基于同步压缩广义S变换的发动机故障诊断

为提高发动机故障诊断准确率,提出了基于同步压缩广义S变换（synchrosqueezing generalized S?transform,简称SSGST）与中心对称局部二值模式（center?symmetric local binary patterm,简称CSLBP）的故障诊断方法。首先,针对信号时频分析中的能量泄露、频谱涂抹、频带混叠和时频分辨率较低的问题,基于同步压缩算法与广义S变换提出了SSGST,对缸盖振动信号进行时频分析得到时频聚集性较高的二维时频图;然后,利用CSLBP提取缸盖振动信号时频图的纹理谱特征,并将其输入交叉验证寻优的核极限学习机对发动机进行故障诊断。实验结果表明,SSGST的能量聚集效果好,时频分辨率高,各频带分布较窄且不存在混叠,能够有效分离出非线性混合信号中的各频带分量;时频图的CSLBP纹理谱特征维数较低,且具有良好的类内聚集性和类间离散性;利用交叉验证寻优的KELM对故障特征进行分类,实现发动机故障诊断,获得了较高的诊断速度和精度。     

柴油机振动谱图纹理增强的NMF特征提取方法

针对柴油机振动加速度信号特征提取困难的问题,提出一种对时频图像纹理信息进行增强的矩阵非负分解方法,用于提取柴油机振动信号的时频特征。首先,利用匹配追踪算法(MP)结合Wigner-Ville分布获取时频分辨率较好的时频表征;然后引入局部二值模式(LBP)算子对时频图像的灰度矩阵重新编码,再利用非负矩阵分解算法(NMF)获取时频图像对应的低维特征参量,以增强时频图像的纹理特征,提高NMF的特征提取效果。通过对柴油机4种不同状态的振动信号进行分析研究,可得出结论:该方法能有效地表达柴油机缸盖振动加速度信号的时频特征,可用于准确地诊断柴油机的气门故障。     

应用时频图像纹理特征的行星齿轮故障诊断

行星齿轮箱结构复杂,当发生故障时其振动信号呈非线性非平稳特点且故障信号微弱,为了能够准确提取行星齿轮磨损故障信息的特征,提出局部均值分解（local mean decomposition,简称LMD）结合S变换（LMD?S）的信号处理方法,且转化为时频分布图像,应用时频图像纹理特征进行行星齿轮故障诊断。首先,把振动信号经由LMD?S变换处理后利用相关分析方法滤除干扰且转化为时频分布图像;其次,利用非均匀局部二值模式（local binary patterns,简称LBP）提取不同工况下采集数据的图像纹理特征;最后,采用极限学习机识别出3种故障类型,故障识别准确率达到90%,证明了此方法的有效性。     

基于广义S变换与双向2DPCA的轴承故障诊断

将轴承故障诊断问题转化为故障信号时频图像的识别问题,提出一种采用双向二维主成分分析(two-directional,two-dimensional,principal component analysis,简称TD-2DPCA)的时频图像矩阵特征提取方法。首先,利用广义S变换将轴承故障信号变换为时频域图像,采用一种双向压缩的二维PCA方法对图像信息进行特征提取;然后,进行了轴承故障试验,分别采集了轴承在正常、内圈故障及外圈故障状态下的振动信号,采用所述方法对轴承3种状态下的时频分布图像进行特征提取,并根据集成矩阵距离(assembled matrix distance,简称AMD)实现图像的分类识别。试验结果表明,结合广义S变换的双向2DPCA特征提取算法可有效提高计算效率,同时具有良好的诊断性能。     

基于改进LBP的人脸面部表情特征提取方法（英文）

面部表情识别中,局部二值模式(Local binary pattern, LBP)是一种重要的纹理特征提取方法,但其在特征提取时维度较高、提取速度慢、不能得到有效的局部或者全局特征,因而提出了一种基于改进LBP的人脸面部表情特征提取方法。该将LBP转化为双局部二值模式(Double local binary pattern, DLBP),融合泰勒展开式(Taylor expansiion, TE),生成DLBP-TE算法,此算法结合极限学习机(Extreme learning machine, ELM)分类算法应用于七种表情分类中,在日本成年女性面部表情(JAFFE)数据库中进行实验。结果表明,此方法能显著提高面部表情识别率。     

S变换用于滚动轴承故障信号冲击特征提取

为从低信噪比的滚动轴承故障信号中提取出冲击特征,以便于进行轴承故障诊断,引入S变换的信号处理方法。以短时傅里叶变换（short time Fourier transform,简称STFT）以及连续小波变换（continuous wavelet transform,简称CWT）为理论基础,分别推导得出了连续S变换的定义式,并利用快速傅里叶变换（fast Fourier transform,简称FFT）实现S变换离散化计算。S变换克服了STFT时频分辨率固定的缺点,弥补了CWT缺乏相位信息的不足。仿真信号研究表明,S变换在信号整个频带上具有良好的时频分辨率和时频聚集性,能够提取低信噪比信号中的冲击特征,且性能优于STFT和CWT。最后对一组实际的滚动球轴承故障振动信号进行S变换处理,结果表明,S变换能够方便有效地从中提取出周期性的冲击特征,从而指导滚动轴承相关故障的诊断。     

基于轮廓波变换和局部二元模式的齿轮箱故障分类方法研究

针对实际工况中难于提取齿轮箱故障特征的问题,根据轮廓波变换的全局纹理和局部二元模式的局部纹理特性,提出了一种基于振动信号时频图像的故障特征提取方法。首先,利用小波变换将振动信号变换到时频域并得到其时频灰度图像;然后,对该灰度图像进行轮廓波变换,得到低频和高频子带部分,提取低频子带的均值和标准差以及高频子带各层的能量均值作为一部分特征向量;同时,对该时频灰度图像进行局部二元模式的特征值提取并得到另一部分特征向量,将两部分特征向量进行组合连接得到最终的特征向量;最后,利用支持向量机对齿轮箱不同程度故障进行分类测试,实验结果表明了该方法的有效性,为机械设备的模式识别提供了一种方法。     

基于S变换谱核密度估计的齿轮故障诊断

针对齿轮在故障损伤状态下的振动信号,提出一种基于S变换谱二维核密度估计的冲击特征提取方法,以实现齿轮的故障诊断。该方法首先对包含冲击特征的振动信号进行S变换;然后将S变换谱乘以一个系数后圆整,得到一个整数矩阵;最后以S变换谱的时间和频率构成一个二维随机变量,以整数矩阵中的元素值作为二维随机变量各个采样样本的个数,对二维随机变量进行核密度估计,并最终得到一个二维核密度函数。该核密度函数相当于由S变换谱经过一次平滑去噪的过程获得,其中的噪声得到了有效的抑制,而冲击特征则得到了加强与突显。仿真振动信号和齿轮箱故障振动信号的分析结果表明,该方法能够有效地强化并提取出振动信号中周期性的冲击特征,从而实现齿轮箱相关故障的诊断。     

内燃机变分模态Rihaczek谱纹理特征识别诊断

针对内燃机故障诊断中振动响应信号强耦合、弱故障特征的问题,提出一种基于内燃机振动谱图纹理特征提取的故障诊断方法。首先,为了清晰地刻画内燃机振动信号时频联合分布中的非平稳时变分量,将变分模态分解(VMD)与Rihaczek复能量密度分布方法有效结合,得到了时频聚集性好、无交叉项干扰的内燃机振动谱图像;针对VMD分解过程中的参数选取问题,提出将功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性。为了实现对内燃机振动谱图像的自动识别及故障诊断,提出了改进的局部二值模式(ILBP)方法,用来对振动谱图中蕴含的纹理信息进行分析,提取低维特征参量并采用最近邻分类器对内燃机不同工况的振动谱图像进行模式识别。将该方法应用于内燃机故障诊断实例中,结果表明该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机故障的自动诊断。     

基于离散广义S变换与双向二维主成分分析的内燃机故障诊断

针对内燃机气阀机构的故障诊断问题,提出一种将离散广义S变换和双向二维主成分分析（TD-2DPCA）相结合的诊断方法。该方法首先利用离散广义S变换将内燃机缸盖振动信号生成振动谱图像,然后利用TD-2DPCA对图像进行特征提取,有效减小特征系数矩阵的维数,最后,通过最近邻分类器进行分类识别。将该方法应用于内燃机气阀机构8种工况的诊断实例中,对比不同时频表征及特征提取方法的计算效率和识别精度,结果表明该方法可为内燃机故障诊断提供一条新途径。     

基于SPWVD时频图纹理特征的滚动轴承故障诊断

针对如何提高滚动轴承故障诊断准确率的问题,提出一种基于平滑伪维格纳-威利分布(smooth and pseudo Wigner-Ville distribution,简称SPWVD)时频图纹理特征的故障诊断方法,对滚动轴承不同故障类型及故障程度进行识别。首先,采用SPWVD时频分析方法处理轴承故障振动信号,并获取时频图,从中提取选择表征能力优秀的特征参量作为故障特征;其次,将故障特征作为输入,结合支持向量机(support vectors machine,简称SVM)建立滚动轴承故障诊断模型;最后,采用轴承故障数据,比较SPWVD时频图纹理特征、维格纳-威利分布(Wigner-Ville distribution,简称WVD)时频图纹理特征和小波尺度谱图纹理特征3种故障特征的模式识别能力及准确率。分析结果表明,SPWVD时频图纹理故障特征分类效果最佳,敏感性最强,具有较高的故障诊断精度。     

基于双时域微弱故障特征增强的轴承早期故障智能识别

针对轴承早期微弱故障难以准确识别的问题,提出一种基于双时域微弱故障特征增强的轴承早期故障智能识别方法。利用广义S变换和Fourier逆变换推导出一种双时域变换,将轴承振动信号变换为双时域二维时间序列。根据双时域变换的能量分布特点,提取二维时间序列的主对角元素以构建故障特征增强的时域振动信号。仿真信号和轴承故障信号分析验证了双时域微弱故障特征增强的可行性和有效性。采用脉冲耦合神经网络和支持向量机对增强后的轴承信号进行时频特征参数提取和智能识别,平均识别精度达到了95.4%。试验结果表明所提方法能有效提高轴承早期故障的智能识别精度。     

Connected Components-based Colour Image Representations of Vibrations for a Two-stage Fault Diagnosis of Roller Bearings Using Convolutional Neural Networks

Roller bearing failure is one of the most common faults in rotating machines.Various techniques for bearing fault diagnosis based on faults feature extraction have been proposed.But feature extraction from fault signals requires expert prior information and human labour.Recently,deep learning algorithms have been applied extensively in the condition monitoring of rotating machines to learn features automatically from the input data.Given its robust per-formance in image recognition,the convolutional neural network(CNN)architecture has been widely used to learn automatically discriminative features from vibration images and classify health conditions.This paper proposes and evaluates a two-stage method RGBVI-CNN for roller bearings fault diagnosis.The first stage in the proposed method is to generate the RGB vibration images(RGBVIs)from the input vibration signals.To begin this process,first,the 1-D vibration signals were converted to 2-D grayscale vibration Images.Once the conversion was completed,the regions of interest(ROI)were found in the converted 2-D grayscale vibration images.Finally,to produce vibration images with more discriminative characteristics,an algorithm was applied to the 2-D grayscale vibration images to produce connected components-based RGB vibration images(RGBVIs)with sets of colours and texture features.In the second stage,with these RGBVIs a CNN-based architecture was employed to learn automatically features from the RGBVIs and to classify bearing health conditions.Two cases of fault classification of rolling element bearings are used to validate the proposed method.Experimental results of this investigation demonstrate that RGBVI-CNN can generate advan-tageous health condition features from bearing vibration signals and classify the health conditions under different working loads with high accuracy.Moreover,several classification models trained using RGBVI-CNN offered high performance in the testing results of the overall classification accuracy,precision,recall,and F-score.     

基于LMD能量特征的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的多载波多调制特性,提出一种基于局域均值分解(local mean decomposition,简称LMD)能量特征的特征向量提取方法,并与支持向量机相结合用于滚动轴承的故障诊断。首先,采用LMD方法将复杂调制振动信号分解为若干单分量信号乘积函数(production function,简称PF);然后,对反映信号主要特征的PF基于时间轴积分,得到各PF分量能量矩并构造特征向量;最后,将其输入多分类支持向量机中,用于区分滚动轴承的故障类型与故障程度。对滚动轴承内圈故障、外圈故障及滚动体故障振动信号的分析结果表明,该方法能有效提取滚动轴承各工作状态信号的故障特征,能准确识别故障类型,同时对故障程度的判断表现出较高的识别率。     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。     

小波变换在滚动轴承故障分析中的应用

采用离散小波变换对滚动轴承进行故障诊断,通过对测试到的故障轴承的振动速度信号进行分析,分别绘出故障信号的频谱图,对结果进行分析比较表明,离散小波分析技术在滚动轴承内圈及滚动体故障特征频率提取方面有较大的优越性。     

Identification of faults through wavelet transform vis-à-vis fast Fourier transform of noisy vibration signals emanated from defective rolling element bearings

Fault diagnosis of rolling element bearings requires efficient signal processing techniques. For this purpose, the performances of envelope detection with fast Fourier transform (FFT) and continuous wavelet transform (CWT) of vibration signals produced from a bearing with defects on inner race and rolling element, have been examined at low signal to noise ratio. Both simulated and experimental signals from identical bearings have been considered for the purpose of analysis. The bearings have been modeled as spring-mass-dashpot systems and the simulated signals have been obtained considering transfer functions for the bearing systems subjected to impulsive loads due to the defects. Frequency B spline wavelets have been applied for CWT and a discussion on wavelet selection has been presented for better effectiveness. Results show that use of CWT with the proposed wavelets overcomes the short coming of FFT while processing a noisy vibration signals for defect detection of bearings.     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

基于联邦多表示域适应的不同工况下滚动轴承故障诊断方法

针对不同工况下滚动轴承振动数据分布差异大、部分工况下的带标签数据难以获取、不同用户间数据不共享、单一用户 数据量少,导致建立诊断模型准确率不高的问题,提出一种联邦特征迁移学习框架以及基于联邦多表示域适应的不同工况下滚 动轴承故障诊断方法。 该方法对滚动轴承时域振动数据做小波变换得到时频谱图,将先验的有标签公共数据作为源域,多用户 无标签孤岛隐私数据作为目标域;引入多表示特征提取结构对原始残差网络进行改进,提取源域和目标域的多表示特征,分别 构建多用户本地模型;使用深度神经网络的模型压缩思想改进联邦迁移学习框架中的参数传递策略,增强联邦框架的安全性并 降低通信开销;在服务器端构建可用于不同工况下滚动轴承故障诊断的联邦全局模型。 经两种轴承数据集的实验验证,所提方 法无需多用户共享数据即可整合孤岛数据知识,建立有效的不同工况下滚动轴承故障诊断模型,平均故障诊断准确率可达 97. 6% ,相比单一用户建模提升至少 3. 2% 。