旋转机械振动信号频域随机压缩与故障诊断

提出一种旋转机械故障诊断方法,该方法由频域随机压缩和稀疏表示分类两部分组成。频域随机压缩实现了故障特征的提取,首先通过傅里叶变换得到振动信号的幅值序列,然后构造随机测量矩阵对幅值序列进行压缩测量,压缩测量值作为故障特征向量。在稀疏表示分类中,以有故障标签的特征向量构成故障特征库,将待测特征向量的分类问题转化为稀疏优化问题,应用正交匹配追踪求得待测特征在故障特征库上的表示系数,然后利用表示系数求出待测特征的类重构偏差,根据类重构偏差可以得到诊断结果。齿轮和轴承故障诊断实验证实了本文所提方法的有效性。     

基于多个无标度区多重分形理论的齿轮故障诊断

针对齿轮故障振动信号具有多重分形特征,提出多个无标度区的多重分形理论与神经网络相结合的机械故障诊断方法。该方法采用多重分形理论计算齿轮振动信号的多分形谱和广义分形维数,并将多分形谱能和广义分形维数谱能作为特征量,构成二维特征向量。将该特征向量作为概率神经网络的输入参量,并对采自齿轮故障台的振动信号进行故障分类。实验证明,与单一无标度区多分形谱理论特征提取方法相比较,所提出的方法能更精密刻画振动信号特征,并获得更高的识别率。     

随机降维映射稀疏表示的电能质量扰动多分类研究

提出一种随机降维映射特征提取与稀疏表示分类相结合的电能质量扰动信号识别方法.首先将扰动信号测试样本表示为训练样本集的过完备字典稀疏线性组合,然后使用随机测量矩阵获取测试样本降维特征量和稀疏表示感知矩阵,应用最小L1范数解决方案求取扰动信号测试样本的稀疏解,由冗余误差最小值确定目标归属类,实现对电能质量扰动的稀疏表示多分类识别.研究表明随机矩阵降维映射特征提取不依赖于电能扰动样本特性,构造简单,运算快速,具有普适性;稀疏表示分类法与支持向量机相比无需组合多个二分类器来实现多分类器.仿真和实验结果表明该方法能有效提取各种电能扰动特征,抗噪声鲁棒性好,在信噪比20dB以上的噪声环境中电能质量扰动分类准确率达95%以上.     

齿轮故障的稀疏编码诊断

介绍了机械故障稀疏编码诊断的基本原理,利用振动信号的幅值谱序列建立特征向量,通过齿轮四种故障的振动信号验证了稀疏编码在齿轮故障诊断中的有效性,并且具有较高的诊断准确率。     

基于ReliefF算法和相关度计算结合的故障特征降维方法及其应用

在对旋转机械进行故障诊断时,通常要从时域、频域或时频域提取故障特征参数,组成原始的故障特征向量,然而在众多的故障特征当中并不是每个特征对于故障分类都是敏感且有效的。为此,本研究提出了基于ReliefF算法和相关度计算结合的故障特征降维方法。采用ReliefF加权特征选择算法对原始各特征的分类能力进行评价,选择出分类能力较强的特征;再通过特征相关度算法剔除其中分类能力相近的冗余特征,将剩余的分类能力较强的特征组成最终的降维特征向量用于故障分类和诊断,实现原始特征的降维。通过液压泵和滚动轴承的故障诊断实验,并与传统的主元分析(PCA)方法对比,结果表明该方法能够用较少的降维后的信号特征获得更高的故障正确识别率。     

基于时频特性和PCA-RBF的自动机故障诊断

针对自动机故障诊断中仅单方面从时域、频域和时频域提取特征向量,导致特征指标具有很大片面性的问题,本文提出了一种基于时频特性和PCA-RBF的自动机故障诊断方法。首先利用统计分析和总体经验模态分解(EEMD)方法,构造高维混合域初始特征向量;然后通过主成分分析法(PCA)对高维初始特征向量进行降维和简化;最后将经过PCA处理过的主特征向量输入到径向基函数(Radial Basis Function,RBF)神经网络中实现故障类型的识别。实验结果表明,混合域初始特征向量能够准确全面地描述故障特征,经过PCA处理的主特征向量大大简化了分类器结构,RBF神经网络结构简单、收敛速度快、具有很高的分类准确率。     

基于SJ-GDA和DT-KNN的人工智能多类运动设计与研究

在脑机接口系统研究中,基于黎曼流形的协方差矩阵在运动想象特征提取中应用广泛,但维度灾难一直是不可避免的问题。提出一种融合人工智能联合互信息和广义判别分析的特征降维方法称之为SJ-GDA,其对高维向量进行智能降维。SJ-GDA方法首先采用Semi-JMI对特征向量进行特征排序,进而利用GDA对排序后的部分向量智能降维,融合两类向量构造最终特征。将最终特征输入文中提出的DT-KNN决策树框架进行人工智能多类运动人想象识别,结果表明提出的算法在左手、右手、脚和口四类运动想象任务识别中Kappa系数从0. 57提高到了0. 607。     

基于时频特性和PCA-RBF神经网络的齿轮箱故障诊断

针对齿轮箱故障诊断中仅单方面从时域、频域和时频域提取特征向量,导致特征指标具有很大片面性的问题,提出了一种基于时频特性和PCA-RBF神经网络的齿轮箱故障诊断方法。首先利用统计分析和总体经验模态分解(EEMD)方法,构造高维混合域初始特征向量;然后通过主成分分析法(PCA)对高维初始特征向量进行降维和简化;最后将经过PCA处理的主特征向量输入到径向基函数(Radial Basis Function,RBF)神经网络中实现故障的识别。实验结果表明,采用该方法能够有效识别齿轮箱的故障。     

基于CDA与HSMM-DBN的齿轮磨损状态识别研究

提出了由动态贝叶斯网络表达的隐半马尔可夫模型用于齿轮磨损状态识别的新方法,通过计算待识别磨损特征向量的概率值来确定齿轮磨损状态。根据磨损特征之间的非线性关系这一特性,应用曲线距离分析方法对特征进行降维。最后,利用5种不同工况下的齿轮磨损实验数据对模型进行验证。结果表明,该模型可以有效地识别齿轮磨损状态,识别正确率可以达到94.5%,为齿轮箱的健康管理提供了科学依据。     

基于正交邻域保持嵌入与多核相关向量机的滚动轴承早期故障诊断

针对滚动轴承早期故障特征微弱难以快速有效辨识的问题,提出一种基于正交邻域保持嵌入(ONPE)与多核相关向量机(RVM)的滚动轴承早期故障诊断方法。首先基于多域量化特征构造表征滚动轴承早期故障的多域特征向量,基于ONPE线性流形学习对多域特征向量进行约简降维处理,获取最能反映滚动轴承早期故障运行状态变化的低维敏感特征,随后将获取的低维敏感特征输入给多核RVM进行早期故障模式的分类辨识。通过分析滚动轴承早期故障的模拟实验数据表明,该方法对高维复杂的非线性早期故障特征具有良好的约简降维性能,而且比单一核函数RVM具有更好的诊断精度。