基于多小波包和邻域粗糙集的故障诊断模型

为了解决机械设备复合故障难以正确识别的问题,提出一种基于多小波包和邻域粗糙集的机械故障诊断模型.首先,采用多小波包对原始振动信号进行分解,分别提取原始信号和各分解频带信号的时域特征组成原始特征;然后,采用邻域粗糙集方法筛选出敏感特征作为多分类支持向量机的输入,实现机械设备不同状态的自动识别.模型应用结果表明相比于传统小波包,多小波包分解够提取到更丰富的故障信息和获得较高的识别精度;邻域粗糙集能够从大量的原始特征中选择出敏感特征,减小分类算法的复杂性,进一步提高分类准确率.该模型在复合故障的诊断方面具有显著优势.     

基于支持向量机集成的模拟电路故障诊断

为了解决模拟电路故障诊断复杂多样难于辨识的问题,有效提高分类的准确度,提出了一种支持向量机集成的故障诊断方法.首先,该方法对采集信号进行Haar小波变换,提取1~5层小波变换的每层第1个低频系数构成特征集.然后将特征集输入集成支持向量机,实现对不同故障类型进行识别.将该方法应用于Sallen-Key带通和4运放双二次高通滤波电路进行故障诊断实验,结果表明,该方法比单一支持向量机、径向基神经网络、BP神经网络和集成K-NN分类器有更好的分类和泛化性能,故障诊断准确率更高.     

基于优选小波包和PSO-SVM的失火故障诊断

小波包变换在柴油机故障特征提取中应用广泛,其中,小波包基函数的选取对特征提取性能的影响至关重要。基于此提出了1种优选小波包和粒子群优化支持向量机(PSO-SVM)的失火诊断方法。首先,选择5种不同类型的离散小波包基函数分别对缸盖振动信号进行小波包多层分解;然后,计算缸盖振动信号的小波包能量与信息熵的比值,从中选择比值最大的小波包基函数作为最优的小波包基函数;进一步,采用最优小波包基函数分解缸盖振动信号并提取小波包频带能量概率密度作为特征向量,以及构造故障诊断特征集;最终,将故障诊断特征集输送到粒子群优化支持向量机中进行柴油机失火诊断识别。实验结果表明,利用最优小波包基函数提取特征具有良好的效果,同时PSO-SVM的识别准确率达到97.5%,说明了优选小波包和PSO-SVM的诊断方法是可行且有效的。     

基于小波包变换和GA-PLS算法的故障特征选择方法

为了提高故障诊断的分类精度,减小分类运算时间等问题,需要从原始特征集合中选择出更为优化的特征子集合,因此,提出了一种基于小波包变换和GA-PLS算法的特征选择方法。首先,采用小波包变换对提取出的振动信号进行分解,从而得到小波包的分解系数;其次,运用遗传算法 偏最小二乘法从原始信号和小波包系数的统计学特征中选择出最优特征集;最后,将最优特征集作为输入,输入到支持向量机中以实现对不同故障的诊断与识别。应用于轴向柱塞泵故障诊断中,与现有特征选择方法对比,实验结果验证了本研究特征选择方法的有效性。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

基于小波包自适应Teager能量谱的滚动轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及从小波包分解后的频带不能有效确定并自适应提取共振带的问题,提出了频带幅值熵的概念。在此基础上,将小波包变换和Teager能量谱结合,提出了基于小波包变换自适应Teager能量谱的早期故障诊断方法。该方法首先利用小波包对采集到的振动信号进行分解,并计算各子带的频带幅值熵。然后将熵值按升序排列后依次作为阈值,提取频带幅值熵大于阈值的子带,依据峭度指标确定最佳熵阈值以及小波包最佳分解层数,从而自适应并且有效地提取出共振带。最后对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与实验数据分析验证了该方法的有效性。     

基于WPT-SVM电动调节阀故障诊断研究

电动调节阀发生故障时,振动信号各频带的能量会相应发生变化。采用小波包对信号进行能量分解,通过小波包信息特征分析对支持向量机进行优化,得到诊断模型最佳参数,可以有效地对电动调节阀信号进行故障诊断并进行分类。实例表明,WPT优化SVM模型可以更加高效地对燃汽轮机进行故障诊断,提高了故障诊断的分类准确率,为电动执行机构信号的故障诊断提供了可行有效的方法。     

往复泵泵阀的谐波小波包分析及LS-SVM方法研究

针对往复泵泵阀冲击振动信号的非平稳特性,运用谐波小波包能量特征提取和最小二乘支持向量机(LSSVM)相结合的方法识别泵阀故障。通过对泵阀冲击振动信号进行谐波小波包分解,提取各频段谐波小波包系数的能量值,将各频段能量值组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,并将谐波小波包与小波包在泵阀故障诊断中的诊断准确率进行了比较。试验结果表明将谐波小波包分解和LS-SVM相结合可以准确有效地识别泵阀故障类型。     

基于子小波布置和系数融合的轴承故障诊断

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于子小波布置策略和小波系数融合的故障诊断方法。首先,布置子小波并进行小波变换;然后,根据峰度指标对多尺度小波系数进行融合集成;最后,运用自相关谱抑制噪声,突出故障信息。通过仿真信号和实际信号对该方法进行了验证,结果表明,该方法能够提取出微弱的故障特征,实现滚动轴承的早期故障诊断。     

滚动轴承早期冲击性故障特征提取的综合算法研究

针对滚动轴承早期微弱冲击性故障信号特征难以提取的问题,提出了共振解调结合小波包系数熵阈值降噪的综合算法,用于准确确定并提取早期微弱冲击性故障引起的共振调制边频带。该算法应用时延相关和小波包系数熵阈值算法实现信号的双重降噪,并依据共振带能量比确定小波包分解的最佳分解尺度和选取熵阈值的最佳阈值,寻求共振带的最优解,然后进行共振解调提取故障信号特征。实验数据分析结果表明了该算法对滚动轴承早期冲击性故障提取的可行性和有效性。     

Fault diagnosis of rotating machinery based on improved wavelet package transform and SVMs ensemble

This paper presents a novel method for fault diagnosis based on an improved wavelet package transform (IWPT), a distance evaluation technique and the support vector machines (SVMs) ensemble. The method consists of three stages. Firstly, with investigating the feature of impact fault in vibration signals, a biorthogonal wavelet with impact property is constructed via lifting scheme, and the IWPT is carried out to extract salient frequency-band features from raw vibration signals. Then, the faulty features can be detected by envelope spectrum analysis of wavelet package coefficients of the most salient frequency band. Secondly, with the distance evaluation technique, the optimal features are selected from the statistical characteristics of raw signals and wavelet package coefficients, and the energy characteristics of decomposition frequency band. Finally, the optimal features are input into the SVMs ensemble with AdaBoost algorithm to identify the different abnormal cases. The proposed method is applied to the fault diagnosis of rolling element bearings, and testing results show that the SVMs ensemble can reliably separate different fault conditions and identify the severity of incipient faults, which has a better classification performance compared to the single SVMs.     

NEW METHOD FOR WEAK FAULT FEATURE EXTRACTION BASED ON SECOND GENERATION WAVELET TRANSFORM AND ITS APPLICATION

A new time-domain analysis method that uses second generation wavelet transform (SGWT) for weak fault feature extraction is proposed. To extract incipient fault feature, a biorthogonal wavelet with the characteristics of impact is constructed by using SGWT. Processing detail signal of SGWT with a sliding window devised on the basis of rotating operation cycle, and extracting modulus maximum from each window, fault features in time-domain are highlighted. To make further analysis on the reason of the fault, wavelet package transform based on SGWT is used to process vibration data again. Calculating the energy of each frequency-band, the energy distribution features of the signal are attained. Then taking account of the fault features and the energy distribution, the reason of the fault is worked out. An early impact-rub fault caused by axis misalignment and rotor imbalance is successfully detected by using this method in an oil refinery.     

基于提升小波和PNN的三容水箱故障诊断

针对三容水箱是典型的非线性多变量耦合系统,提出将提升小波和概率神经网络相集合(LWPNN)方法用于三容水箱液位故障诊断.首先,建立三容水箱数学模型以获取实验数据,之后利用提升小渡对数据快速降噪,最后通过概率神经网络进行故障分类.实验结果表明,LWPNN集合方法较传统PNN故障诊断方法有较高的故障诊断率,是一种有效的故障...     

基于核熵成分分析的模拟电路早期故障诊断方法

针对模拟电路早期故障诊断中存在部分早期故障类别重叠的难点,提出了一种基于核熵成分分析的故障诊断方法。首先应用小波分形分析计算被测电路时域响应信号的小波分形维特征,然后利用核熵成分分析方法进行特征的优选与降维,最后将优选和降维后的特征应用最小二乘支持向量机多类分类器进行区分,其中用于识别重叠故障类别的最小二乘支持向量机的参数由量子粒子群算法优化选择。仿真结果表明,本文提出的核熵成分分析方法能较好地获取故障响应信号的本质特征,并表现出了比其他特征提取方法更好的性能,有助于提高模拟电路早期故障的诊断正确率。     

滚动轴承故障特征信息的自动提取方法研究

提出基于小波包分析和包络检测的滚动轴承故障特征信息的自动提取力法。根据滚动轴承的故障冲击能激起轴承座或其他机械零部件产生共振的特性，对轴承振动信号进行快速傅里叶变换FFT分析，在频谱图中自动识别高频共振频带。然后利用小波包分析可以在全频带内把信号分解到相邻的不同频带上的特性，对滚动轴承的振动信号进行小波包分解，自动提取共振频带上的信号并进行重构。最后，对重构后的信号进行包络检波，实现滚动轴承故障特征信息的自动提取。通过对实际滚动轴承振动信号的分析，发现这种方法能非常有效地检测和诊断滚动轴承的故障．     

基于自适应最优Morlet小波的滚动轴承故障诊断

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。     

Transducer invariant multi-class fault classification in a rotor-bearing system using support vector machines

Faults in a rotor-bearing system due to bearings and unbalance have been classified using support vector machines (SVMs). Vibration signals on a rotor-bearing system were measured simultaneously at five different rotating speeds using seven transducers. The most sensitive feature of the vibration signals has been determined using compensation distance evaluation technique. Multi-class SVMs classification algorithm was then implemented for classification of the faults by considering SVMs created by the possible combinations of the most two sensitive features for each type of fault. By using optimal SVM parameters, the effective location of transducer among seven transducers for best classification of the faults has been investigated and found that any transducer provides a classification of 75% or better and this classification rate increases when more transducers are considered. This paper provides a robust SVM based technique using only time domain data without any additional preprocessing for classifying bearing and unbalance faults.     

基于LCD的自适应小波脊线解调及齿轮故障诊断

针对最佳小波参数的设定和齿轮裂纹故障振动信号频率成分复杂、信噪比低等问题,将遗传优化算法、小波脊线解调与局部特征尺度分解(local characteristic-scale decomposition,简称LCD)相结合,提出了基于LCD的自适应小波脊线解调方法。首先,采用LCD方法将原始信号分解为若干个内禀尺度分量(intrinsic scale component,简称ISC),并通过选择蕴含特征信息的ISC来实现信号降噪;然后,以小波能量熵为目标函数,采用遗传算法优化小波参数,得到自适应小波;最后,通过自适应小波分析提取ISC的小波脊线,从而实现对原始信号的解调分析。通过齿轮裂纹故障诊断实例验证了该方法的有效性和优越性。     

基于提升小波和递推LSSVM的实时故障诊断方法

提出了一种基于提升小波(LW)与递推最小二乘支持向量机(RISSVM)相集合的实时故障诊断方法(LW-RLSSVM).该方法首先通过提升小波变换对数据实时去噪,再通过实时算法训练最小二乘支持向量机分类器.由于采用了递推算法,节省了存储空间和运算时间,同时增加了诊断模型的适应性.为验证所提方法的有效性,将LW-RLSSVM应用于TE过程和青霉素发酵过程.实验结果表明,LW-RLSSVM集合方法能有效实现实时故障诊断,在诊断速度和适应性方面,优于基于第一代小波与LSSVM相集合(W-LSSVM)的故障诊断方法;在诊断精度等方面,该方法优于LSSVM、RLSSVM等方法.     

基于小波包—坐标变换的滚动轴承故障特征增强方法

滚动轴承早期故障特征信号微弱且易受正常成分干扰,因此不易准确识别滚动轴承的早期故障.对含有微弱故障的滚动轴承信号进行小波包分解,通过对小波包分解得到的各子带进行研究,提出一种基于小波包—坐标变换(Wavelet packet-coordinate transformation,WP-CT)的故障特征增强方法.考虑到各频...