模型相较于单一模型有更高的故障诊断准确率和鲁棒性。     

基于线性判别分析和分步机器学习的变压器故障诊断

为了改善当前变压器故障诊断在特征量选取和使用单一诊断模型进行故障诊断上的不足,提高变压器故障诊断的准确率和效率,提出基于线性判别分析（LDA）的特征选取方法,建立基于分步机器学习的诊断模型. 该模型选取16组油中溶解气体体积分数比值的多特征参数,运用线性判别分析对参数进行降维作为输入特征向量;运用概率神经网络对变压器故障做出初步诊断,区分出易混淆故障;使用基于灰狼群算法优化的支持向量机对易混淆故障做进一步的区分. 最终实验诊断准确率为97.27%,诊断时间为4.87 s. 与单一机器学习模型相比,所提出的模型不仅具有更高的准确率,还具有更高的效率. 实例分析表明,本研究方法能有效弥补单一机器学习的缺陷,为故障样本有限情况下的电力变压器故障诊断提供参考.     

基于显著稀疏强关联的脑功能连接分类方法

针对脑功能连接数据维度过高、冗余特征过多影响神经网络分类准确率的问题,提出一种基于显著稀疏强关联的脑功能连接分类方法. 该方法利用显著特征稀疏模块对原始特征进行筛选增强;采用稀疏强关联特征上下文融合模块对不同感受野内的显著特征信息进行聚合;使用全连接神经网络进行分类预测. 在ABIDE以及ADHD-200数据集上的实验结果表明,所提方法相较于现有的脑功能连接分类算法在准确率上分别提升了10.41%和12.50%. 重要特征的可视化结果表明所提方法能准确定位与疾病相关的脑区,具有一定实际应用价值.     

故障响应指导下基于测试集的故障诊断方法

通过对电路中故障输出特征进行研究,结合增强故障诊断(ADD)测试候选诊断求解方法,提出了故障响应指导下的候选诊断求解方法 ALFDD。依据当前测试激励下实际输出响应与预期输出响应不相同的单故障更可能是故障诊断解的原理,提出了候选单故障集合的概念。针对ADD方法中需对电路的所有单故障求解F_(same)的问题,给出仅对候选单故障集合求解F_(same)的方法。该方法一方面避免了对所有单故障都进行对比并求解F_(same)的问题,提高了诊断求解效率;另一方面有效删除了F_(same)中包含的冗余候选诊断解,提高了候选诊断解的分辨率;此外,还增加了候选故障集中所包含的真实诊断解的数量,提高了候选诊断解的准确率。实验结果表明,与ADD方法相比,ALFDD方法候选诊断分辨率和准确率明显提高,求解效率也有较大提高。     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

卷积神经网络多变量过程特征学习与故障诊断

为提取复杂多变量过程的有效特征,提高故障诊断性能,提出一种基于卷积神经网络（convolutional neural network,CNN）特征学习的多变量过程故障诊断模型. 将高维过程信号归一化处理转为图像信号,多层卷积滤波器与子采样滤波器交替构成的轻量级CNN网络通过多个卷积核与图像进行卷积,采用本地连接和权重共享,滤除过程噪声和干扰信息,从而获得过程数据的高层抽象化表达. 通过Softmax层有监督的微调方式学习故障特征完成故障诊断. 利用以田纳西过程为代表的多变量非线性过程验证了模型的有效性,与经典分类器和近几年流行的深度神经网络进行对比, 结果表明:将高维过程信号转为图像信号输入CNN提高了多变量过程的故障诊断精度;通过t-SNE方法对模型提取的特征进行可视化分析,说明模型强大的特征提取能力;将模型提取的特征作为传统分类器的输入时,故障识别准确率显著提升,进一步说明有效的特征提取有利于提高故障诊断的准确度和可靠性;与无监督学习方式相比,模型通过标签能获取更有效、稳定和抽象化的数据特征.     

基于改进PSO-BP混合算法的电力变压器故障诊断

采用粒子群算法和反向传播神经网络建立一种新型变压器故障诊断网络模型,设计故障诊断方法.仿真分析结果表明：基于该网络模型的诊断方法与传统的三比值法相比较,具有较好的故障识别与分类能力,显著提高了诊断准确率,将在电力设备故障诊断中有良好应用前景.     

基于二维CNN与多源机电信息融合的同步电机转子匝间短路故障诊断方法

为提高同步电机转子绕组匝间短路故障的诊断准确率,以一台型号为SDF-9的一对极同步发电机为研究对象,提出了一种基于二维卷积神经网络(Convolutional Neural Networks, CNN)与多源机电信息融合的匝间短路故障诊断方法。首先选取故障前后的定子环流、转子振动、定子振动信号为故障特征,采用信号-图像转换方法将一维时序信号转化为二维灰度图像。其次将处理后的图像分别作为二维CNN模型的前置输入进行训练。最后采用D-S证据理论将3种证据体的输出概率进行决策融合。结果表明：该方法消除了单一信号易受传感器故障及环境变化的影响,故障诊断准确率显著提高,并与其他传统故障诊断算法的诊断结果进行对比分析,验证了此方法的有效性。     

汽轮发电机组振动故障诊断方法研究

分析了目前汽轮发电机组振动故障诊断方法存在的问题,提出了根据机组故障范围、振动频率特征等对故障进行分层次诊断的正向推理振动诊断方法。并以事例说明如何通过正向推理诊断振动故障,提高故障诊断准确率。     

DSC-LSTM的TE过程故障诊断

为提高化工过程的故障诊断效果,将深度可分离卷积(DSC)和长短期记忆网络(LSTM)相结合,提出基于DSC-LSTM的集合型故障诊断方法,采用时空结合的方式从两个角度提取特征进行故障诊断。首先对数据进行归一化处理后将其送入DSC网络,通过DSC提取空域特征,同时对数据进行降维;再将DSC的输出作为LSTM的输入,通过LSTM提取时域特征,然后通过全连接层(FC)进行故障诊断;最后在田纳西-伊斯曼(TE)化工过程上对该方法进行验证。结果表明,DSC-LSTM集合方法可有效地提高故障诊断的准确率指标。     

基于层次化混合分类器的含未知故障风机轴承故障诊断方法

为提高风机轴承故障诊断精度,针对含未知类型故障信号的误识别问题,提出一种风机轴承故障诊断新方法。首先,将风机轴承振动信号进行经验小波变换（EWT）,对分解得到的固有模态分量（IMF）提取15种时-频域特征,构建特征向量集;然后,通过基尼（Gini）指数评价特征分类能力,构建最优特征集合;最后,采用单类支持向量机（OCSVM）与极限学习机（ELM）组合的层次化混合分类器进行故障诊断。对比单纯采用ELM、SVM分类器,新方法能够更好辨识含未知故障类型的风机轴承故障信号。     

齿轮裂纹程度识别的有序分类算法

为识别齿轮裂纹的严重程度信息,提出一种基于有序分类的故障严重程度识别方法.将故障严重程度识别问题视为不同严重程度之间存在序结构,并且部分特征和故障严重程度之间存在单调依赖关系的有序分类问题,从有序分类出发,建立有序分类的故障严重程度识别模型.研究故障严重程度识别中的特征评价和特征选择问题,利用排序互信息指标区分原始特征集中的单调特征和非单调特征,提出单调特征和非单调特征混合存在情况下的有序分类特征选择算法.齿轮裂纹程度识别实验结果表明:提出的有序分类特征选择算法可以降低特征空间维数,能选择出分类能力强的故障特征子集,提高了故障严重程度识别的准确性.     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于双谱识别和人工免疫网络的智能故障检测

针对故障诊断中人为评估振动谱图而导致诊断结果不稳定的情况,提出基于振动谱图模式识别的故障诊断方法,利用Hilbert包络分析和双谱分析的组合方法来提取振动信号的故障频率特征,进而采用双谱图的灰度共生矩阵（GLCM）及其特征统计量来表征故障特征.改进了人工免疫网络（AIN）分类算法,将特征统计量作为抗原,通过对抗原的学习训练,形成记忆抗体集;通过判断待检验抗原与记忆抗体的匹配程度,实现故障分类识别.滚动轴承故障诊断实践证明,人工免疫网络分类方法具有良好的适应性,取得了较BP神经网络更好的检测准确率.     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.     

基于信息融合和加权证据理论的故障诊断系统的研究与实践

为了较全面地获得设备的故障状态信息,增加故障诊断的可信度,考虑故障诊断过程中不同故障特征对特定故障的贡献率,提出了加权证据理论的多故障特征信息融合的故障诊断方法,建立了多故障特征信息融合诊断模型。经实验表明,该方法能有效提高故障诊断的准确性并且具有较好的实用性。     

基于改进稀疏滤波与深度网络融合的轴承故障诊断

针对滚动轴承故障时特征提取依赖人工经验,以及故障类别难以自动准确识别的问题,提出了一种改进稀疏滤波和深层空洞门卷积网络相结合的故障诊断模型. 采用滑动窗对具有时序特征的轴承振动信号进行采样处理以避免过拟合;通过改进目标函数的稀疏滤波消除数据中的异方差并提取数据特征,达到缩短计算时间和提高分类准确率的效果;利用空洞门卷积和双向LSTM网络对噪声进行滤除,同时进行故障分类识别. 对比凯斯西储大学和动力系统装置的轴承实验数据,显示该模型故障诊断准确率可达98%. 不同负载和不同信噪比的轴承振动信号实验,表明该模型具有泛化性和抗噪性.     

基于Wavelet leader和优化的等距映射算法的回转支承自适应特征提取

为了解决回转支承振动信号微弱,特征信息不易提取的问题,提出基于Wavelet leader方法和经混合灰狼算法优化的等距映射算法（HGWO-ISOMAP）的多分形自适应特征提取方法. 利用Wavelet leader计算多分形特征,挖掘振动数据的几何结构信息,构造高维特征矩阵;通过HGWO优化后的ISOMAP算法对高维特征矩阵进行自适应特征筛选;将筛选后的特征矩阵输入到经遗传算法（GA）优化的最小二乘支持向量机（LSSVM）中进行故障状态识别. 为了验证所提方法的优越性,采用课题组自主研发的回转支承综合性能试验台对某型号回转支承进行全寿命实验. 结果表明,相比一般时域、时频域、频域特征提取方法,所提方法能提高识别精度,缩短计算时间,为回转支承特征提取提供新的有效途径.