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。     

基于Wigner分布和分形维数的柴油机故障诊断

针对柴油机配气机构故障诊断问题,提出了一种基于Wigner分布和差分分形盒维数的故障诊断方法。首先,利用改进局部均值分解算法对柴油机缸盖振动信号进行分解,并采用相关性分析剔除噪声和伪分量;然后,分别对各相关分量进行Wigner时频分析,将结果线性叠加得到振动时频图,再提取图像的差分分形盒维数作为故障特征;最后,利用k-最近邻(k-NN)实现故障诊断。仿真结果表明,改进局部均值分解算法可以抑制Wigner分布交叉项的干扰。实验结果显示,差分分形盒维数优于其他6种典型故障特征,利用本研究提出的方法对配气机构进行故障诊断的正确率为97.2%,该方法可以用于柴油机配气机构故障诊断。     

改进时频分析和特征融合在内燃机故障诊断中的应用

针对基于内燃机振动信号的故障识别诊断问题，首先提出一种基于阈值筛选的变分模态分解(VMD)、玛基诺-希尔时频分布(MHD)的时频分析方法，该方法针对Cohen类时频分布存在的交叉干扰项问题，通过阈值筛选法确定VMD算法的分解层数，从而将内燃机振动信号分解成一系列单分量模态信号，然后对单分量信号进行MHD时频表征及线性叠加得到时频聚集性优良、物理意义明确的振动信号时频谱图。再通过局部非负矩阵分解(LNMF)对时频图像特征进行提取，将提取的特征与振动信号时域参数进行特征融合，得到融合特征向量。对支持向量机(SVM)采用改进粒子群优化算法进行参数优选，然后对特征向量进行训练和测试，实现了内燃机的故障识别诊断。将该方法应用于内燃机气门间隙故障8种工况下缸盖振动信号的识别诊断试验，结果表明，该方法能够对不同工况振动信号进行有效识别分类。通过参数优选，最高识别率达到了99.17%，同时对比传统的最近邻分类器的分类结果，证明了该方法的优越性。     

基于β散度约束的非负矩阵分解的机械复合故障诊断方法

时频分析经常被用来刻画非平稳振动信号的局部信息,而经时频变换后的特征信号具有较高的矩阵维数,很难对高维特征矩阵直接进行分类或特征提取.为此,提出了基于时频分析与β散度约束的非负矩阵分解算法(NMF)相结合的机械复合故障诊断方法.对采集的振动信号进行时频分析,获取局部特征信息;利用β-NMF算法实现数据的降维,并根据特征信息重构信号;在β-NMF算法中引入加权脉冲因子(CIF),对重构后的信号进行筛选;将得到的分离信号进行包络频谱分析,实现故障诊断.以滚动轴承复合故障为研究对象进行验证,分析结果表明:所提出的方法可以有效提取出外圈与滚动体冲击性特征,实现了滚动轴承的复合故障诊断.     

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IMF投影图像分析的滚动轴承故障诊断方法研究

提出了一种基于本征模式分量投影图像分析的滚动轴承故障诊断方法,实现了滚动轴承故障的状态识别与程度识别,首先,依托经验模式分解方法(Empirical Mode Decomposition,EMD)对轴承故障信号进行分析,获取故障本征模式分量(Intrinsic Mode Function,IMF);其次,构建各个本征模式分量的时频三维灰度投影图像,引入基于灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)的纹理特征对三维投影图像进行分析;最后,通过主成分分析进一步压缩特征维度,并结合支持向量机(Support Vector Machine,SVM)实现了滚动轴承的故障诊断。研究从图像特征角度实现故障诊断,丰富了现有振动信号故障特征获取方法,实现了滚动轴承故障的状态识别与程度识别。     

VMD和t-SNE相结合的滚动轴承故障诊断

滚动轴承故障诊断普遍采用有监督学习的方式,针对有标签数据难以获取的问题,提出一种VMD分解与t-SNE流形学习相结合的滚动轴承故障诊断方法。利用VMD分解将滚动轴承原始振动信号分解为若干本征模态分量(IMF);计算每个模态分量的时频特性指标组成高维故障特征,通过t-SNE对故障进行二次特征提取,获取低维敏感特征并将其作为K-means分类器的输入,实现故障类型的识别。将该方法应用到滚动轴承故障诊断中并与VMD+PCA、原始时频特征+t-SNE两种方法进行对比,结果表明VMD+t-SNE方法以无监督学习的方式实现了故障诊断的去标签化和自适应性,同时提高了故障诊断的准确性。     

基于稀疏性非负矩阵分解的滚动轴承复合故障诊断

将时频图像非负矩阵分解算法加以改进,提出时频图像稀疏性非负矩阵分解(SNMF)算法,并将其用于滚动轴承复合故障诊断.滚动轴承复合故障信号的双谱时频图中蕴含了丰富的故障信息,对双谱进行稀疏性非负矩阵分解分析,提取时频图的稀疏系数矩阵,将其分别作为训练及测试特征向量输入到支持向量数据描述(SVDD)算法,进而实现滚动轴承的3类复合故障类型(内圈外圈复合故障、滚动体外圈复合故障及外圈内圈滚动体复合故障)的正确分类.     

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。     

基于非负矩阵分解的单通道故障特征分离方法

针对单通道振动信号的多特征分离问题,提出了一种基于正交非负矩阵分解的故障特征提取方法。首先,采用短时傅里叶变换,利用时频分布来描述信号中的局部故障特征,通过核心一致性指标评估子空间维数;然后,在幅值谱矩阵分解的基础上,通过正交性约束实现低维嵌入分量信息的分离,获取局部特征的准确描述;最后,采用相位恢复理论重构出特征波形,对仿真信号和滚动轴承故障数据进行了测试。结果表明,所提出的方法能利用单通道信号有效地分离出微弱的局部故障特征,为机械状态的早期故障诊断识别提供了一种有效手段。     

匹配追踪方法在故障诊断中的应用研究

匹配追踪法可将信号分解成一系列时频原子的线性组合,并在每次分解前自适应地初始化时频原子的参数。本文研究了匹配追踪的原理和方法,并将匹配追踪后的分解结果与Wigner分布相结合,得到了具有高分辨率的自适应时频分布。通过仿真算例将该法与Wigner分布、小波包变换,短时傅立叶变换的结果相比较,验证了该方法的优越性。最后,将该方法应用于轴承的故障诊断,结果表明,本文方法用于故障诊断的特征提取是有效的。     

Diesel Engine Valve Clearance Fault Diagnosis Based on Features Extraction Techniques and FastICA-SVM

Numerous vibration-based techniques are rarely used in diesel engines fault diagnosis in a direct way, due to the surface vibration signals of diesel engines with the complex non-stationary and nonlinear time-varying features. To investigate the fault diagnosis of diesel engines,fractal correlation dimension, wavelet energy and entropy as features reflecting the diesel engine fault fractal and energy characteristics are extracted from the decomposed signals through analyzing vibration acceleration signals derived from the cylinder head in seven different states of valve train. An intelligent fault detector FastICA-SVM is applied for diesel engine fault diagnosis and classification.The results demonstrate that FastICA-SVM achieves higher classification accuracy and makes better generalization performance in small samples recognition. Besides,the fractal correlation dimension and wavelet energy and entropy as the special features of diesel engine vibration signal are considered as input vectors of classifier Fast ICASVM and could produce the excellent classification results.The proposed methodology improves the accuracy of feature extraction and the fault diagnosis of diesel engines.     

Fault Feature Extraction of Diesel Engine Based on Bispectrum Image Fractal Dimension

Fault feature extraction has a positive effect on accurate diagnosis of diesel engine. Currently, studies of fault feature extraction have focused on the time domain or the frequency domain of signals. However, early fault signals are mostly weak energy signals, and time domain or frequency domain features will be overwhelmed by strong back?ground noise. In order consistent features to be extracted that accurately represent the state of the engine, bispectrum estimation is used to analyze the nonlinearity, non?Gaussianity and quadratic phase coupling(QPC) information of the engine vibration signals under different conditions. Digital image processing and fractal theory is used to extract the fractal features of the bispectrum pictures. The outcomes demonstrate that the diesel engine vibration signal bispectrum under different working conditions shows an obvious differences and the most complicated bispectrum is in the normal state. The fractal dimension of various invalid signs is novel and diverse fractal parameters were utilized to separate and characterize them. The value of the fractal dimension is consistent with the non?Gaussian intensity of the signal, so it can be used as an eigenvalue of fault diagnosis, and also be used as a non?Gaussian signal strength indicator. Consequently, a symptomatic approach in view of the hypothetical outcome is inferred and checked by the examination of vibration signals from the diesel motor. The proposed research provides the basis for on?line monitoring and diagnosis of valve train faults.     

基于信号特征的复合字典多原子匹配算法研究

在经典匹配追踪算法的基础上,提出基于信号特征的复合字典多原子匹配的改进算法,并应用于轴承故障诊断领域。针对滚动轴承损伤性故障振动信号特点,构造高频段冲击时频特征原子库与低频段Fourier特征原子库相结合的复合字典。研究复合字典多原子匹配的稀疏分解及重构算法以用于提取故障特征,并在重构算法中引入阈值降噪原理。滚动轴承故障试验信号和工程信号分析结果证明,在冲击性故障特征提取效果上,基于信号特征的复合字典多原子匹配优于单原子匹配,并且硬阈值降噪处理效果优于无阈值处理效果。     

基于CPSO-BP神经网络的柴油机排气门间隙故障诊断

针对柴油机排气门间隙故障信号不易提取的特点,提出了将混沌粒子群神经网(Chaotic particle swarm optimization-Back Propagation,CPSO-BP)聚类模型应用于柴油机排气门间隙故障诊断.首先,采用经验模式分解(Empirical Mode Decomposition,EMD)对柴油机振动信号进行分解,将得到的前6个模态函数能量百分比作为反映故障状态的特征参数,重构BP神经网并用混沌粒子群算法对其结构和权值进行优化;最后,基于优化的神经网对排气门间隙为0.2mm,0.4mm,0.6mm等3种故障工况的信号进行聚类.结果表明:所有样本的测试结果均与实际状况一致,该方法可以较好地用于排气门间隙故障诊断.     

基于小波包分解的机械振动信号分析

提出了一种新的基于小波包的振动信号故障特征提取方法,运用这种方法对柴油机表面振动信号经过小波包降噪处理,有效地剔除柴油机表面振动信号的噪声干扰,提高信号的信噪比。对降噪信号提取频带能量特征,为神经网络故障诊断提供了新的故障样本。