基于SVDD的机械设备状态监测方法研究

提出基于支持向量数据描述(SVDD)的机械设备状态监测方法。该方法首先依据正常运行状态下的数据样本建立数据描述模板,然后通过本文提出的距离变化率参数完成机械设备故障的识别和分类,通过实验验证该方法的可行性。而且实验结果表明,该方法可以根据设备使用状态的变化自动调整故障判断模型并减少模型重新学习次数。     

基于数据增强的滚动轴承智能故障诊断方法

目的 针对包装机械设备中滚动轴承应用场景多且有效故障数据难采集而导致的智能诊断方法诊断准确率较低的问题,提出一种基于数据增强的滚动轴承智能诊断方法.方法 首先根据轴承振动信号的故障特征,提出一种数据增强方法,有效扩充训练数据样本多样性.然后采用卷积神经网络对原始样本和增强样本进行故障诊断训练,从而大幅度提高诊断模型的诊断性能.为了验证所提方法的有效性,建立滚动轴承故障试验台并采集轴承故障数据.结果 实验结果表明,在标签训练样本不充足的情况下,提出的方法与不使用数据增强方法相比,模型在诊断准确率方面取得了较大的提高,能够准确地识别各类轴承故障.结论 该方法实现了准确地对稀缺标记样本下滚动轴承故障的诊断,为保证包装机械滚动轴承故障诊断的诊断精度提供了可靠的方法.     

基于子结构最优传输的跨工况轴承故障诊断方法

针对不同工况条件下轴承振动数据分布不一致、源领域与目标领域自适应过程中适配不足或过度适配的难题，提出一种基于子结构最优传输的跨工况轴承故障诊断方法。通过小波变换提取轴承振动数据中的故障特征，构建故障样本集；再对源领域及目标领域轴承故障样本集进行聚类，生成源领域与目标领域故障样本数据的子结构，并自适应的对源领域数据子结构赋予不同权重，目标领域数据子结构赋予相同权重，完成对源领域数据子结构的映射；利用映射的源领域数据子结构及其所对应的标签，训练支持向量机模型并通过训练后的模型实现对目标工况轴承的故障诊断。将所提方法在机械综合故障模拟试验平台及凯斯西储大学轴承数据集上进行验证，并与传统机器学习及其他迁移学习方法进行对比，试验结果表明该方法的有效性与优越性。     

基于支持向量机的故障诊断方法研究

针对故障诊断中存在的故障样本不完备问题,提出一种基于支持向量数据描述(SVDD)与支持向量机(SVM)相结合的故障诊断方法。该方法首先以正常状态下的数据样本与已知故障数据样本为整体建立数据描述模型、依据已知故障数据样本建立支持向量分类机模型,然后对输入的测试数据样本采用SVDD进行拒绝与接受处理,被接受的样本再利用支持向量分类机进行具体类别诊断;被拒绝的样本则为未知故障类型。数值试验表明,该方法可以有效处理故障样本不完备的故障诊断问题,能够对已知故障类型进行准确判断,并对未知故障类型给出提示,具有一定的实践意义。     

采用最优集成学习的小样本电磁脉冲信号分类

闪电与核爆电磁脉冲分类是核检测系统中的关键问题，其主要难点便是其正负样本不均衡程度可达到10⁴,因此我们提出了一种名为SMALLBAG的集成学习分类方法。针对小样本问题，通过对少数类样本进行数据增强和多数类样本重采样的方法重新构建新的训练数据集，分别提取时域、频域、小波域的特征以表征信号。针对样本不均衡问题，提出了基于新采样数据集的集成学习方案，减少样本不均衡影响同时提高分类准确率。该模型能够在保证准确率的同时保证实时性要求，试验结果显示识别准确率可达99.99%,测试速度为每个样本0.67 ms。     

基于波叠加的噪声源识别实验研究

提出了基于波叠加的噪声源识别和定位方法。该方法克服了边界元法声全息固有的奇异性和非唯一性问题，原理上容易理解，计算上容易实现。从实验出发，建立了实验所需的采集和分析系统，根据实测数据利用自谱和互谱获取全息面上的复声压，结合正则化处理给出了同一平面三个音箱源识别的效果图，实验验证了该方法在进行噪声源识别和定位时具有较好的效果。     

基于模板匹配的舰船螺旋桨叶片数识别方法

针对在舰船辐射噪声DEMON线谱信噪比低时,传统使用的基于模型或专家系统的叶片数识别方法存在错误率高且识别结果不稳定的问题,提出了一种基于模板匹配的螺旋桨叶片数识别方法。该方法建立了不依赖于样本的模板库,设计了模板匹配算法和识别结果置信度算法,较好地解决了传统的叶片数识别技术所存在的数学模型失配或规则不全、样本不完善性等问题。对实测数据的分析表明,该方法明显降低了叶片数识别的错误率,使目标类型识别结果趋于稳定。     

基于小波包特征提取和模糊熵特征选择的柴油机故障分析

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。     

数据集不均衡下的设备故障程度识别方法研究

在机械故障诊断中,由于故障样本难以收集且数量远远少于正常样本,即产生数据集不均衡问题。这将导致传统的分类算法如支持向量机(SVM)在处理不均衡分类问题时对少数类样本(故障样本)的分类准确率过低。加权支持向量机(C-SVM)算法是一种处理样本集不均衡问题的常用算法,可以在一定程度上改善少数类样本的分类准确率。但是在故障程度相近时会导致样本间距过小,加权C-SVM算法对这类故障样本的识别精度不理想。为提高数据集不均衡下故障程度相近样本的分类准确率,采用二叉树结构与加权C-SVM相结合的方法,综合考虑样本类间距离、类内距离和不均衡程度,优化二叉树结构。结果表明,该算法能够有效处理样本距离过近的不均衡数据集分类问题,从而提高了故障程度相近样本的分类准确率。     

优化KNNC算法在滚动轴承故障模式识别中应用

为有效提高滚动轴承故障诊断率,正确识别不同故障类型,提出基于优化K-最近邻域分类器(K-Nearest Neighbor Classifier,KNNC)的轴承故障模式识别方法。分别求得滚动轴承训练样本与测试样本的振动特征指标,构建样本特征集。为加快分类速度,剔除不良样本干扰,利用K-均值聚类算法对样本进行优化精简,并将所得若干聚类中心作为新的约简训练集。据新训练集进行KNNC分析,实现模式识别。结果表明：该方法能快速、有效识别出滚动轴承4种不同故障模式,识别正确率明显提高。     

基于Langevin型随机共振的水中目标线谱检测

将Langevin型双稳态随机共振系统应用于水声时变线谱信号的检测，提出了设计水声线谱检测系统可以利用的外在参数。在水听器端建立了时变线谱模型，考查了随机共振系统对水声环境的适应能力。实验发现在信噪比变化、声压起伏、线谱漂移等情况下，系统都能较好的工作，为水声领域新型线谱检测系统的设计提供了依据。     

基于RBF-NN近似模型的地铁钢轨探伤车转向架悬挂参数多目标优化#br#

以某地铁钢轨探伤车为研究对象，利用多体动力学软件UM建立车辆-轨道耦合动力学模型，分析探伤车在直线、曲线两种工况下的运行平稳性、安全性和曲线通过能力，为后续悬挂参数多目标优化提供原始数据支撑。基于MATLAB编程建立UM-ISight 联合仿真平台，在ISight 中以转向架一、二系悬挂刚度、阻尼等为目标参数，通过最优拉丁超立方法进行参数组合样本设计，并在此基础上构建符合精度要求的径向基函数神经网络(RBF-NN)近似模型，最后通过多目标优化算法NSGA-Ⅱ对近似模型进行寻优计算，得到最优的转向架悬挂参数组合。结果表明，所建近似模型具有较高的拟合精度，优化后车辆平稳性指标都得到明显改善，最多可降低35.39 %，且车辆的脱轨系数、轮轨横向力、轮轴横向力、轮重减载率等曲线通过性能指标也有不同程度好转。     

被动声纳线谱检测技术综述

船舶辐射噪声的功率谱由连续的宽带谱和离散窄带线谱组成。在被动声纳系统中，线谱检测是一个至关重要的问题。本文对线谱检测技术进行了综述。该领域最新进展表明，为了能够在低信噪比下检测和提取线谱，往往采用两种或多种组合方法，并且利用了多个时刻的数据。     

机械声源信号的带通滤波盲分离

盲源分离是一个很独特的盲信号分析与处理工具，在机械设备状态监测与故障诊断领域有较好的应用前景。但在实际应用于机械源信号分离中，效果尚不够理想。特别是，当传感观测中存在高斯噪声或调制源时，往往无法获得准确的源波形恢复。本文在分析现有盲源分离算法的基础上，提出一种新的、基于带通滤波的改进盲源分离方法。仿真以及实际的机械声源信号分离实验结果证实了新方法的有效性。     

Evaluation of the use of envelope analysis and DWT on AE signals generated from degrading shafts

Vibration analysis is widely used in machinery diagnosis. Wavelet transforms and envelope analysis, which have been implemented in many applications in the condition monitoring of machinery, are applied in the development of a condition monitoring system for early detection of faults generated in several key components of machinery. Early fault detection is a very important factor in condition monitoring and a basic component for the application of condition-based maintenance (CBM) and predictive maintenance (PM). In addition, acoustic emission (AE) sensors have specific characteristics that are highly sensitive to high-frequency and low-energy signals. Therefore, the AE technique has been applied recently in studies on the early detection of failure. In this paper, AE signals caused by crack growth on a rotating shaft were captured through an AE sensor. The AE signatures were pre-processed using the proposed signal processing method, after which power spectrums were generated from the FFT results. In the power spectrum, some peaks from fault frequencies were presented. According to the results, crack growth in rotating machinery can be considered and detected using an AE sensor and the signal processing method.     

基于近场声全息的滚动轴承故障诊断

滚动轴承在工业生产中起着关键作用，对其进行故障诊断研究具有重要意义。目前轴承诊断主要以振动信号分析为基础，而获取振动信号受接触式测量限制，声学故障诊断（ABD）具有非接触式测量的优点，但传统基于单通道的ABD存在测点选择难与局部诊断的不足。联合近场声全息（NAH）和灰度—梯度共生矩阵（GLGCM）并应用于滚动轴承故障诊断，利用NAH重建各轴承运行状态下的声场，得到声源附近重建面处的声像图，再从声像图中提取GLGCM特征，建立声场特性与轴承运行状态的内在联系，结合支持向量机模式分类，实现轴承故障诊断，实验研究证实方法的可行性与有效性。     

Acoustic signal based fault detection on belt conveyor idlers using machine learning

Belt conveyor systems are widely utilized in transportation applications. This research aims to achieve fault detection on belt conveyor idlers with an acoustic signal based method. The presented novel method uses Mel Frequency Cepstrum Coefficients and Gradient Boost Decision Tree for feature extraction and classification. Thirteen Mel Frequency Cepstrum Coefficients are extracted from acquired sound signal as features. A Gradient Boost Decision Tree model is developed and trained. After training, the model is applied to a testing dataset. Results show that the trained model can achieve diagnosis accuracy of 94.53%, as well as recall rate up to 99.7%. This study verifies the proposed method for acoustic signal based fault detection of belt conveyor idlers.     

一种恒虚警线谱检测算法研究

提出基于高低分辨率功率谱匹配度估计的线谱检测算法,该算法对信号分别进行高分辨率功率谱估计和多段低分辨率功率谱估计,然后以高分辨率功率谱估计为模板,用多段低分辨率功率谱估计进行校验的方式进行线谱检测。基于单频信号加高斯白噪声假设条件,理论上导出该检测方法的检测率和虚警率,并进行了仿真验证。与传统的线谱检测方法相比,该线谱检测算法不需要预知噪声功率谱,且具有恒虚警的特点。在车辆目标远距离声学检测应用中,该检测算法具有较好的检测性能。     

船舶水下声辐射垂直指向性的分析与探讨

基于直线阵测量系统获取的拖轮下方辐射噪声数据,通过特性分析为基础的数据处理与分析方法,对该拖轮下方辐射噪声的垂直指向性进行分析,获得被测拖轮下方的总声级和特征线谱等典型的垂直指向性分布曲线。     

输气管道泄漏音波产生机理研究

为研究输气管道音波法泄漏检测技术的基本原理和应用方法,对输气管道中泄漏音波的产生机理进行了研究。首先从理论上确定输气管道气动噪声的产生机理;其次将仿真模拟得到四极子声源和偶极子声源产生的泄漏音波进行分析并总结规律;再次将音波传感器测得泄漏音波与仿真模拟得到的泄漏音波进行对比验证;然后对比分析多工况条件下仿真模拟和实验方法得到的泄漏音波;最后通过分析仿真模拟中泄漏音波产生机理和实验中所用的音波传感器的工作机理总结输气管道音波法泄漏检测技术的基本原理。研究结果表明：输气管道泄漏音波产生的根本原因是气体泄漏时产生的湍流脉动导致的四极子声源和偶极子声源;实验中音波传感器测得的压力波动主要成分为声源产生的音波波动;仿真模拟和实验的方法可以研究输气管道泄漏音波的产生机理。