基于MF-DFA与PSO优化LSSVM的滚动轴承故障诊断方法

针对滚动轴承故障损伤程度难以确定的问题,提出对滚动轴承不同故障位置、不同损伤程度的振动信号进行故障特征提取及智能分类的故障诊断方法。先对各状态振动信号进行MF-DFA分析,选取敏感性及稳定性最好的二种多重分形谱参数作为故障特征量,然后输入到经过PSO参数优化的LSSVM中进行故障诊断。通过仿真试验、应用实例验证了该方法的有效性,并与LSSVM、SVM方法的诊断结果进行比较。结果表明:所提方法可实现滚动轴承故障位置及损伤程度的智能诊断,比直接LSSVM、SVM方法具有更优的泛化性,适合解决实际工程问题。     

基于主元-双谱支持向量机的旋转机械故障诊断方法

提出一种基于主元-双谱支持向量机的旋转机械故障诊断方法，该方法具有对故障在线监测分类和故障分类能力强的优点，能有效地从汽轮机故障的非平稳、非高斯时变信号中提取状态特征。首先研究了直接法、间接法及ARMA模型法的双谱估计特征，然后利用双谱分析主元数字特征提取技术提取这些特征，最后利用支持向量机对汽轮机小样本故障进行分类，较好地解决了故障样本不足的实际问题。诊断结果表明与常用的BP神经网络相比可以获得较高的诊断精度。     

基于VMD和样本熵的高压断路器故障特征提取及分类

提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和样本熵的高压断路器振动信号的特征向量提取方法,并采用支持向量机(Support Vector Machine,SVM)对故障类型进行识别。将断路器振动信号进行滤波处理,对信号进行变分模态分解,利用分解得到的固有模态函数分量(Intrinsic Mode Function,IMF)表征断路器各个振动事件,计算其样本熵作为特征向量,利用SVM对断路器不同运行状态进行分类识别。仿真信号表明,VMD对于处理瞬态非周期性的振动信号具有优越的分解特性。利用该方法在实验室条件下对四类故障状态进行特征提取和识别,对比结果表明应用该方法能有效提取高压断路器的故障特征并准确地识别出故障类型。     

基于信号稀疏表示和瞬态冲击信号多特征提取的滚动轴承故障诊断

在滚动轴承故障信号特征分析中,针对瞬态冲击信号稀疏表示和特征提取问题,提出一种基于IChirplet原子的故障信号多重特征提取方法。在分析故障信号特点的基础上,构建IChirplet原子库,利用优化的OMP算法进行原子寻优,然后提取IChirplet原子的时频参数和重构信号的敏感特征作为特征参量,通过PSO_SVM实现故障分类。实验证明IChirplet原子与滚动轴承故障信号有较好的匹配性,且多重特征的提取能够有效表征故障信息,更准确地判断轴承故障类型。     

基于VMD和SVD的柴油机气门间隙异常特征提取研究

为有效地从柴油机缸盖表面振动信号中提取气门间隙故障特征,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的特征提取新方法。采用VMD算法对缸盖振动信号进行分解,利用所得的模态分量构建特征矩阵;接着应用SVD理论将特征矩阵转变为表征频率特性的奇异值序列,探讨了稳定工况下的奇异值序列与不同气门间隙状态之间的关系;由于转速、负荷等工况的改变对信号特征层的影响与故障所引起的信号特征的改变可能非常相似,因此将奇异值序列作为特征参数,输入到随机森林分类器中,构建分类模型,对柴油机变工况下的气门间隙故障进行诊断。实验结果表明:该方法能有效识别气门间隙故障,突出故障敏感特征;与传统基于Hankel矩阵和小波包系数矩阵的SVD特征提取方法相比,该方法所提特征参数在柴油机变工况条件下具有更高的识别率。     

基于改进排列熵的滚动轴承故障特征提取

排列熵能够有效监测振动信号中的动力学突变,衡量振动信号的复杂度,在旋转机械状态监测中获得成功的应用。将排列熵应用于滚动轴承故障特征提取中,并针对排列熵对振动信号幅值不敏感,无法反映振动信号中局部能量分布差异的问题,利用滤波信号的归一化瞬时能量改进排列熵,提出一种基于改进排列熵的滚动轴承故障特征提取方法。仿真和试验数据分析结果表明,该方法能够有效识别滚动轴承共振频带,准确提取滚动轴承故障特征。     

基于KD-DenseNet的旋转机械故障诊断模型

针对传统旋转机械故障诊断算法在复杂多变的工况下,缺乏良好的自适应与泛化性的问题。提出了基于DenseNet的卷积核dropout(KD)智能故障诊断模型KD-DenseNet。将各类故障状态的原始振动信号进行重叠分段预处理,并将预处理得到的数据作为KD-DenseNet的输入进行训练,使用训练得到的模型对不同工况下的振动信号进行自适应特征提取与分类,并将dropout应用于卷积核中以提高模型对振动信号的处理速度及抗干扰性,最终得到故障类型判定结果。KD-DenseNet的应用避免了梯度弥散现象,提高了有效特征的提取效率,解决了传统特征提取方法中无法有效挖掘特征、无法自适应于任务进行调整等问题。     

基于QGA优化广义S变换的滚动轴承故障特征提取

考虑到实际工程环境中噪声对故障特征提取的影响,提出了基于量子遗传算法(QGA)优化广义S变换的滚动轴承故障特征提取方法。该方法以时频分布集中程度为评价标准,首先采用量子遗传算法自适应地选取广义S变换中最优窗口控制参数,然后提取信号变换后复时频矩阵的模向量作为滚动轴承故障特征向量。利用该方法提取的滚动轴承故障特征与其它故障特征进行故障识别对比研究,实验结果表明该方法能够更准确地提取出故障特征,验证了方法的优越性。此外,对不同噪声强度背景下的滚动轴承振动信号进行故障特征提取,诊断结果进一步显示所提方法具有良好的抗噪性和健壮性。     

基于多尺度熵和距离评估的滚动轴承故障诊断

为了解决滚动轴承非线性故障特征难以提取的问题,将多尺度熵和距离评估方法有机结合,提出一种新的滚动轴承非线性特征提取方法。首先利用多尺度熵来刻画滚动轴承振动信号在不同尺度上的细节特征;然后引入距离评估选择算法,对多尺度特征进行特征评估,优化选取敏感尺度特征,并送入支持向量机实现轴承不同状态的分类。通过滚动轴承故障诊断实验对该方法进行验证,结果表明,选取敏感多尺度熵特征集对故障特征进行刻画,较单尺度特征、原始特征集和随机特征集等诊断效果更佳,提高了诊断精度。     

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%。     

基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法研究

针对强背景噪声下冲击信号难以检测的问题,提出一种基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法。首先,利用峭度指标和互相关系数构造修正峭度指标作为随机共振检测冲击信号的测度函数;其次,利用滑动窗将多冲击分量信号分割成多个单冲击分量信号作为随机共振的系统输入,并借助遗传算法实现系统参数的自适应选取;最后,将提出的方法应用于电力机车走行部齿轮箱故障诊断,结果显示该方法可有效实现微弱冲击特征的增强提取。     

基于SVDD和距离测度的齿轮泵故障诊断方法研究

提出了一种基于支持向量域描述和距离测度的齿轮泵故障诊断方法。该方法首先对齿轮泵各种工况下的振动信号进行小波包分解,提取各频带能量百分比作为特征向量;然后仅利用正常工况下的特征向量训练SVDD超球模型,通过定义绝对距离测度检测齿轮泵状态是否出现异常;最后针对每类工况下的特征向量单独训练SVDD超球模型,通过定义相对距离测度准确定位齿轮泵的不同故障工况。试验结果表明,采用小波包频带能量降低了数据维数,有效浓缩了故障信息;基于绝对距离测度和相对距离测度的SVDD故障诊断方法既能检测异常状态,又能区分各种故障工况,达到了状态监测和故障分类识别的目的。     

变载荷齿轮箱故障信号智能检测方法

针对变载荷激励下齿轮故障信号检测和故障识别的问题,提出一种基于经验模态分解和深度信念网络的变载荷齿轮箱故障信号智能检测方法。首先通过经验模态分解方法将非平稳的加速度振动信号分解成若干平稳的本征模态函数;选出啮合频率及倍频所在的本征模态函数,重构信号,求出重构信号的频谱,作为深度信念网络的输入;深度信念网络通过对输入频谱进行预训练和特征学习,并建立变载荷激励下齿轮故障识别分类模型;最后,用构建好的深度信念网络对测试样本进行故障诊断。试验结果表明,提出的方法能有效地检测和识别变载荷激励下齿轮故障。     

基于小波包和进化支持向量机的齿轮早期诊断研究

针对齿轮早期故障的特征不明显，提出了一种基于小波包和进化支持向量机的齿轮故障诊断方法，该方法既充分利用了小波包优良的时频局部化特性，又利用了支持向量机在小样本情况下出色的学习性能和良好的推广特性，以及遗传算法的全局优化能力。在齿轮试验台上的应用结果表明，经过特征提取和参数优化后，提高了支持向量机的分类能力。     

基于双谱分布区域的齿轮聚类分析与故障诊断

齿轮(尤其是故障齿轮)振动信号具有明显的非高斯性,双谱是分析非高斯信号的有效方法.齿轮不同故障模式振动信号双谱分析表明齿轮双谱分布区域与故障模式间存在映射关系,可作为分类特征.采用阈值化的双谱二值图作为特征向量,基于目标函数的聚类法实现分类与故障诊断.聚类过程以训练样本双谱二值图的逻辑与运算表征类间分布共性,逻辑或运算表征类间分布范围,构成类模板,测试样本与类模板距离最小值构造最近邻模板分类器,实现聚类,整个过程只是计算1的个数,简单、实用.齿轮故障诊断实例验证了该方法的有效性.     

基于双树复小波和奇异差分谱的齿轮故障诊断研究

针对故障齿轮振动信号的非平稳特征和包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先将非平稳的故障振动信号通过双树复小波分解为几个不同频段的分量;由于噪声的影响,从各个分量的频谱中难以准确地得到故障频率。然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,确定奇异值个数进行SVD重构降噪,由此实现对故障特征信息的提取。最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取齿轮的故障特征信息,验证了方法的可行性和有效性。     

冲击振动提取的优化稀疏表征方法

针对在背景噪声及其他振动干扰下冲击振动信号提取问题,提出了一种利用基追踪实现冲击振动优化稀疏表征的方法。建立了冲击振动提取的稀疏求解问题模型,设计了用于冲击振动特征提取的变换基,并利用特征谱线在频谱中所占能量比作为评价冲击振动提取效果的指标,实现了冲击振动成分的优化提取。将该方法用于仿真试验和齿轮故障诊断,结果表明,与Morlet小波软阈值方法相比,本文所提方法能更好地提取微弱周期性冲击成分,具有很好的应用前景。     

基于多元图像特征分析的印刷单元故障诊断方法

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。     

基于有监督核函数主元分析的故障状态识别

介绍一种有监督核函数主元分析算法(SupervisedKernelPrincipalComponentAnalysis,SKPCA),通过将样本类内差和类间差融入总体方差中,从而达到更好的分类目的.在齿轮故障诊断实验中,采用SKPCA提取故障信号的非线性特征,实验结果表明SKPCA相比KPCA前两个主元贡献更为集中,故障识别结果更为理想.     

一种增量式半监督VPMCD齿轮故障在线诊断方法

针对齿轮故障诊断中难以获得大量故障样本的问题及实时在线诊断的需求,提出了一种基于增量式半监督多变量预测模型(Incremental Semi-supervised Variable Predictive Model based Class Discriminate,ISVPMCD)的齿轮故障在线检测方法。首先使用VPMCD方法给少量的已知样本建立初始预测模型,接着利用VPMCD方法中的判据给未标识样本赋予初始伪标识,然后通过互相关准则筛选出伪标识样本,最后利用伪标识样本和已知样本作为训练样本更新初始预测模型,使得更新的预测模型能兼顾整个样本集的信息,从而可以有效地解决小样本的故障诊断问题,另外,由于该方法在实时更新新样本的过程中不需要再次建立判别模型,从而缩短了分类时间,为实时在线诊断提供了新的思路。对UCI标准数据以及齿轮实测数据的分析结果表明,适合于小样本的ISVPMCD模式识别方法可以更快更准确地识别齿轮工作状态和故障类型。