基于VMD和改进的FastICA算法的旋转机械故障信号分离方法研究

针对分离出的旋转机械故障信号的非线性非平稳性问题,本文提出一种对旋转机械故障信号分离的方法。首先针对以往利用EMD方法分解的特征信号存在的模态混叠问题,利用VMD方法完成对旋转机械故障特征信号的分解。其次,选取相应的分解后特征信号构成观测序列,利用FastICA算法对观测序列进行分离得到源信号,最后针对FastICA算法的收敛性差、对初始值敏感等缺陷进行改进,提出一种基于VMD和改进FastICA算法的旋转机械故障信号分离方法。经实验验证,该方法提高FastICA算法收敛速度,提升旋转机械故障信号分离质量。     

基于切片谱免疫系统的旋转机械故障诊断

根据旋转机械故障振动信号的特点,本文基于免疫学机制,提出了切片谱免疫故障诊断方法,建立了基于该方法的诊断模型,介绍了该诊断方法的实现过程.切片谱免疫故障诊断方法利用双谱对先验故障样本进行分析,获得与旋转机械故障类型一一对应的特征样本,将特征样本归一化作为人工免疫系统(AIS)模式识别的特征向量,利用AIS中的阴性选择算法(NSA)进行自己-非己匹配运算得到检测器集,然后将建立(训练)好的检测器集应用于实时故障诊断.通过轴承故障诊断的实验,结果表明,本方法是可行和有效的.     

决策树算法在诊断机械故障信息挖掘中的应用

为了加强故障信息数据挖掘力度,减少人力物力资源浪费,解决机械故障图像检测的特征信息、高分辨属性描述清晰度有限等问题,在决策树算法的基础上构建一种诊断机械故障信息挖掘方法。对机械故障检测图像中连续小波进行离散化处理,提取小波变换特征,将多次分解后的小波变换特征集成为并行结构;根据包含小波变换特征集并行结构的子集节点,在决策树算法中引入C4.5算法,优化挖掘出具有较高取值信息增益的灰度级,并通过校正矩阵将每个样本图像构造成多个不同的训练数据集,去除不同的属性子集,形成众多深度树,重复选择,直到得到目标数据。仿真实验结果表明,所提出的算法具有计算简单、挖掘效率高等优点,能够在最短时间内获取最优数据挖掘结果,可以广泛应用在现实生活中。     

基于切片谱RBF神经网络的旋转机械故障诊断

结合切片谱和RBF神经网络提出一种切片谱RBF神经网络旋转机械故障诊断方法。该方法以信号的切片谱为故障特征量,以RBF神经网络为分类器,进行旋转机械故障诊断。轴承故障的诊断结果表明,该方法是可行和有效的。     

多重分形在旋转机械故障诊断中的应用

针对旋转机械故障特点 ,提出利用多重分形广义维数来描述信号特征 ;以振动信号模式空间样本库为基础 ,给出利用维数相关系数进行故障识别的旋转机械故障诊断方法。应用于圆盘故障诊断 ,效果令人满意     

基于嵌入式SRVPMCD的模式识别方法

针对多变量预测模型（VPMCD）模式识别方法的固有缺陷和机械故障特征难以选择的难题,即特征维数较多时对时效性的影响和特征选择需要引入主观因素的现状,提出了一种基于嵌入式的逐步回归多变量预测模型（SRVPMCD）模式识别方法。该方法首先通过逐步回归引入变量并计算其显著水平,建立只包含显著特征值的预测模型,同时实现嵌入式特征选择和建模分类的功能,然后用所建立的预测模型来预测待分类样本的特征值,最后把预测结果作为分类依据进行模式识别。对滚动轴承故障信号的分析结果表明,基于嵌入式SRVPMCD的模式识别方法可以实现特征选择和分类的双重功能,在保证识别精度的前提下,比原VPMCD方法及其组合方法可以更快地识别滚动轴承的工作状态和故障类型。     

局域均值分解和1.5维谱在机械故障诊断中的应用

针对机械故障振动信号的非线性、非平稳特征,提出了局域均值分解和1.5维谱相结合的机械故障诊断方法。该方法首先对信号进行局域均值分解,将其分解为若干个PF分量之和,然后运用1.5维谱方法对含有故障特征信息的PF分量进行特征提取。该方法具有抑制高斯白噪声、检测非线性耦合特征等特性。仿真信号与机械故障诊断工程实例的分析验证了该方法的有效性。
     

自动上料搅拌车电气控制系统机械故障定位方法

自动上料搅拌车电气控制系统的结构比较复杂,工作时经常会出现一系列机械故障,而传统的机械故障定位方法不足以精确找到故障位置。为了缩短处理机械故障的时间,提高寻找机械故障的准确率,提出了自动上料搅拌车电气控制系统机械故障定位方法。在引入机械故障定位理论的基础上,计算机械故障点距离,确认机械故障类型,实现自动上料搅拌车电气控制系统机械故障定位。实验数据表明,设计的机械故障定位方法相比于传统定位方法,对自动上料搅拌车电气控制系统的机械故障定位精准度高。     

基于离散粒子群优化算法的汽车发动机故障特征选择

最优特征选择属于组合优化范畴,针对汽车发动机机械故障特征选择问题,分析了冗余特征的存在对于故障分类器分类性能的影响,选择最优特征组合可以提高故障分类的正确率,提出基于离散粒子群算法的特征优化组合算法,利用BP神经网络评价特征优化的性能,并将其应用到汽车发动机曲轴轴承磨损故障诊断中.实验结果表明,与遗传算法相比,基于离散粒子群算法的特征优化算法优化效率较高,分类正确率较高,优化后的特征集可以显著地提高故障分类器的分类性能.     

多小波系数特征提取方法在故障诊断中的应用

针对机械故障的特征提取问题,提出一种基于多小波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进行多小波分解;其次,利用分解后各层多小波系数的统计特征包括最大值、最小值、均值和标准差作为该工况振动信号的特征向量;最后,利用支持向量机的方法对机械故障进行识别。对滚动轴承正常状况与内圈故障、滚动体故障、外圈故障3种故障及多种损伤程度的实测振动信号进行故障识别试验,试验结果表明,该方法用于机械故障诊断可以获得较高的识别率,识别效果要优于基于单小波系数统计特征的识别方法,具有一定的工程应用价值。     

遗传算法在故障特征选择中的应用研究

Feature selection is an important step in fault diagnosis owing to its considerable reduction in redundant features to enhance the effect of diagnosis. In view of the deficiencies of traditional combination optimization method, a new method based on genetic algorithm is proposed in the paper. According to the results of computer simulation and practical diagnosis example, it is proved that this method possess excellent parallelism and optimization property.     

优化VMD与CNN在齿轮箱故障诊断应用研究

针对齿轮箱的故障诊断的优化问题,提出了一种基于参数优化的变分模态分解（VMD）与卷积神经网络（CNN）相融合的故障诊断方法。该算法首先通过鲸鱼优化算法对VMD算法进行优化,之后通过正交实验法与粒子群优化算法进行了CNN模型中的重要参数进行优化,最后将分解后得到的固有模态分量输入CNN模型中进行训练学习。诊断完成后得到训练与检测结果,其中经过算法优化后CNN模型的训练与检测准确率可达98.7%与95.7%,优于未优化的准确率94.3%与91.8%。通过对结果的分析验证出该算法的可行性以及在诊断成功率方面的优越性,实现了故障特征信息的自适应性提取,并将故障类型进行分类,最终实现齿轮箱故障诊断的智能化。     

基于PSO优化的RBF网络液压泵故障诊断研究

提出了以小包分解和粒子群优化的径向基神经网络(RBFNN)为基础的液压泵故障诊断方法。通过小波包分解对振动信号做降噪处理并提取相应的故障信号的特征能量值,将此特征能量值作为神经网络的输入,再采用粒子群算法对神经网络的数据中心和宽度、输出权值和阈值进行优化,并将其分别与基于传统神经网络和基于遗传算法优化的故障诊断方法进行对比分析。对比结果表明,该方法具有很好的诊断效果。     

基于连续小波变换的信号检测技术与故障诊断

通过分析指出,连续小波变换具有很强的弱信号检测能力,非常适合故障诊断领域。从参数离散到参数优化系统研究了连续小波变换的工程应用方法,建立了“小波熵”的概念,并以此作为基小波参数的择优标准。论文最后把连续小波技术应用在滚动轴承滚道缺陷和齿轮裂纹的识别中,诊断效果十分理想。     

机械优化设计数学模型中约束条件诊断的缩小公共域法

分析了优化设计数学模型的特点，以及优化设计数学模型诊断中的一些关键技术问题，主要研究了利用逐步缩小公共域的方法对约束条件进行诊断。通过实例的应用和计算，成功地把逐步缩小公共域的方法应用于对约束条件的诊断，得到了满意的结果。     

一种聚类优化融合故障诊断方法及其应用

针对单一聚类诊断方法难以准确、全面识别不同故障状态的问题,提出了一种聚类优化融合故障诊断方法。分别利用社团聚类、K均值聚类及粒子群聚类三种方法对故障进行识别,得出三种聚类方法对应的故障识别准确率,在此基础上构建初始权值矩阵,并通过遗传算法对初始判断矩阵与三种聚类方法进行优化,得到最优权值矩阵与优化的聚类模型,用于融合诊断。轴承故障诊断实例结果表明,该聚类融合诊断方法能够有效提高故障识别准确率。     

基于CS-BBO优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于混沌的生物地理学优化算法(biogeography-based optimization with chaos,简称CS-BBO)和支持向量机(support vector machine,简称SVM)相结合的故障诊断方法。首先,将混沌理论引入到生物地理学优化算法(biogeography-based optimization,简称BBO)中,得到CS-BBO算法;其次,通过CS-BBO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性。结果表明:CS-BBO算法优化SVM的模型可以准确、高效地对汽轮机转子进行故障诊断;与BBO算法优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

Multi-fault diagnosis study on roller bearing based on multi-kernel support vector machine with chaotic particle swarm optimization

A novel intelligent fault diagnosis model based on multi-kernel support vector machine (MSVM) with chaotic particle swarm optimization (CPSO) for roller bearing fault diagnosis is proposed. Multi-kernel support vector machine is a powerful new tool for roller bearing fault diagnosis with small sampling, nonlinearity and high dimension. Chaotic particle swarm optimization is developed in this study to determine the optimal parameters for MSVM with high accuracy and great generalization ability. Moreover, the feature vectors for fault diagnosis are obtained from vibration signal that preprocessed by time-domain, frequency-domain and empirical mode decomposition (EMD) and the typical manifold learning method LTSA is used to select salient features. The experimental results indicate that this proposed approach is an effective method for roller bearing fault diagnosis, which has more strong generalization ability and can achieve higher diagnostic accuracy than that of the single kernel SVM or the MSVM which parameters are randomly extracted.     

汽轮机故障诊断的粒子群优化加权模糊聚类法

针对模糊C-均值算法在汽轮机故障诊断中的不足,提出了粒子群优化加权模糊聚类分析的方法.首先,采用基于样本相似度的特征加权方法对样本特征及样本进行加权,以适应各种复杂分布的样本;然后,利用粒子群算法优化加权模糊聚类的特征权值和聚类目标函数,并依据聚类有效性指标自适应确定最佳聚类数及聚类结果.试验结果表明,该方法具有收敛速度快和全局收敛的特点,有效降低了汽轮机故障诊断的误分类率,诊断结果可靠.     

A hybrid fault diagnosis methodology with support vector machine and improved particle swarm optimization for nuclear power plants

The safety and public health during nuclear power plant operation can be enhanced by accurately recognizing and diagnosing potential problems when a malfunction occurs. However, there are still obvious technological gaps in fault diagnosis applications, mainly because adopting a single fault diagnosis method may reduce fault diagnosis accuracy. In addition, some of the proposed solutions rely heavily on fault examples, which cannot fully cover future possible fault modes in nuclear plant operation. This paper presents the results of a research in hybrid fault diagnosis techniques that utilizes support vector machine (SVM) and improved particle swarm optimization (PSO) to perform further diagnosis on the basis of qualitative reasoning by knowledge-based preliminary diagnosis and sample data provided by an on-line simulation model. Further, SVM has relatively good classification ability with small samples compared to other machine learning methodologies. However, there are some challenges in the selection of hyper-parameters in SVM that warrants the adoption of intelligent optimization algorithms. Hence, the major contribution of this paper is to propose a hybrid fault diagnosis method with a comprehensive and reasonable design. Also, improved PSO combined with a variety of search strategies are achieved and compared with other current optimization algorithms. Simulation tests are used to verify the accuracy and interpretability of research findings presented in this paper, which would be beneficial for intelligent execution of nuclear power plant operation.