仿听觉频率分解特性的轴承振动信号处理方法

模拟人耳的听觉特性及机理,结合轴承故障信号特征,提出一种基于Fisher比率法的自适应非均匀频带分布的倒谱系数轴承故障特征提取算法,并根据提取的特征利用支持向量机模型进行故障识别,试验证明提出的故障特征提取算法具有较高的识别正确率,在低信噪比下仍然具有较好的识别效果。     

基于声发射检测技术的转炉耳轴轴承故障诊断

以转炉耳轴轴承为研究对象,将声发射技术应用于转炉耳轴轴承的故障诊断中,提出了应用主成分分析(PCA)和最小二乘支持向量机(LS-SVM)相结合的故障诊断方法。首先,对声发射信号的特征量进行主成分分析,得到更能反映设备状态的综合特征参数,然后将新的特征参数输入到最小二乘支持向量机中进行状态识别。利用在实际生产过程中采集到的转炉耳轴轴承声发射数据进行方法验证。结果表明,新方法能够有效区分出转炉耳轴轴承的故障模式,识别的总体正确率可达97.8%。     

基于特征选择的支持向量机在故障诊断中的应用

机械设备因为其本身结构的复杂性,故障很难简单地进行诊断,所以智能诊断成为一个热点的研究方向。以前的工作中多是通过神经网络甚至支持向量机等方法进行诊断,本文提出了基于支持向量机集成的特征选择算法,通过该算法可以有效去除故障数据集中所提取的不相关特征,并在新的更少特征的数据集上进行建模。在实际某柴油机故障数据上的计算表明:在通过特征选择后的数据集上利用支持向量机集成的方法建模可以得到比不进行选择更好的结果,也得到了比单个支持向量机建模更好的结果。     

基于听觉特征和频谱特征的油烟机异音故障诊断

提出了一种主观听觉判断和客观频谱分析相结合的风机异音故障诊断方法。对油烟机风机辐射噪声进行频域特征分析、结合人工听觉判断油烟机异音故障。分析表明:风机所产生的异音故障在频谱中表现为幅值和能量都比较集中的线谱频率,其听觉特征明显,并与频谱特征有严格的对应关系;实验证明,频谱特征和听觉特征可以作为有效的油烟机异音故障判别特征之一。采用该方法对实际测量数据进行异音故障诊断,诊断结果与听音员判断结论一致。     

基于混沌特征和支持向量机的内燃机故障诊断

为解决内燃机故障诊断这一复杂问题,对6110型柴油机进行气门间隙故障模拟试验,测得振动信号,并计算其关联维数、最大Lyapunov指数、Kolmogorov熵3个混沌特征和它们的统计特征,作为故障特征量,利用支持向量机对故障进行识别。结果表明,用单一的混沌特征识别故障类型,效果较差;将统计特征与混沌特征共同作为故障的特征向量,效果较好。     

基于小波变换和LDA/FKT及SVM的人耳识别

人耳识别技术是生物特征识别和人工智能领域的一个重要分支.针对人耳图像自身的特点并通过对现有方法的研究,本文提出了一种新的人耳识别方法,即先对人耳图像进行二维的离散小波分解,然后使用LDA/FKT算法对小波分解后得到的低频信息进行降维,进而获得图像的特征向量,最后采用支持向量机作为分类器对样本向量进行判别.实验证明,本文提出的方法不仅较好地解决了人耳识别中的小样本问题,而且还取得了比传统的PCA+LDA方法更高的识别率,是一种有效的人耳识别方法.     

基于综合型模糊支持向量机的故障诊断方法及应用

设备信息和故障的不确定性、模糊性及故障样本的缺乏给故障诊断带来了较大的困难.针对该问题,分析了现有模糊支持向量机的原理和优缺点,提出了一种综合型模糊支持向量机.该模糊支持向量机既可以处理样本含有模糊信息的情况,又可以解决支持向量机分类中存在的不可分问题.然后,提出了基于综合型模糊支持向量机的故障诊断方法,并在某电路系统故障诊断中开展了应用研究.应用结果表明,该诊断方法在设备状态存在模糊性和故障样本较少的情况下,与现有模糊支持向量机诊断方法相比,实现了较准确的故障诊断.     

基于支持向量机的离心泵故障诊断方法研究

简要论述了支持向量机的原理，介绍了几种支持向量机的多类分类算法，最后将它们应用于离心泵的故障诊断进行比较，获得了令人满意的效果。     

基于LCD信息熵特征和SVM的机械故障诊断

提出了一种基于局部特征尺度分解(LCD)信息熵特征和支持向量机(SVM)相结合的机械故障诊断方法。首先采用LCD对振动信号进行分解,得到若干个具有物理意义的内禀尺度分量(ISC);结合信息熵理论,从时域、频域和时频域3个角度分别定义了时域奇异谱熵、频域功率谱熵以及时频域的特征空间熵、边际谱熵和瞬时能量熵,并将这些熵值组成特征向量;最后通过SVM对特征向量进行分类识别。轴承故障诊断的实例表明,基于LCD信息熵特征和SVM相结合的方法能够准确地对轴承故障信号进行识别,并且效果要好于EMD信息熵特征和SVM结合的方法。     

基于支持向量机的异步电机故障诊断系统

电机故障将造成巨大的经济损失,甚至于人身安全.一个准确的故障诊断系统能够最大程度地降低风险,有利于生产、生活的正常进行.阐述了支持向量机(SVM)及最小二乘支持向量机(LS-SVM)算法的原理,研究了基于LS-SVM的异步电动机故障诊断,比较了正常状况与3类故障的不同,并对3类故障进行了自动分类,测试了分类结果.实验表明,基于SVM的异步电机故障诊断可靠性好,实用性强,验证了SVM的优越性.     

基于小波变换的离心风机故障诊断方法

异常振动是离心风机故障的主要表现形式,严重时影响生产运行。引起风机振动的原因很多,本文运用小波变换对离心风机振动故障进行分析,总结出引起离心风机振动超标的主要原因,对故障点进行检修。     

基于全矢谱的风力发电系统齿轮箱的故障诊断

介绍了风力发电齿轮箱系统变载荷、低转速、工况复杂的运行特点,阐述了风力发电系统齿轮箱的主要故障特征,针对旋转机械单源振动信号信息具有不完善性的缺陷,提出了基于同源信息数据融合的思想,将全矢谱技术应用于风电齿轮箱的故障检测方法。结合北方某风电场19#风机齿轮箱故障检测的实例,将全矢谱技术应用于诊断实例且得到了正确的诊断结果,证实了将全矢谱技术应用于风电齿轮箱检测中是准确、有效、实用的旋转机械故障诊断方法。     

基于共振解调技术的风机旋转失速故障诊断方法

风机旋转失速故障的振动特征通常出现在较低的频段,容易淹没在噪声或转子失衡等其他零部件的故障特征中,难以分析和诊断.共振解调技术对低频冲击的高频共振波形进行包络检波,可以有效地提取低频冲击特征.提出基于共振解调技术的风机旋转失速故障诊断方法,并成功应用于鞍钢股伤有限公司炼铁厂废气风机旋转失速的故障诊断中.     

基于能量谱分析的柴油机故障诊断

研究了小波包能量谱分析和能量谱分析在某柴油机故障诊断中的应用。以柴油机的供油提前角减小2.5°和空气滤清器堵塞2种故障为例,把用2种方法提取的特征向量作为神经网络的输入特征,然后进行故障诊断。对比测试结果得出能量谱分析法的实用性强于小波包能量谱分析法。     

基于DBN的故障特征提取及诊断方法研究

随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。     

基于小波自回归谱的液压系统故障诊断方法

该文将小波自回归谱的信号处理方法应用到液压系统故障信号处理中,确定了最优小波基.利用Festo液压实验系统,采集正常情况和故障情况下的压力信号,通过比较加噪的正常和故障信号处理结果,证明低频信号的自回归谱可以作为故障诊断的依据.     

Fault diagnosis of complex system based on nonlinear frequency spectrum fusion

A novel fault detection and diagnosis approach is proposed for nonlinear complex systems by combining nonlinear frequency spectrum characteristics and evidence theory. In order to overcome the problem of calculated amount expansion of generalized frequency response functions, single-dimensional nonlinear output frequency response functions are used to obtain nonlinear frequency spectrum, from which, features of nonlinear frequency spectrum are extracted. The fault diagnosis model of multiple faults is given based on evidence theory. The mass functions of evidences are obtained according to the similarity among different modes. In order to solve the problem of evidence fusion in the situation of evidence confliction, a dynamic parameter conflicting evidence combination method is proposed based on the average credibility. Fault diagnosis of the transmission system of numerical control machine tool is studied through nonlinear frequency spectrum. Simulations indicate that the proposed approach has simple calculation and high recognition rate for faults.     

基于异类信息特征融合的异步电机故障诊断

针对异步电机单一故障信号的局限性和故障特征存在较强非线性关系的特点,提出一种基于异类信息特征融合的故障诊断方法.以采集的振动信号和电流信号为原始信源,分别提取它们的时域特征和小波包熵特征,采用核主元分析对原始特征的组合进行降维融合,得到信息互补的特征量,将融合特征通过支持向量机进行模式识别.异步电机转子和轴承故障诊断实例表明,基于核主元分析的异类信息特征融合方法,可充分利用异类信源的冗余互补信息和特征数据之间的非线性关系,更全面地表征设备运行状态,相比单参数法及同类信息特征融合法具有更高的诊断精度.     

Fault feature extraction of rolling bearing based on an improved cyclical spectrum density method

The traditional cyclical spectrum density(CSD) method is widely used to analyze the fault signals of rolling bearing. All modulation frequencies are demodulated in the cyclic frequency spectrum. Consequently, recognizing bearing fault type is difficult. Therefore, a new CSD method based on kurtosis(CSDK) is proposed. The kurtosis value of each cyclic frequency is used to measure the modulation capability of cyclic frequency. When the kurtosis value is large, the modulation capability is strong. Thus, the kurtosis value is regarded as the weight coefficient to accumulate all cyclic frequencies to extract fault features. Compared with the traditional method, CSDK can reduce the interference of harmonic frequency in fault frequency, which makes fault characteristics distinct from background noise. To validate the effectiveness of the method, experiments are performed on the simulation signal, the fault signal of the bearing outer race in the test bed, and the signal gathered from the bearing of the blast furnace belt cylinder. Experimental results show that the CSDK is better than the resonance demodulation method and the CSD in extracting fault features and recognizing degradation trends. The proposed method provides a new solution to fault diagnosis in bearings.     

基于正交邻域保持嵌入特征约简的故障诊断模型

提出一种基于正交邻域保持嵌入(orthogonal neighborhood preserving embedding,ONPE)特征约简的故障诊断模型.首先将原振动信号经验模式分解(empirical mode decomposition,EMD)并构造Shannon熵得到高维特征向量,再利用ONPE将高维特征向量约简为低维特征向量,并输入到最近邻分类器(k-nearest neighbors classifier,KNNC)中进行故障识别.本模型充分利用了EMD分解在故障特征提取、ONPE在信息压缩和KNNC在分类决策方面的优势,实现了旋转机械故障特征提取到故障诊断的全程自动化,并提高了诊断精度,为旋转机械故障诊断提供了一种新的模型分析方法.一个滚动轴承故障诊断实例验证了该模型的有效性.