基于分块特征提取的近场声全息故障诊断方法在相干故障下的应用

通过引入近场声全息和分块特征提取技术,改进了基于声像的故障诊断方法,发展了基于近场声全息模式识别的故障诊断技术.针对多个机械部件对应相同故障频率,并产生相干声场的故障情形进行了加肋板激振的模拟实验,使用传声器阵列扫描技术测取各种状态下声信号,在利用近场声全息技术得到声像进行噪声源识别与定位的基础上,对声像进行整体和分块相结合的奇异值特征,提取方式构造识别向量,然后采用多分类支持向量机进行训练分类,进而用于机械工作状态的诊断.实验结果表明,根据声像的物理特征使用整体和分块相结合的特征提取技巧能够较好改善诊断效果,同时进一步验证了声成像方法在故障诊断领域应用的可行性,并与常规的基于单点或几个孤立测点测试的声学故障诊断方法相比具有优越性,拓展了声学故障诊断技术的应用范围.     

基于近场声全息的故障诊断方法及系统实现

针对基于振动信号故障诊断存在的接触式测量弊端及传统声学故障诊断只反映部分声学信息问题,将近场声全息技术引入故障诊断克服该缺陷。基于LabVIEW平台开发出的非接触式机械故障诊断系统,利用近场声全息重建机械声源面附近声压场,得到可视化声源的声像图;从声像图中提取反映声场空间分布的灰度共生矩阵特征,结合支持向量机模式识别实现智能故障诊断。该系统具备智能诊断测试、声源可视化、数据分析等功能,操作方便,可用性强。通过对齿轮箱故障诊断,正确率达97.3%。与传统声学诊断方法的对比,证明该系统可靠、实用。     

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。     

融合声场法向变化的双面声像故障诊断方法研究

声像诊断技术把声诊断问题转化为了图像识别问题,改善了传统的基于单点测试的声诊断鲁棒性,但由于单个声像忽略了三维声场的空间变化信息,在弱故障工况下诊断困难。针对上述问题,基于声场三维特性和信息融合思想,提出了一种基于双面声像模式识别的故障诊断方法。首先基于近场声全息技术构建融合源面声像、全息面声像和两者差值声像的双面声像模型,然后提取Gabor小波纹理特征,并基于随机森林特征选择算法进行特征降维,构建有效声场特征模型进行状态诊断识别。仿真和实验结果表明,基于双面声像模式识别的故障诊断技术是有效可行的,能有效改善弱故障工况的诊断鲁棒性,进一步拓展和改善了基于阵列测量的声像诊断技术。     

基于波束形成声像图纹理特征的机械故障诊断方法

基于振动信号处理的机械故障诊断存在接触式测量和单通道信号分析等局限性,而基于声学图像特征分析的故障诊断方法能有效克服此类局限.将声学成像和图像处理技术引入故障诊断,利用“延迟求和”波束形成算法分别得到机械设备在正常和故障状态下的声像图.首先对可视化声场进行初步诊断,然后考虑到不同状态下声场分布的细微变化反映在声像图丰富...     

基于三维声场空间特征的故障诊断方法研究

基于机械表面声压幅值分布变化的声像故障诊断方法改善了传统的采用单点测试的声诊断鲁棒性,但由于忽略空间相位信息,在弱故障工况下存在识别率低和诊断困难等问题。针对上述问题,运用信息映射和融合的思想,提出了一种基于三维声场物理空间特征的声诊断方法。首先利用近场声全息技术构建弱故障工况的辐射声场,将声源的相位信息映射到空间域,得到三维场点声压分布;然后在一个波长范围内序列拾取13个辐射声场空间断层,对每个断层面提取Gabor小波特征,并构建声场空间特征模型进行诊断识别。仿真和实验研究结果表明基于三维空间声场的故障诊断方法能有效改善弱故障工况的诊断鲁棒性,进一步拓展了声成像技术的工程应用,并为声学故障诊断提供了新思路。     

基于支持向量机的模拟电路软故障诊断

提出了基于支持向量机的模拟电路软故障诊断新方法.该方法提取电路的频域响应为故障特征,利用支持向量机对故障进行识别分类.支持向量机具有结构简单、泛化能力强的特点,对小样本分类具有良好的识别效果.以Sallen-Key滤波电路为诊断例,实验结果表明该方法故障诊断准确率大于99%.     

基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究EI北大核心CSCD

常用的振动诊断技术一般采用接触式测量,在测量受限的场合具有一定的局限性。该研究提出一种具有非接触测量优势的基于声成像与卷积神经网络的滚动轴承声学故障诊断方法。首先,利用传声器阵列获取滚动轴承辐射的空间声场;然后,用波叠加法进行声成像,重建后的声像能够描述声场的空间分布信息;最后,建立卷积神经网络(convolutional neural network,CNN),使用不同轴承运行状态下的声像样本对CNN模型进行训练用于故障诊断。同时,针对深度学习模型的诊断结果缺乏可解释性的问题,采用梯度加权类激活图(gradient-weighted class activation map,Grad-CAM)算法对卷积神经网络在基于声像的轴承故障诊断中的可解释性进行了研究。轴承试验台的声阵列数据验证了所提方法的有效性及优越性。     

相关向量机及其在机械故障诊断中的应用研究进展

相关向量机是一种基于贝叶斯稀疏理论的新型机器学习算法,近年来被应用于多个行业,并得到了国内外学者的不断关注和研究,然而在机械故障诊断领域还未得到足够的重视。简述了相关向量机的特点,通过与支持向量机相比较,阐述了相关向量机的优缺点,综述和分析了近年来相关向量机的国内外研究现状,重点关注相关向量机在机械设备状态监测与故障诊断领域的研究进展。在此基础上,分析了相关向量机研究所存在的一些问题,并展望了相关向量机在机械故障诊断领域应用的未来方向。     

改进的支持向量机在旋转机械故障诊断中的应用

系统地研究支持向量机的基本原理。针对旋转机械振动故障特征复杂的特点,提出采用基于K-L变换的故障提取方法。改进支持向量机的多分类算法,将支持向量机分类方法用于旋转机械振动分析,利用其模式辨别和系统建模能力对典型故障的初始征兆、发生、发展进行动态分析,为旋转机械的故障诊断提供新的思路和方法。     

基于声场听觉感知的变压器故障诊断方法研究

精准的变压器故障诊断方法,对于保证变压器可靠运行具有重要意义。该文提出一种基于变压器声信号并考虑人耳听觉感知的变压器故障诊断方法。首先,通过模拟变压器不同工况条件,采集变压器正常工况和不同故障条件下的噪声样本;然后,基于人耳传声集总参数模型,计算各个样本的基底膜位移响应的统计平均值(statistical mean value of basilar membrane displacement response,SMVBMDR),并构建基于SMVBMDR的特征向量;最后,基于所构建的听觉特征向量,采用遗传算法优化的支持向量机对变压器状态进行识别,并通过测试样本验证所提出方法的有效性。结果显示,以SMVBDMDR为特征向量的故障诊断平均准确率高达98.1%。以上研究表明,基于变压器声信号并考虑人耳听觉感知特性的变压器故障诊断方法可以有效地应用于变压器故障诊断和监测中。     

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。     

基于分形维数和GA-SVM的风电机组齿轮箱轴承故障诊断

对风机齿轮箱轴承故障诊断进行了研究,提出一种基于分形维数和遗传算法支持向量机(GA-SVM)相结合的故障诊断算法。基于常用的时域特征参数作为支持向量机的识别参数,引入分形维数特征参数来提升支持向量机的识别精度。提出了基于遗传算法(GA)的支持向量机参数优化的模型,通过GA的寻优自动获得最优的支持向量机参数。采用某风场的风电机组齿轮箱轴承数据进行故障诊断,实验表明,所提出的GA-SVM模型很好地解决了参数选择的问题,同时基于分形维数的特征参数也提高了风电机组轴承故障的识别准确率。     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

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EMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了基于经验模态分解（empirical mode decomposition,EMD)和支持向量机的齿轮故障诊断方法。首先通过EMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(intrinsic mode function, IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可以通过计算不同振动信号的EMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机（support vector machine,SVM）,判断齿轮的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于齿轮的故障诊断。     

基于独立分量分析与相关系数的机械故障特征提取

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。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于多元统计的电机故障诊断新方法

提出了用多元统计过程控制方法(MSPC)对异步电动机进行故障诊断的新方法.利用多个传感器测量的异步电机多维信号参量,构建电机在正常工作和发生故障时的Q统计和T2统计,以实现电机的状态检测;利用Q统计和T2统计值构建电机的状态特征向量,通过比较度量当前电机的特征向量H与电机发生故障时的特征向量HF的几何距离来实现电机故障的定位与分离.实验证明,该方法可以有效地实现故障的诊断与分离.