经验模态分解与核马氏距离的滚动轴承性能退化评估

为了准确识别滚动轴承退化状态,提出了一种基于经验模态分解(EMD)和核马氏距离的滚动轴承性能退化评估方法。该方法通过EMD分解得到各阶IMF分量的标准偏差提取信号的特征信息,以样本的标准偏差向量作为样本的特征向量,将无故障样本的特征向量和待测样本特征向量设为样本集,通过衡量样本集和待测样本之间的核马氏距离来评估滚动轴承的性能退化程度。通过对轴承不同故障程度数据以及对轴承全寿命实验数据的分析验证了该评估模型的可行性,所提出方法能够准确反映故障程度的加深并持续跟踪故障发展趋势。     

基于支持向量数据描述的剩余寿命预测方法

为了解决工业设备关键部件的故障预测问题,基于支持向量数据描述(SVDD),定义了表征设备部件健康状态的退化指数,并由此提出一种剩余寿命预测方法。首先利用小波包分解从历史传感器状态监测数据中提取特征向量;然后通过粒子群优化算法选择能够使训练集退化指数取值的变化趋势更加接近指数规律的核函数参数,进而利用目标部件处于健康状态的特征向量训练SVDD模型,得到相应的超球面;最后通过待测样本点和SVDD超球面间的距离计算退化指数,确定目标部件的健康状态并预测其剩余寿命。最后通过实验验证了所提剩余寿命预测方法的有效性。     

基于CFOA-MKHSVM的滚动轴承健康状态评估方法

为了更有效评估滚动轴承性能退化程度,提出一种混沌优化果蝇算法(CFOA)与多核超球体支持向量机(MKHSVM)相结合的滚动轴承健康状态定量评估方法。该方法针对滚动轴承各状态数据分布不均匀、单一核函数分类存在局限性的问题,提出利用多核核函数的凸组合来优化超球体支持向量机。为消除人为选择分类器多参数的盲目性、避免果蝇优化算法陷入局部最优,将果蝇算法与混沌理论相结合,对多参数进行寻优。同时构建混沌优化果蝇算法-多核超球体支持向量机(CFOAMKHSVM)模型,并提出归一化差别系数评估指标。通过实验研究,与支持向量数据描述(SVDD)算法评估指标进行对比,验证了所提指标的有效性,实现了滚动轴承健康状态的定量评估。     

基于自适应超环检测器的设备异常度检测方法

针对在无故障样本情况下如何快速检测设备异常度问题,在引入自己空间边界样本概念的基础上,提出一种自适应超环检测器。在描述自适应超环检测器生成算法的基础上,以Iris数据集为例进行分析,发现与已有的异常检测方法相比,自适应超环检测器异常检测方法在区分有较清晰类边界数据时,具有更好检测性能。利用自适应超环检测器异常检测方法分析轴承状态数据,不仅能反映出轴承的各种状态,而且能通过设备的异常程度反映出同类故障的轻重程度。基于自适应超环检测器的设备异常度检测方法,是在学习设备正常运行数据的基础上,寻找自己空间的边界样本,结合其方位信息与自己样本半径,建立能完全覆盖状态空间的自适应超环检测器,不需要设备运行的故障数据,它适合对故障数据缺乏的设备进行有效的异常检测。     

利用小波包和SVDD的分拣机轴承故障诊断

针对邮政分拣机供包台轴承故障识别精度较低问题,展开一种基于小波包结合支持向量数据描述的振动故障辨识研究。运用小波变换对检测的振动信号进行降噪,再利用统计分析、共振解调和小波包技术从预处理后的信号中提取故障特征频率和小波包能量等时、频域特征作为输入向量。通过核参数优化选取和正常类样本集训练学习,建立描述轴承正常工作状态的最小特征超球体作为预测模型并带入轴承试验台中。试验结果表明,该方法的正确识别率可以达到98%以上。     

结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估

针对设备的视情维修,提出一种将小波包奇异谱熵和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。先提取轴承全寿命周期内振动信号的小波包奇异谱熵作为轴承状态的特征矢量,然后以轴承正常状态下的特征矢量训练SVDD,得到正常状态下的基准超球体,再计算轴承全寿命周期内的特征矢量与基准超球体之间的相对距离,作为性能退化过程的定量评估指标,并对失效阈值和早期故障阈值进行设定。结果表明,与基于小波包和SVDD的性能退化评估方法相比,该方法的早期故障检测能力更强,对轴承性能退化各个阶段的描述更加准确。最后,利用基于EMD的Hilbert包络解调方法对评估结果的正确性进行了验证。     

基于小波核扩散与双阶段 SVM 的轴承复合故障分类方法

轴承复合故障分类中存在故障特征强线性不可分及故障数据标签不足问题,严重影响分类精度。 为此,提出基于双阶 段支持向量机(SVM)与小波核扩散的轴承复合故障分类方法。 针对故障特征强线性不可分,使用小波核函数对其进行高维空 间映射,并利用极大重叠离散小波包变换获取信号在不同频带上的能量分布作为故障特征;针对故障数据标签不足,提出增量 式核空间标签扩散的双阶段 SVM 分类模型,在小波核空间核差异距离基础上,利用增量式核空间标签扩散对训练样本的近邻 样本、粗分阶段边界样本进行扩充,并在细分阶段依据扩充后的样本完成模型训练。 3 组轴承复合故障数据验证了所提方法的 有效性,实验研究表明,在单类训练样本为 5 的条件下,所提方法比 SVM 分类准确率平均提升 7. 5% ,并优于其他流行算法。     

基于转子故障数据集的KSELF降维方法

针对故障诊断中呈现强非线性的故障数据集维数过高以及有标签故障样本不足的问题,引入核方法和半监督思想,提出了一种基于核半监督局部Fisher判别分析(kernel semi-supervised local Fisher discriminant analysis,简称KSELF)的降维方法。首先,通过核方法将原始故障数据集映射到高维特征空间中;其次,在高维空间中基于半监督局部Fisher判别分析得出投影转换矩阵;最后,用一双跨度转子实验台的故障特征数据集对所提出的方法进行了验证。所提出的KSELF降维方法能够有效捕捉数据的非线性信息,并能充分利用少量标签样本和大量无标签故障样本中的故障信息,避免了过学习问题。实验结果表明,KSELF方法相比实验中的其他方法,其降维能力稳定,能够获得更好的降维效果和更高的分类准确率。     

Semi-supervised weighted kernel clustering based on gravitational search for fault diagnosis

Supervised learning method, like support vector machine (SVM), has been widely applied in diagnosing known faults, however this kind of method fails to work correctly when new or unknown fault occurs. Traditional unsupervised kernel clustering can be used for unknown fault diagnosis, but it could not make use of the historical classification information to improve diagnosis accuracy. In this paper, a semi-supervised kernel clustering model is designed to diagnose known and unknown faults. At first, a novel semi-supervised weighted kernel clustering algorithm based on gravitational search (SWKC-GS) is proposed for clustering of dataset composed of labeled and unlabeled fault samples. The clustering model of SWKC-GS is defined based on wrong classification rate of labeled samples and fuzzy clustering index on the whole dataset. Gravitational search algorithm (GSA) is used to solve the clustering model, while centers of clusters, feature weights and parameter of kernel function are selected as optimization variables. And then, new fault samples are identified and diagnosed by calculating the weighted kernel distance between them and the fault cluster centers. If the fault samples are unknown, they will be added in historical dataset and the SWKC-GS is used to partition the mixed dataset and update the clustering results for diagnosing new fault. In experiments, the proposed method has been applied in fault diagnosis for rotatory bearing, while SWKC-GS has been compared not only with traditional clustering methods, but also with SVM and neural network, for known fault diagnosis. In addition, the proposed method has also been applied in unknown fault diagnosis. The results have shown effectiveness of the proposed method in achieving expected diagnosis accuracy for both known and unknown faults of rotatory bearing.     

基于群智能加权核聚类的水电机组故障诊断

针对核聚类中核参数选择依赖经验,最优聚类中心难以有效获取的问题,提出了一种仿电磁蜂群加权核聚类算法。首先,考虑不同特征对聚类结果的影响,对样本进行加权处理,利用核空间的Xie-Beni指标建立加权核聚类模型;然后,提出并引入仿电磁蜂群算法求解聚类模型,实现聚类中心、特征权重与核参数的同步寻优。利用该方法分别对3组标准测试样本集以及水电机组故障样本进行聚类测试,并与传统方法进行对比分析。试验结果表明,提出的仿电磁蜂群加权核聚类算法较传统聚类方法具有更高的精度,能够有效实现水电机组振动故障的准确聚类与识别,完成故障诊断。     

基于模糊核聚类和引力搜索的风电齿轮箱故障诊断

为了诊断风电齿轮箱已知类别和未知类别的故障,提出了基于模糊核聚类和引力搜索的故障诊断方法。首先建立以训练样本分类错误率为目标的聚类模型,利用模糊核聚类对训练样本进行分类;然后利用引力搜索算法求解聚类模型,获得最优分类结果下每个类的类心;最后根据新样本与各类心之间的核空间样本相似度判断属于已知故障或者未知故障。结果表明,该方法准确度高,可有效用于风电齿轮箱故障诊断。     

基于粒子群优化KFCM的风电齿轮箱故障诊断

针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。     

A Quantitative Intelligent Diagnosis Method for Early Weak Faults of Aviation High-speed Bearings

An intelligent diagnosis method based on support vector machine (SVM) is proposed to quantitatively diagnose early weak faults of high-speed aero-engine’s bearings. In order to achieve a better performance in contrast with conventional kernel function, a mixed kernel function is constructed and particle swarm optimization (PSO) is used to optimize kernel coefficients and other parameters. Experimental raw data is preprocessed by sparse decomposition and reconstruction method to remove noise in original signals, which can provide effective and reliable samples for SVM. In order to verify the validity of the proposed method, experiments on different fault types with different defect sizes of high-speed bearings working at 30000rpm are carried out. The results show that the accuracy of the proposed method is greatly improved compared with traditional SVM. The proposed method can not only distinguish different types of failure but also distinguish different degrees of the same fault pattern, which achieves a quantitative intelligent diagnosis of early weak faults in aviation’s high-speed bearings.     

基于混合核函数支持向量机的齿轮诊断方法研究

支持向量机是一种基于统计学习理论的新型机器学习方法,它具有在训练样本很少的情况下达到很好的分类效果的优点.把支持向量机技术应用于齿轮故障诊断,通过预先使用局部、全局核函数支持向量机的分类结果适当选取各自在混合函数中的权重,来作为混合核函数进行支持向量机分类.实验和数据分析证明,使用混合核的支持向量机比单独使用全局或局部...     

基于Volterra频域核和神经网络的非线性模拟电路故障诊断法

本文提出基于非线性电路频域核的神经网络诊断方法。通过范德蒙特法得到各种工作状态下电路响应的各阶频域核,提取故障特征并适当预处理后与相应的电路工作模式一起构成输入/输出样本集,利用训练样本和测试样本分别对神经网络训练和测试,借助神经网络实现故障诊断。文中给出了各阶频域核的递推算式和求解方法,并通过一个基于递归神经网络的非线性电路诊断实例加以验证。     

基于半监督模糊核聚类的齿轮箱离群检测方法

研究核聚类方法在机械故障检测中的应用问题,将基于半监督学习的模糊核聚类方法用于齿轮箱离群故障的检测。机械故障早期检测的难点是故障特征微弱、样本差异小,基于半监督学习的核聚类方法利用少量已知模式的样本,结合大量未知模式的样本进行半监督学习,得到较好的识别效果。进行齿轮箱正常运行和齿轮轻微点蚀的故障试验,比较基于半监督学习的核聚类方法与无监督学习核聚类方法的检测效果。试验结果表明,基于半监督学习的核聚类方法性能更优越。