首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到20条相似文献,搜索用时 156 毫秒
1.
针对旋转机械故障特征信号复杂且难以提取有效特征量的问题,提出一种基于拉普拉斯特征映射算法(Laplacian Eigenmap,LE)的旋转机械故障识别方法。对旋转机械三类典型故障的监测信号进行提取和转换得到26个时域和频域特征量,在由此构建的高维特征空间中,利用LE算法进行特征融合,提取隐藏在高维特征空间中的故障本质和规律进行故障样本分类识别。利用二维或三维图像表示提取出的低维结果,以样本识别率及聚类分析中的类间距Sb和类内距Sw作为衡量指标,从模式识别的角度进行分析。结果表明:较之主元分析法(principal component analysis,PCA)和核主元分析法(kernel principal component analysis,KPCA),LE方法能够更好地从高维特征空间中提取出有效特征量表征设备运行状态,实现旋转机械典型故障的分类识别。  相似文献   

2.
电机轴承的健康状态直接影响电机安全、稳定运行。针对电机轴承故障诊断问题,以故障信号可视化和特征自提取为目标,将深度置信网络(Deep Belief Network,DBN)与对称点模式(Symmetrized Dot Pattern,SDP)变换相结合,提出了一种轴承故障可视化及智能诊断方法。首先基于SDP变换将原始轴承振动信号进行可视化表示,基于最大面积函数选择最佳的SDP参数以通过高分辨率图像清晰区分不同轴承状态,并生成相应的轴承故障SDP图像库;然后采用深度置信网络作为数据训练模型以实现故障特征自提取;最后由位于DBN算法模型后的分类器实现轴承故障的有效诊断。实验结果表明,该方法不仅分类率达到98 %以上,而且具有较好的泛化能力和稳定性。该方法为电机轴承故障可视化和智能诊断提供了一种新思路。  相似文献   

3.
目的提出一种基于画面分析的机械故障诊断方法,用于印刷机械中印刷单元的故障模式分类。方法通过印刷特定图像,获取印刷单元在正常与故障状态下的印刷画面,从网点覆盖率、灰度特征和画面纹理特征等3个方面构建表征印刷单元状态的多元图像特征集,并通过SVM构建故障识别网络。结果利用多元统计方法分析了印刷单元6类故障与特征集的映射关系,依靠画面特征实现了故障类别判断;经过实际故障诊断试验验证,所提出方法的准确率可达90%以上。结论图像特征集对于印刷机故障有着很好的分类表征能力,为印刷机维护提供了新的理论和方法。  相似文献   

4.
针对现有的旋转机械故障诊断算法存在着时频表示模糊、特征提取困难,从而导致故障诊断效率和精度低的问题,提出一种基于浅层Inception-MobileNet 的旋转机械故障诊断模型。该模型通过拼接法将原始振动信号转换为二维图像,然后采用多尺度卷积核提取不同分辨率的特征图,并结合深度可分离卷积实现特征学习与分类。该网络在CWRU数据集和MFPT数据集上分别实现了十种故障分类和三种故障分类,分类精度为99.5 %和95.78 %。与传统的网络进行比较,该网络可提高特征提取能力,并且在相同数据集上该网络实现的故障识别精度最高。  相似文献   

5.
大型转动机械在工业生产过程中,轴承故障频发,呈现出一种"大数据"的特性,并且现场获取的故障数据往往是不完备和无标签的,亟需开发具有自学习能力的诊断算法。针对该研究提出一种基于双结构深度学习的轴承故障类型与损伤程度的智能诊断算法。该方法使用不完备的数据建模,分为故障类型自学习网络和故障损伤等级识别网络两个结构。对轴承故障信号进行形态学滤波,抑制部分噪声,增强信号的脉冲特征;对消噪后信号进行S变换得到时频图,获取故障类型的共性特征;并将时频图作为卷积神经网络(CNN)的输入,利用网络的相似性度量在目标空间对同类型样本汇聚、不同类型样本分离,实现对轴承故障类型的分类与新故障类型的自学习。将实现故障类型分类的信号经归一化处理后作为深度置信网络(DBN)的输入,利用DBN对微小故障的敏感性对不同损伤程度的差异特征进行提取,之后将提取的特征作为贝叶斯分类器的输入,依据后验概率判别规则实现故障损伤等级自主识别。将该方法应用于西储大学实验平台的滚动轴承故障数据,结果表明,该方法在不完备数据建模的情况下,不仅能完成故障类型与损伤等级的准确分类,而且还能实现故障自学习和损伤等级自增长,增强了诊断过程的智能性。  相似文献   

6.
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%。  相似文献   

7.
神经网络技术及其在旋转机械故障诊断中的应用   总被引:15,自引:2,他引:13  
人工神经元网络模型是由大量的简单计算单元广泛相互联接而成的一个非线性动力学网络系统,它以高度的并行分布式处理、联想记忆、自组织及自学习能力和极强的非线性映射能力,在众多的领域里显示了广阔的应用前景。本文从模式识别的角度,论述了神经元网络技术及其在旋转机械故障诊断中的应用,就神经元网络结构及其所能形成的模式分类决策区域作了较为详尽的阐述,并与传统的模式识别技术作了比较。最后在振动频谱波形特征的基础上,就旋转机械中五种典型故障模式,用感知器网络进行了试验研究和分析。结果表明,人工神经元网络技术对于高维空间模式识别及非线性模式识别问题,具有较强的分类表达能力。作为一种新的自适应模式识别方法,神经元网络技术能够有效地解决故障诊断中较为复杂的状态识别问题。  相似文献   

8.
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。  相似文献   

9.
基于EMD包络谱分析的液压泵故障诊断方法   总被引:3,自引:1,他引:2       下载免费PDF全文
在对液压泵常见故障模式进行分析的基础上,针对液压泵早期故障诊断时故障特征信号微弱且传统的包络分析需要预先依靠经验确定分析频段的问题,提出了基于经验模式分解(EMD)和包络谱分析的诊断方法。该方法首先将采集到的液压泵壳体的振动信号利用EMD分解为有限个固有模式函数(IMF)之和;然后对前几个IMF分量进行包络分析,并求出包含主要故障信息的包络谱;最后通过对包络谱的分析,判断液压泵的工作状态和故障类型。实验结果表明,该方法有效提取了液压泵的早期故障特征,准确实现了液压泵正常、滑靴松动、滑靴与斜盘磨损及缸体与配流盘磨损四种状态的分类,是进行液压泵故障诊断行之有效的方法。  相似文献   

10.
故障特征信息的获取和处理对电路故障的可靠分类和准确诊断有很大的影响.在电路故障诊断时,对于不同的故障模式,存在信息混叠的现象,需要解决特征信息的有效提取和故障的可靠分类等问题.为此,本文提出了一种结合灵敏度特性分析的BP神经网络故障诊断方法.基本思想是通过灵敏度的计算,对电路故障样本作预分类,再根据电路灵敏度的计算结果分别提取相应特征信息,以此构造故障样本特征集,然后作为BP神经网络的输入对网络训练,并进行故障诊断.对滤波器的仿真结果表明,该方法能分类不同的元件故障,且对模拟电路故障诊断的平均正确率优于传统方法.  相似文献   

11.
基于独立分量分析与相关系数的机械故障特征提取   总被引:2,自引:1,他引:1       下载免费PDF全文
提出一种基于独立分量分析与相关系数的机械故障特征提取方法。首先对不同工况的机械振动信号分别进行独立分量分析,获得各种工况信号的独立分量,这些独立分量中蕴含了该工况的一些内在特征;接着利用样本与不同工况信号提取的独立分量的相关系数绝对值的和作为该样本的特征,与直接利用相关系数作为特征相比鲁棒性与区分程度都得到提高;最后使用支持向量机作为分类器进行识别。分别进行了齿轮故障特征提取与轴承故障特征提取实验,实验结果表明,此方法可以很好地提取机械故障特征信息。本文方法的优点在于直接从振动信号的原始数据中进行特征提取,获取机械故障蕴含的一些特征,应用范围广,具有较高地工程应用价值。  相似文献   

12.
The vibration signals of an aeroengine are a very important information source for fault diagnosis and condition monitoring. Considering the nonstationarity and low repeatability of the vibration signals, it is necessary to find a corresponding method for feature extraction and fault recognition. In this paper, based on Independent Component Analysis (ICA) and the Discrete Hidden Markov Model (DHMM), a new fault diagnosis approach named ICA-DHMM is proposed. In this method, ICA separates the source signals ...  相似文献   

13.
特征提取是齿轮多重状态或故障分类中一个很重要的问题。为解决该问题,提出了利用频域特征和遗传编程对齿轮箱盖多类状态振动信号进行特征提取的方法。为了使诊断结果更好地可视化。利用遗传编程结果的固有随机性,提取两个新特征指标。结果表明,该方法对振动数据进行了准确的多重故障分类,也可以应用到其它机械故障诊断或分类中。  相似文献   

14.
针对振动传感器监测信号易受噪声干扰的问题,提出一种基于FastICA算法与信息融合的轴承故障诊断方法。算法对各通道测得的信号采用FastICA算法进行降噪处理,采用自适应线性加权算法对降噪后信号进行数据层信息融合,最后基于谱峭度指标设计自适应带通滤波器,进行特征提取。此方法解决了低信噪比条件下的轴承故障特征提取问题。使用了仿真和实验轴承故障信号验证了算法的有效性。  相似文献   

15.
针对机械设备状态监测与故障诊断技术中特征提取对诊断准确性的局限,从原始故障信号数据中提取出尽可能多的有用信息。提出通过最佳特征数据集对轴承故障进行诊断分析,分别从幅域和频域对故障数据进行特征提取。采用一种改善的粒子群(G-DPSO)算法对提取的特征数据集进行筛选,对传统粒子群算法权重系数进行优化,同时和故障诊断需要的决策树模型的信息熵增相结合,可以达到将最适合故障诊断的特征向量提取出来的目的。用5种轴承故障数据对所提方法进行实验分析,诊断正确率能达到97%之上,证明所提出的方法是有效、可靠的。  相似文献   

16.
为了解决机械故障诊断领域传统方法自适应性差、参数选择过于依赖人工的问题,提出了一种基于循环神经网络的机械故障诊断算法。该方法利用预处理后的机械振动信号,搭建了双向门控循环单元的故障诊断模型,并进行了基于注意力机制的模型优化,提高了特征提取效率。经过美国凯斯西储大学轴承数据集以及自采集的柴油机故障实验数据验证,相比于传统神经网络算法提升了计算效率和诊断准确率,并表现出了良好的抗噪能力。结果表明,该方法可以有效适用于基于机械振动信号的故障诊断,具有一定的工程应用价值。  相似文献   

17.
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。  相似文献   

18.
王栋  丁雪娟 《计量学报》2016,(2):185-190
针对噪声背景下机械振动信号早期故障特征提取难题,提出一种基于包络解调随机共振和互补总体经验模态分解的机械早期微弱故障提取及诊断新方法。首先对含噪声机械故障信号进行包络解调处理,然后对包络信号进行变尺度随机共振输出,使故障特征信号得到增强,最后对处理后的信号进行互补总体经验模态分解(CEEMD),得到机械振动信号故障特征分量,实现故障特征提取及诊断。对机械故障诊断实例表明,该方法不仅能增强信号幅值,同时减少了虚假分量,提高了CEEMD算法的精度,有效提取出被噪声淹没的微弱故障信号,提高了机械早期故障诊断效果。  相似文献   

19.
针对特征提取中局域均值分解(Local Mean Decomposition,LMD)存在端点效应缺陷及模式识别中人工神经网络(Artificial Neural Network,ANN)存在收敛速度慢、过学习等不足,提出基于内积延拓LMD及支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。利用内积延拓LMD方法对信号延拓分解抑制LMD端点效应;利用分解的可描述信号特性主分量PF(Product Function)构建初始特征向量矩阵;用SVD(Singular Value Decomposition)方法对初始特征向量矩阵进行奇异值分解,获得信号特征参数作为SVM的输入进行训练;对训练的SVM进行测试及模式分类。通过实际轴承故障信号分析及故障类型分类表明,该方法不仅能抑制LMD端点效应缺陷,且在故障模式识别中能有效避免ANN网络结构难确定、收敛速度慢等不足,能较好实现轴承故障准确分类,可用于轴承故障诊断。  相似文献   

20.
冯武卫  孟庆丰 《振动与冲击》2011,30(10):153-159
键合点剪切强度是衡量键合质量的重要指标之一,以引线键合系统超声波发生器电信号作为信息载体,研究了超声电信号的特征提取方法以及在键合强度识别方面的应用。针对超声电信号的瞬态特性,提出一种基于信号子频带包络分段的特征提取方法。该方法将超声电信号滤波后的子频带包络分成信号上升、稳定和衰减三个阶段,提取每个阶段的敏感波形特征来表征键合过程。为了消除特征中的冗余信息并实现特征降维,采用了主分量分析(PCA)技术进行特征选择。建立了人工神经网络系统(ANN)对提取的特征进行识别,通过实验数据分析,验证了本文方法的有效性。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号