基于独立特征选择与相关向量机的变载荷轴承故障诊断

在线状态监控与故障诊断具有很大的经济与安全意义,提出了一种基于独立特征选择(IFS)与相关向量机(RVM)的智能故障诊断模型用于变载荷条件下识别多类轴承故障及其故障程度。首先混合空载(0hp)与满载(3hp)两种载荷状态下的实验数据作为训练样本;其次提取时域统计特征与全小波包域节点能量特征作为候选特征;接着采用一种改进的Fisher特征选择方法为每两类故障状态独立选择具有最大分类能力的最优特征子集;然后用“一对一”的方法训练多个RVM二类子分类器;最后采用“最大概率赢”的策略组合所有子分类器构成IFS_RVM多类故障诊断模型。用未知载荷(1hp,2hp)下的实验数据验证了模型的有效性,得到99.58%的极高诊断精度,实验结果表明,该模型精度高、鲁棒性强,满足变载荷条件下在线故障诊断的需要     

基于流形学习和K-最近邻分类器的旋转机械故障诊断方法

针对旋转机械故障诊断需人工干预、精度低、故障样本难以获取等问题,提出基于流形学习和K-最近邻分类器（KNNC）的故障诊断模型。提取振动信号多域信息熵以全面反映设备运行状态并构造高维特征集;利用正交邻域保持嵌入(ONPE)非线性流形学习算法的二次特征提取特性进行维数约简使特征具有更好的聚类特性;基于改进的更适用于小样本分类KNNC进行模式识别,用轴承故障诊断案例证明该模型的有效性。     

基于特征处理的MVU算法在齿轮故障诊断中的应用

针对不同故障类别齿轮的故障信息难以有效获取、齿面多类故障难以准确聚类的问题,提出一种基于特征处理的最大方差展开(Maximum Variance Unfolding,MVU)维数简约的齿轮故障诊断模型。首先对获取的振动信号进行最小熵反卷积(Minimum Entropy Deconvolution,MED)预处理,将高低频段进行分离并筛除不确定信号,并在多域上提取信息熵作为特征指标;而后,利用样本点分布矩阵筛选高效表征特征指标并构建高维特征空间,并利用改进的MVU算法对其进行维数简约,获取低维的真实子空间;最后,将其输入到超球多类支持向量机中进行超球构造与分类识别。通过实验数据的分析对比验证模型的有效性。     

基于敏感特征选择与流形学习维数约简的故障诊断

针对故障诊断中特征集包含非敏感特征和维数过高的问题,提出基于特征选择(Feature selection, FS)与流形学习维数约简的故障诊断方法。提出了一种改进的核空间距离测度特征选择方法(Improved kernel distance measurement feature selection, IKMD-FS),在核空间中计算样本类间距离和类内散度,优选出使样本类间距大、类内散度小的特征,并根据特征的敏感程度对特征进行加权。通过线性局部切空间排列算法(Linear local tangent space alignment, LLTSA)对由敏感特征组成的特征子集进行特征融合,提取出对故障分类更加敏感的融合特征,并输入加权k最近邻分类器(Weighted k nearest neighbor classifier, WKNNC)进行故障识别。WKNNC具有比k最近邻分类器(k nearest neighbor classifier, KNNC)更加稳定的识别精度。最后,通过滚动轴承故障模拟实验验证了本文方法的有效性。     

深度领域自适应及其在跨工况故障诊断中的应用

实际生产中,机械设备的工况变化会造成监测数据的分布差异,破坏分类模型的应用基础,降低诊断准确率。为此,提出一种基于深度学习的领域自适应方法,用于跨工况情境下轴承故障诊断。该方法构建两个级联的深度网络:前者用于处理振动信号,自动挖掘故障敏感特征;后者用于将不同工况的样本特征同步映射到一个深度隐藏层(公共特征空间)中,消除工况波动引起的分布差异,生成工况不变特征,实现领域自适应。此外,该深度映射网络可通过参数优化方法自适应构建,能够实现最佳的跨域诊断性能。实验表明,与其他方法和相关研究相比,深度领域自适应在跨工况故障识别中具有更高的准确率。     

基于EMD和分形盒维数的旋转机械耦合故障诊断方法研究

针对旋转机械耦合故障的诊断问题,提出一种基于EMD（Empirical Mode Decomposition）和分形盒维数的诊断方法。该方法结合EMD对非线性信号处理的自适应性和分形盒维数能对非线性行为定量描述的特点,先对故障信号进行EMD处理,得到含有故障特征的本征模式函数(Intrinsic Mode Function,简称IMF),然后求出各IMF的盒维数,通过盒维数的比较分析进行故障诊断。构造了含有裂纹-碰摩-松动耦合故障的转子-轴承系统动力学模型,用龙格库塔法求出故障模型振动信号。通过对耦合故障信号进行分析,得到耦合故障特征向量,并与传统的边界谱诊断方法比较,证明该方法对旋转机械耦合故障诊断的有效性和优越性。     

基于深度度量学习的轴承故障诊断方法

针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。     

基于EMD的改进马田系统的滚动轴承故障诊断

为了提高滚动轴承的可靠性、及时发现其潜在的故障,提出了一种基于改进马田系统(MMTS)的滚动轴承故障诊断方法。首先利用经验模态分解(EMD)方法对原振动信号进行分解,得到了多个本征模态分量(IMF)并计算基本模式分量的统计特征集。然后,在此基础上构建基准空间(马氏空间),针对马田系统在筛选特征变量时效果不佳、基准空间数据的差异性问题,引入粗糙集(RS)筛选有效特征变量改进马田系统,大幅降低特征向量的维数。最后,计算待诊断信号到基准空间的马氏距离,从而完成滚动轴承的故障诊断。利用滚动轴承振动数据对该模型进行了测试,结果表明,该模型与实际相符,可以准确、有效地识别滚动轴承的故障类型。     

基于NIC-DWT-WOASVM的齿轮箱混合故障诊断

由于齿轮箱中振动信号的复杂性和非平稳性,致使齿轮箱混合故障诊断工作具有一定难度。针对这一问题提出基于NIC-DWT-WOASVM的齿轮箱混合故障诊断方法。首先通过窄带干扰消除(Narrow Band Interference Canceller, NIC)滤除原始信号中齿轮啮合和转轴等窄带干扰信号,接着对信号进行离散小波变换(Discrete Wavelet Transform, DWT),重构小波系数得到小波分量,提取分量的方差作为特征参数构成特征矩阵样本。针对传统优化支持向量机收敛速度慢及容易局部最优等问题,提出鲸鱼算法优化的支持向量机(Whale Optimization Algorithm Support Vector Machine, WOASVM),运用训练样本对WOASVM进行训练得到优化分类模型,将测试样本输入到优化模型中得到诊断结果。为验证方法的有效性,开展了变工况下齿轮箱混合故障实验,通过实验分析及与其他方法的比较,证明方法对于齿轮箱混合故障诊断是有效的。     

基于GARCH模型MSVM的轴承故障诊断方法

针对振动信号因非平稳性导致自回归(AR)模型无法有效描述信号特征的不足,提出一种基于广义自回归条件异方差(GARCH)模型多类支持向量机(MSVM)的故障诊断方法。该方法首先利用GARCH模型拟合各种故障信号,将所得模型参数作为故障诊断特征,以MSVM作为故障诊断方法。试验结果验证了GARCH模型方法的可行性和有效性,同时将该方法同基于AR模型的方法及其改进方法进行比较,结果表明该方法在诊断率及诊断时间上都有明显提高。     

基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法。利用改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)提取机械设备不同工况下的故障特征;采用监督等度规映射(S-Isomap)流形学习进行降维处理,获取低维的熵-流特征集;将熵-流特征输入至SSO-SVM多故障分类器进行识别与诊断。行星齿轮箱故障诊断实验分析结果表明:IMWPE+S-Isomap熵-流特征提取方法优于现有的多尺度排列熵(multiscale permutation entropy,MPE)、多尺度加权排列熵(multiscale weighted permutation entropy,MWPE)和IMWPE等熵值特征提取方法以及IMWPE+等度规映射(Isomap)和IMWPE+线性局部切空间排列(linear local tangent space alignment,LLTSA)等熵-流特征提取方法;樽海鞘群算法对支持向量机参数寻优效果优于粒子群、灰狼群、人工蜂群和蝙蝠群等算法;所提故障诊断方法识别精度达到100%,能够有效诊断出行星齿轮箱各工况类型。     

基于流形学习和改进VPMCD的滚动轴承故障诊断方法*

提出一种基于拉普拉斯特征映射流形学习算法(Laplacian Eigenmaps,简称LE)和改进多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的滚动轴承故障诊断方法,首先对振动信号进行局部特征尺度分解(Local characteristic scale decomposition,简称LCD),并提取各内禀尺度分量(Intrinsic scale component,简称ISC)的特征构造高维特征向量,接着采用LE算法挖掘出高维数据中包含有效信息且具有内在规律性的低维特征,然后输入到基于Kriging的改进多变量预测模型(Kriging-variable predictive model based class discriminate,简称KVPMCD)分类器中进行模式识别。该方法充分利用并有效结合了LCD在信号处理、LE在挖掘特征信息和KVPMCD在模式识别方面的优势,实现了滚动轴承故障特征提取到故障识别的全程诊断。实验分析结果表明:基于LE算法和KVPMCD的分类方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

基于局部切空间排列与MSVM的齿轮箱故障诊断

针对齿轮箱故障特征重叠难以有效分离问题,提出基于局部切空间排列与多核支持向量机的齿轮箱故障诊断模型。在由振动信号时域统计指标及内禀模态分量能量构造的多元特征空间中,据局部切空间排列算法对多元特征进行非线性降维处理,得到初始低维流形结构,获取最优敏感特征向量;将该特征向量输入至多核支持向量机进行学习训练与故障辨识。局部切空间排列能克服传统降维方法的不足,多核支持向量机可实现复杂故障高精度、自动化智能诊断。通过齿轮箱故障模拟实验验证该方法的有效性。     

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。     

半导体精密控温技术在航天器包装容器的应用

目的 对某型号航天器包装容器进行温控系统设计,以达到航天器高精度控温的要求.方法 对总体保温布局进行设计,优化被动保温结构,采用半导体控温方式,利用Ansys Workbench进行稳态和瞬态热力学分析.通过试验测试,验证保温结构设计和热力学分析结果的合理性.结果 在外部施加热源温度36℃和0℃情况下,随着热源区域的远离,包装容器内部的温度也趋于平稳,内部装载产品区域温度基本能维持在20.99～22.662℃.实际试验结果显示箱内温度变化不大于±1℃,比传统的空调控温精度高出70％左右.结论 通过优化箱体的被动保温结构,采用半导体精密控温,可以满足未来航天器小型化、高精度运输要求.     

基于LCD-LLTSA的电动汽车电机轴承故障特征频率提取

为有效提取出电动汽车电机轴承故障特征频率,将局部特征尺度分解、线性局部切空间排列和包络分析进行结合,用于电动汽车电机轴承的故障特征频率的提取。首先利用局部特征尺度分解对电动汽车电机轴承故障信号进行分解,得到若干个内禀尺度分量;然后利用线性局部切空间排列对由内禀尺度分量构成的矩阵进行降维处理,得到低维矩阵并以此进行信号重构;最后对重构信号进行包络谱分析,获得故障特征频率。仿真信号和实验信号的实验结果验证了方法的有效性。     

模糊C均值聚类在光伏阵列故障样本数据识别中的应用

光伏电站由数量庞大的光伏组件构成,因复杂的生产工艺及艰苦的工作环境,光伏系统直流侧故障频发,直接影响到光伏系统的发电效益。如何从光伏阵列的运行数据中提取有效的故障样本,并对其进行识别,是建立故障模型的重要步骤。因此提出一种基于模糊C均值(fuzzy C-means,FCM)聚类算法对故障样本进行划分及标识的方法。首先对故障条件下光伏阵列的输出特性进行分析,提取出故障特征向量(开路电压U_oc,短路电流I_sc,最大工作点电压U_m,最大工作点电流I_m)。为排除外部激励条件对电气参数的影响,将故障特征向量统一转换至标准测试条件(standard test condition,STC)。最后根据FCM算法良好的模糊信息处理功能,对开路故障、短路故障、阴影故障、异常老化故障的样本进行聚类划分。实际运行数据证明,该方法可以精确、可靠地对光伏系统直流侧典型故障的样本进行智能聚类,并有效地描述不同故障下光伏阵列电气参数的分布特征。     

基于SDAE和GRUNN的行星齿轮故障识别

针对噪声环境和时变转速工况下行星齿轮故障识别率低的问题,提出一种基于堆叠消噪自动编码器(SDAE)和门控循环单元神经网络(GRUNN)的行星齿轮故障识别方法。构建基于SDAE和GRUNN的混合模型,处理前后关联的时序数据,自动地从含噪样本中提取鲁棒故障特征;将行星齿轮故障诊断的训练样本看作该混合模型的输入数据,采用Adam优化算法和dropout技术训练该混合模型,实现多参数的优化,防止过拟合现象的发生;根据训练后的混合模型,利用softmax分类器识别待诊样本中行星齿轮的状态。通过行星齿轮的故障识别实验验证该方法的有效性,实验结果表明该方法具有较强的抗噪能力和时变转速适应能力。