基于拉普拉斯特征映射的滚动轴承故障识别

用传统的线性方法对非平稳和非线性运行状态的滚动轴承进行故障诊断时,效果欠佳。为了及时、准确地监测轴承的运行状态,提出了将拉普拉斯特征映射算法(Laplacian Eigenmap LE)应用到滚动轴承的故障识别中。在振动信号构建的时域和频域高维特征空间矩阵中,充分利用LE算法在非线性特征提取和降维的优点,进行学习,提取表征轴承状态的特征量,并以可视化的聚类结果进行表示。实验模拟了轴承的4种不同类型故障以及滚动体的4种不同受损程度,采用模式识别中聚类性的类内距和类间距两个参数作为衡量指标。与PCA和KPCA两种方法对比,LE不仅明显识别出四种故障类型和有效的区分出滚动体的不同受损程度,而且识别率大大提高。并通过测试样本组验证了LE方法的有效性。     

拉普拉斯特征映射算法在滚动轴承故障识别中的应用

由于滚动轴承故障的非线性和非平稳性特征,传统线性方法不能准确发现和识别出故障类型及其受损情况,该文提出使用流形学习拉普拉斯特征映射(LE)算法对滚动轴承故障进行识别.在由幅值、时域统计指标和由小波包函数分解得到的能量比作为特征向量构建的高维特征空间中,使用LE算法和两种传统的降维方法PCA、MDS进行对比,提取出最敏感、最能表征滚动轴承运行状态的低维特征量,再使用模式识别进行分类,聚类结果用三维图形表示.以样本识别率和模式识别中的类内距和类间距作为评价指标,模拟实验结果表明:LE算法不仅能有效地识别出滚动轴承故障类型而且能区分和识别出轴承外圈在不同受损情况下的运行样本.     

基于高斯拉普拉斯算子的色域映射算法

目的进一步提高色域映射质量,深入研究空间色域映射算法。方法利用高斯拉普拉斯算子对原图的边缘细节进行提取,叠加到映射后图像上再进行二次映射,得到的图像使用结构相关性和图像色差模型进行评价,将数据与最小色差法、CUSP和Bala等人提出的算法进行比较。结果基于高斯拉普拉斯算子的色域映射算法的结构相关性和图像色差都比Bala等人提出的算法要好。对于色彩艳丽、细节丰富的图像,空间色域映射算法结构相关性和图像色差反而不如普通算法。结论基于高斯拉普拉斯算子的色域映射算法能够提高图像的映射质量,但是空间色域映射算法映射质量并不一定优于非空间类色域映射算法。     

基于高阶谱的旋转机械故障征兆提取

研究了旋转机械振动信号的非线性特征,分析了产生非线性的机制,着重讨论了二次相位耦合与机械故障的关系,在此基础上将高阶谱分析引入转子故障诊断。高阶谱保留了信号的相位信息且能有效抑制噪声,可以定量描述非线性性相位耦合,试验分析表明,对于不同类型的故障,高阶谱特征存在明显差异,因中用于故障模式识别,高阶谱丰富了旋转机械故障诊断系统知识库中的振动特征信息,用于工业现场能大大提高诊断准确性。     

基于多神经网络多参数综合的旋转机械故障诊断系统研究

本文提出并建立了基于多神经网络多参数综合的旋转机械故障诊断系统。在多层多输出前向神经网络的算法基础上,对多个征兆域分别建立相应的诊断网络,然后利用加权方法进行综合评判,并且该诊断系统具有自学习、自适应能力,以便能够适应大型旋转机械,特别是汽轮发电机组等实际产生故障的振动原因的复杂性及诱发的振动征兆的多元性等特点,从而提高了故障诊断的可靠性和诊断精度。本系统对工程应用具有较高的实用价值。     

旋转机械故障诊断系统数据库的机器自学习方法

本文讨论一种旋转机械故障诊断系统数据库的计算自学习方法.该法能使计算机在长期的运行实践中,自动识别和跟踪被监测机组工作参数的改变,从而大大增强了故障诊断系统的适应性.本文将最小?乘法应用于计算机自学习,并以"MMMD-1"的模糊诊断系统为例,介绍了这种方法的原理和应用.计算结果表明,该法对初值稳定.     

基于核极限学习机的旋转机械故障诊断方法

传统的旋转机械故障诊断存在需人工干预、诊断精度低等问题。为更好诊断旋转机械故障,提出基于核极限学习机的旋转机械故障诊断方法。首先在正常状态和转子不平衡、转子不对中、轴承座松动3种故障状态下采集旋转机械的振动信号,降噪后提取各频段小波能量作为故障特征,以此为基础建立基于核极限学习机的旋转机械故障诊断模型。在旋转机械故障模拟实验台上进行的应用实验表明,KELM方法比ELM有更高的稳定性,KELM的故障诊断准确率大于99%,诊断性能优于极限学习机和支持向量机。     

旋转机械故障诊断技术的现状与展望

介绍了旋转机械在振动故障诊断方面的国内外现状。内容包括:故障机理的研究,故障信息处理技术的研究,故障诊断专家系统的研究及有关诊断系统的开发现状,并对今后发展方向进行了阐述。     

大型回转机械故障的神经网络分类器

建立邦联类型的自动识别系统是机械设备诊断学的发展方向。神经网络理论的兴起和发展为邦联类型的自动识别开辟了一条崭新的道路。本文产生了这一现象的原因，并利用组合网络来克服单一网络对组合故障分类精度不够高的缺陷，取得了令人满意的结果。     

基于Gabor变换和盲源分离的旋转机械故障诊断方法

传统的盲源分离方法要求源信号相互统计独立,但是实际机械设备很难满足这个条件。为此,提出了一种基于Gabor变换和盲源分离相结合的旋转机械故障诊断方法。首先通过不同混合信号的Gabor变换系数之间的相互关系,得到源信号间的公共频率成分,然后对观测信号进行滤波处理,得到新的观测信号,最后利用矩阵联合对角化方法进行分离,实现相关源信号盲分离。该方法突破了传统盲源分离方法中要求源信号相互统计独立且最多只能有一个高斯信号的限制,仿真和实验结果验证了该方法的有效性和可行性。     

基于稀疏滤波和长短期记忆网络的旋转机械故障诊断方法

针对原始振动信号不可避免的包含多余噪声问题。提出一种基于稀疏滤波(sparse filtering, SF)和长短期记忆网络(long and short term memory network, LSTM)相结合的旋转机械故障诊断模型,该模型利用快速傅立叶变换将原始时域信号转换成频域信号,再通过SF提取低维故障特征,并将其输入到LSTM堆叠分类器中识别旋转机械故障状态。用轴承和齿轮振动信号为例开展试验研究,并与Softmax、深度神经网络(deep neural networks, DNN)、支持向量机(support vector machine, SVM)、降噪自编码器(denoising auto-encoder, DAE)等方法进行试验对比,结果表明所提方法不仅在噪声环境下具有更高的准确率和鲁棒性,而且针对数据不平衡集的诊断也能达到98%以上的准确率。     

基于深度 Q 学习和连续小波变换的旋转机械故障诊断方法

针对旋转机械故障诊断中深度神经网络特征学习能力强、决策能力弱的问题,利用卷积神经网络拟合强化学习中的 Q 函数,通过 Q?learning 算法学习策略实现故障诊断,提出了基于深度 Q 学习和连续小波变换的旋转机械故障诊断方法。对振动信号进行连续小波变换得到时间尺度矩阵,构建出环境状态空间,实现智能体与环境间的交互;用 CNN 拟合 Q?learning 中的 Q 函数得到深度 Q 网络,将环境返回的状态输入到深度 Q 网络中学习故障数据具体的状态特征表示,并据此表征学习策略,智能体采用 ε?贪婪方式决策出动作,利用奖励发生器对动作进行评价;通过智能体与环境间不断交互学习以最大化 Q 函数值,得到最优策略实现故障诊断。这种方式融合了深度学习的感知能力和强化学习的决策能力,从而有效提高了诊断能力。通过不同工况及不同样本量下齿轮箱故障诊断实验证明了所提方法的有效性。     

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。     

基于盲源分离和AR谱估计的旋转机械故障诊断方法

准确的AR模型能够较好地揭示信号中蕴含的状态特征变化的信息,然而,AR模型对系统的状态变化十分敏感,多个动态变化的源信号的耦合必然会影响其估计结果。基于此,提出了一种基于盲源分离和AR谱估计的旋转机械故障诊断方法。首先,利用盲源分离的方法从混合观测信号中恢复各机械振动源信号;然后,将非平稳性的故障信号通过经验模态分解得到各本征模态函数;最后,对经验模态分解得到的平稳的本征模态函数进行AR谱估计,提取振动信号的故障特征信息。通过仿真研究和实验分析验证了该方法在旋转机械故障诊断中的有效性和可行性。     

旋转机械故障信号的去噪源分析

旋转机械振动信号是其故障特征识别与诊断的重要信息来源,将应用统计特征来分解混合信号的去噪源分离(DSS)引入到旋转机械故障诊断中。研究DSS基本理论及其正切去噪函数,并进行模拟信号分离,其分离后的性能指标及与源信号相似系数均优于盲源分离;并将DSS应用于某燃气轮机的实测故障信号分析,诊断出转子发生不平衡及异频伪共振现象,表明该方法在旋转机械故障诊断中的有效性,为机械设备的状态监测和故障诊断提供新的思路和方法。     

基于AMD和自适应随机共振的旋转机械故障诊断方法研究

针对强噪声背景下信噪比较低的旋转机械故障诊断问题,提出一种基于解析模态分解(AMD)和随机共振的旋转机械故障诊断方法。若信号的频率成分已知,AMD方法能将多频率成分的信号分解为单频率信号。对于可预知故障特征频率的旋转机械故障诊断,首先利用AMD方法提取振动信号中故障特征频率所在频段的信号,并对每个提取出的信号添加强度较低的噪声;然后利用粒子群算法优化的双稳随机共振对含噪信号进行处理来加强信号;最后求该信号的频谱,若频谱中含有故障特征频率,则说明振动信号中存在该故障。通过对滚动轴承故障信号特征的提取证明了该方法有良好的效果。     

基于LMD和局域时频熵的旋转机械故障诊断方法

提出了一种基于局部均值分解和局域时频熵的旋转机械故障诊断方法。以旋转机械作为研究对象,利用LMD方法分解旋转机械振动信号,对分解得到的各乘积函数进行Hilbert变换,得到振动信号的时频分布。为了定量描述振动信号能量的时频分布情况,提出了局域时频熵的概念,根据旋转机械故障的频谱特征,将整个时频平面划分为若干时频段,计算时频段的局域时频熵,以局域时频熵作为旋转机械故障特征,实现旋转机械故障特征提取。基于局域时频熵进行故障特征提取可以细致地反映各时频区域能量分布的差别,同时可以减小计算量,提高运算速度。仿真与实验结果表明,该方法能有效地应用于旋转机械故障诊断中。     

基于局部主成分保持投影的旋转机械故障数据降维方法

针对旋转机械高维故障特征集存在的特征冗余导致的分类困难问题,提出一种基于局部主成分保持投影(locality principal component preserving projection, LPCPP)的故障数据集降维算法。该算法将类间可分性判据、主成分计算两种思想与局部保持投影(locality preserving projection, LPP)相融合,使得算法具有剔除冗余特征、减小降维盲目性的能力,从而可以更好地保留能够反映机械运行状态的高价值密度的故障信息以及特征的主要成分。通过两个不同型号的双跨度转子系统的振动信号对所提算法进行验证,并分别以可分性指标和3种不同分类器的识别准确率对本算法的降维性能进行评价。结果表明,本算法能够达到降低故障分类难度与提高故障分类准确率的功能,其可为积累高价值密度的数据资源和基于“工业大数据”的旋转机械智能决策技术工程实现,提供一种数据运算的理论依据。     

基于稀疏滤波和长短期记忆网络的旋转机械故障诊断方法EI北大核心CSCD

针对原始振动信号不可避免的包含多余噪声问题。提出一种基于稀疏滤波(sparse filtering,SF)和长短期记忆网络(long and short term memory network,LSTM)相结合的旋转机械故障诊断模型,该模型利用快速傅立叶变换将原始时域信号转换成频域信号,再通过SF提取低维故障特征,并将其输入到LSTM堆叠分类器中识别旋转机械故障状态。用轴承和齿轮振动信号为例开展试验研究,并与Softmax、深度神经网络(deep neural networks,DNN)、支持向量机(support vector machine,SVM)、降噪自编码器(denoising auto-encoder,DAE)等方法进行试验对比,结果表明所提方法不仅在噪声环境下具有更高的准确率和鲁棒性,而且针对数据不平衡集的诊断也能达到98%以上的准确率。     

基于自适应多小波与综合距离评估指数的旋转机械故障特征提取

旋转机械设备故障诊断主要包括信号采集、特征提取和故障识别,而特征提取是进行故障诊断的基础和保证诊断结果正确的关键,为了提高特征参数对故障的敏感性,提出了基于自适应多小波与综合距离评估指数的旋转机械故障特征提取方法。该方法以综合距离评估指数最大值为目标函数,利用遗传算法从CL3自适应多小波库中选择最优多小波,并将该最优多小波用于转子振动信号的特征提取。通过对正常、不对中、不平衡、碰摩四种设备状态下采集的振动信号进行特征提取,并将所提出的方法和传统特征提取方法提取的特征参数输入到K-最邻近分类器进行分析,结果表明,所提出的方法能够大大增强特征参数对故障的敏感性,获得更高的故障诊断准确率。