基于LS-SVM多分类器融合决策的混合故障诊断算法

故障诊断的关键是特征向量提取和分类器的选择, 提出一种综合运用多特征提取和多分类器组融合决策的故障诊断算法. 多特征提取选择小波包变换、总体平均经验模式分解方法(Empirical Mode Decomposition, EEMD)和改进小波能熵方法, 得到三组不同的故障特征信息; 将这三组特征信息输入由3个最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)组成的分类器组进行初步诊断; 采用自整定权值的决策模板法(Self-adjusting weighted Decision Templates, SWDT)进行多分类器诊断结果的融合决策. 实验证明, 该方法能实现轴承不同故障类型, 尤其是复合故障的可靠识别, 验证了该算法提取轴承故障特征信息的完备性, 以及分类器组融合决策的可靠性.     

基于特征选择和RRVPMCD的滚动轴承故障诊断方法*

针对滚动轴承故障诊断时所提取的特征值中可能含有较小相关性和冗余性特征,采用基于Wrapper模式的距离评价技术(distance evaluation technique,简称DET)进行特征选择。在分类器的设计中,提出了基于稳健回归的多变量预测模型(Robust regression-Variable predictive model based class discriminate,简称RRVPMCD)分类方法,以减小"异常值"对参数估计的影响,从而有望建立更加准确的预测模型。即根据Wrapper模式的特点,首先通过DET方法计算出各特征值对类的敏感度,并结合RRVPMCD分类器,选择敏感度最大的若干特征值组成特征向量矩阵;然后用RRVPMCD方法进行训练,建立预测模型;最后用所建立的预测模型进行模式识别。实验分析结果表明,基于Wrapper模式的特征选择方法和RRVPMCD分类方法相结合可以有效地对滚动轴承的工作状态和故障类型进行识别。     

基于卷积神经网络和离散小波变换的滚动轴承故障诊断

针对滚动轴承故障诊断时频特征自适应提取与智能诊断问题,提出了一种基于卷积神经网络(Convolution Neural Network,CNN)和离散小波变换(Discrete Wavelet Transform,DWT)的滚动轴承故障诊断方法。首先应用离散小波变换将信号时频特征充分展现,构造出时频矩阵;然后再利用卷积神经网络的多层特征提取网络对输入信号进行分级表达,将时频矩阵低层信号特征逐层变换形成抽象的深层特征,以获取原信号时频信息的分布式特征表达。最后在特征输出层后端添加softmax多分类器,利用反向传播(Backpropagation,BP)逐层微调结构参数,建立特征空间到故障空间的映射以生成合适的分类器,从而实现滚动轴承故障诊断。通过对不同故障类型、不同损伤程度以及不同工况下的滚动轴承进行故障诊断实验,结果证明了所提方法的可行性与有效性,并具有较好的泛化能力和稳健性。     

Xgboost在滚动轴承故障诊断中的应用

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出一种基于分类与回归树的Xgboost(e Xtreme Gradient Boosting)轴承故障诊断算法。Xgboost是包含多个分类器的集成学习方法。通过Xgboost的"提升"思想来提高滚动轴承故障诊断的精度。首先,从滚动轴承的振动信号中提取时域特征参数;然后利用Xgboost算法对滚动轴承故障进行诊断。将SQI-MFS实验平台的轴承振动数据,与传统分类器(支持向量机、邻近算法和人工神经网络)以及单个分类回归树的诊断结果相比,结果表明Xgboost在轴承故障诊断率上优于上述几种算法,且计算时间比传统提升决策树算法短。     

基于排列熵与IFOA-RVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出基于排列熵与改进的果蝇算法(IFOA)优化相关向量机(RVM)的汽轮机转子故障诊断方法。将实验数据进行自适应完备的集合经验模态分解(CEEMDAN),并选取故障特征敏感的IMF分量计算排列熵,以此构造特征样本集,进而建立"二叉树"IFOA-RVM故障分类器对特征集进行分类,其中IFOA通过两个阶段来定义果蝇群体的搜索范围来提高搜索效率,同时避免RVM核函数陷入局部最优。通过ZT-3汽轮机转子模拟试验台获得的故障数据进行实验研究,结果表明与模糊熵对比,排列熵获得的特征样本集的聚类效果明显;IFOA-RVM分类器在故障识别准确率和效率上优于FOA-RVM等其它分类器;证明了基于排列熵与IFOA-RVM汽轮机转子故障诊断方法的有效性和可行性。     

基于SVM-DS证据理论融合决策的故障诊断方法

针对复杂工况下单传感器对于装备故障诊断识别率低、证据缺乏、数据冗余等问题，提出一种基于支持向量机(Support Vector Machine,SVM)结合D-S证据理论的多维度特征数据融合决策故障诊断方法。首先，通过多种方法提取特征构建SVM分类器，对故障类型进行初步分类；然后，将Sigmoid函数作为传递函数，利用SVM分类器对测试数据进行分类，获取测试样本的后验概率并得到测试样本的混淆矩阵；最后，根据混淆矩阵求出局部可信度与全局可信度，并与后验概率相结合实现基本概率分配函数赋值，通过融合计算得到最终诊断结果。实验结果表明，融合后的分类器模型对内圈故障类型分类准确率达100%，对正常和滚珠类型分类准确率为95%，对外圈故障分类准确率为90%。采取多特征融合诊断相较于单一方法有较高准确率和鲁棒性，可有效降低单一特征提取所带来的不稳定性。     

Parzen分类器设计及其在机械零件自动分类识别中的应用

介绍了基于Bayes统计理论的模式分类框架，利用Parzen多元概率密度估计原理，对零件备品箱中的机械零件中螺栓、螺母、垫圈和其它废料测量的数据特征进行分类器设计与建模，并进行了分类实验。实验结果表明了该方法的可行性。最后针对Parzen分类器的性能不足和改进措施进行了讨论。     

旋转机械振动故障诊断的一种模糊神经网络方法研究

介绍了一种基于多层感知器的模糊神经网络分类器，并针对其在旋转机械故障诊断中的应用，研究了网络构造过程中输入和输出模糊化的问题。文中利用振动频谱特征就旋转机械中几种典型的故障模式，采用模糊神经网络方法作了识别，且将其与传统的ＢＰ网络及模糊诊断方法进行了比较。研究结果表明：将模糊神经网络方法应用于旋转机械工况识别是有效的，它在处理分类边界模糊的数据时比传统的ＢＰ网络和模糊诊断方法具有更大的优越性。     

级联H桥逆变器的多特征融合CNN故障诊断

针对级联H桥七电平逆变器不同故障表现相似程度高以及浅层分类器难以应对高维特征输入而制约故障诊断准确性的问题,该文提出一种基于多特征融合CNN的级联H桥七电平逆变器故障诊断策略。首先,采集原始三相电流信号,并结合参考电流信号求取电流偏差信号;其次,多尺度主元分析(multi-scale principal component analysis,MSPCA)算法通过将变分模态分解与主元分析相结合筛选故障信息存在的尺度分量,并将得到的各尺度分量直接重构作为高维时域特征输入,对得到的各尺度分量进行希尔伯特黄(HHT)变换,提取边际谱作为高维时频域特征输入;最后,将上述两种特征作为双通道CNN模型的输入进行训练,建立最终的多特征融合CNN故障诊断模型。结果表明:所提方法的故障诊断准确率达到95%,相较于单一特征与浅层分类器相结合的故障诊断策略,具有更高的识别率和更强的适应性,可为基于电信号的高相似度故障的分类识别提供一定参考。     

基于双重注意力机制的异步电机故障诊断方法

多源数据融合的深度学习模型中，通常采用等比重的方式将不同类型信号的特征映射至融合层。然而，该过程忽略了非同源信号特征对最终识别效果贡献程度不一致的问题。为此，提出了一种基于双重注意力机制的深度学习模型。该模型首先采用通道注意力模块抑制同源信号内无关分量的影响，其次利用多源数据注意力模块自适应分配非同源信号特征的权重，然后对重新赋权的特征进行融合，最后利用分类器实现模式分类。将所提方法应用于异步电机故障诊断，结果表明，该方法平均识别准确率为99.74%,其诊断效果优于现有方法。     

有监督不相关局部Fisher判别分析故障诊断EI北大核心CSCD

针对现有流形学习理论用于旋转机械故障诊断存在识别精度不高的问题,提出基于有监督不相关局部Fisher判别分析(Supervised Uncorrelated Local Fisher Discriminant Analysis,SULFDA)的新型故障诊断方法。首先构造全面表征不同故障特征的时频域特征集,再利用有监督不相关局部Fisher判别分析将高维时频域故障特征集化简为区分度更好的低维特征矢量,并输入到K-近邻分类器中进行故障模式辨识。有监督不相关局部Fisher判别分析在类标签指导下最小化同类流形的离散度并最大化异类流形的离散度来实现类判别,还施加了不相关约束条件使所提取的特征统计不相关,提高了针对旋转机械的故障诊断精度。深沟球轴承故障诊断实验验证了该方法的有效性。     

基于集成隐马尔可夫模型的轴承故障诊断

对轴承振动信号进行时频分析获得全特征集;运用距离补偿法提取轴承故障敏感特征获得敏感特征集。两种特征集在用于训练、测试轴承状态时不仅诊断率不同,且误判样本亦不同。基于此,提出基于集成隐马尔可夫模型的轴承故障诊断方法。采用两种特征集分别建立两独立隐马尔可夫模型;运用平均法则、最大似然概率法集成隐马尔可夫模型分类效果;对轴承信号进行故障诊断。实验结果表明,与基于敏感特征集、全特征集的分类器相比,该模型分类器在轴承故障诊断中识别精度更高。     

基于邻域自适应局部保持投影的轴承故障诊断模型

为了有效利用振动信号进行故障诊断,提出了一种基于邻域自适应局部保持投影的轴承故障诊断模型。首先,利用EMD将轴承振动信号分解为若干个平稳的固有模态函数（IMF）,对IMF分量建立自回归（AR）模型,构建原始特征子集。然后,利用邻域自适应局部保持投影算法对原始特征子集进行降维处理,获得原始特征子集的低维特征向量和投影矩阵。以低维特征向量为输入,以最小二乘支持向量机（LS-SVM）为分类器,通过研究故障识别率和低维特征空间维数的关系确定最优降维维数和对应的最优投影矩阵。最后,根据最优降维维数完成降维处理过程,得到低维特征向量,输入LS-SVM分类器,识别轴承的工作状态和故障类型。实验结果表明,该模型提高了轴承故障诊断的精度。     

基于微分经验模式分解和隐马尔科夫模型的滚动轴承故障诊断方法

提出基于微分经验模式分解（DEMD）和隐马尔科夫模型(HMM）的旋转机械故障诊断方法,并应用到滚动轴承故障诊断中。首先,对故障信号进行基于微分的经验模式分解,提取瞬时能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态似然概率值;以最大似然概率所对应的故障状态作为诊断结果,最终实现滚动轴承故障诊断。滚动轴承点蚀故障的诊断实验证明了该方法的有效性。与基于EMD-HMM的故障诊断方法相比,基于DEMD-HMM的故障诊断方法更适用于滚动轴承故障诊断。     

基于动态加权的多尺度残差网络旋转机械故障诊断算法EI北大核心CSCD

针对传统的机械故障诊断方法特征提取困难问题,提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。将原始数据作为网络的输入,设计宽卷积层进行信息初步融合扩大模型的感受野;再分别构建三个独立的以残差块为基础的并行分支网络,通过设计多尺度卷积核分别从并行分支网络提取深度特征;接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系,对每个尺度的特征通道进行重标定,提高网络对故障信息的敏感性;将三个尺度的特征进行特征融合,通过分类器实现故障诊断。在多个数据集上进行试验,验证了该算法的有效性。     

一种用于风机故障诊断的免疫克隆特征选择算法

提出一种新的用于风机故障诊断的免疫克隆特征选择算法.提取了生产线上实测风机噪声的时域波形结构特征、小波分析特征及听觉谱特征,进行特征选择和故障诊断仿真实验.实验结果表明：在特征选择后的特征数目比原特征数目减少61% 的情况下,支持向量机分类器的分类正确率下降很小,分类时间显著减少.实验结果证明了该算法的有效性和鲁棒性,且能有效地应用于风机故障诊断.     

基于半监督邻域自适应LLTSA算法的故障诊断

为了有效利用振动信号进行故障诊断,提出了一种基于半监督邻域自适应线性局部切空间排列(SSNALLTSA)算法的故障诊断方法。从多域提取振动信号的混合特征,构建原始高维特征集。利用半监督邻域自适应线性局部切空间排列算法对原始特征集进行维数约简,提取出辨识性较高的敏感特征子集。将得到的低维特征输入SVM分类器进行识别,判断故障类型。液压泵故障诊断实验结果表明,该算法克服了LLTSA无监督和使用全局统一邻域参数的不足,可更有效地寻找数据的低维本质流形,提高了识别准确率,具有一定优势。     

基于LTSA与K-最近邻分类器的故障诊断

针对局部切空间排列算法(LTSA)的效果受近邻数k值影响较大的缺点,提出基于聚类准则的LTSA与K-最近邻分类器的故障诊断模型。基于振动信号的时域特征构建高维特征矩阵;对高维矩阵进行标准化预处理,依据聚类准则确定局部切空间排列中的最佳近邻数k,运用LTSA提取高维矩阵的低维特征向量;将提取的低维特征向量利用K-最近邻分类器进行故障模式识别。采用轴承诊断实验系统进行验证,结果表明,基于聚类准则的优化方法可有效地克服近邻数k选择的盲目性,提高了局部切空间的降维精度和故障模式识别正确率,其在轴承时域特征维数约简方面,效果优于主成分分析(PCA)与拉普拉斯特征映射(LE),适用于轴承故障诊断。     

被动声纳目标识别技术的现状与发展

在现代被动声纳系统中，水下目标的自动识别是关键技术之一。文章对被动声纳目标识别的特征提取、特征选择和分类器设计方面进行了回顾。对LOFAR，DEMON和小波变换等特征提取技术进行了讨论，分析了特征优化的重要性和专家系统和神经网络等分类器的优缺点，并简要分析了该领域的过去、现在和未来。     

基于多尺度时不可逆与t-SNE流形学习的滚动轴承故障诊断

为了精确地提取机械振动信号的非线性故障特征,提出了一种新的振动信号复杂性测量方法——多尺度时不可逆。同时结合t-分布邻域嵌入(t-SNE)流形学习和粒子群优化-支持向量机(PSO-SVM),提出了一种新的滚动轴承故障诊断方法。采用多尺度时不可逆提取复杂振动信号的特征信息;利用t-SNE对高维特征空间进行降维;将低维特征向量输入到基于PSO-SVM多故障模式分类器中进行识别与诊断。将提出的方法应用于试验数据分析,并与现有方法进行了对比,分析结果表明,该方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且优于现有方法。