基于QPSO-SVR和声发射信号的机械密封寿命预测

针对现有机械密封监测技术难以有效预测剩余使用寿命的问题,提出基于声发射特征融合的退化指标和QPSO-SVR寿命预测模型的机械密封剩余寿命预测方法。首先通过实验采集多组机械密封的全寿命数据,进行小波阈值降噪处理,从原始声发射信号中提取出能表征机械密封运行状态的特征,利用KPCA分析优化得到的声发射特征,然后通过马氏距离对得到的特征进行融合进而得到能够表征机械密封退化的指标,利用QPSO优化SVR模型参数,建立寿命预测模型。实验结果显示:基于退化指标和QPSO-SVR模型的寿命预测方法有着较好的泛化能力和较高的精度,具有良好的工业前景。     

结合声发射和卷积神经网络的轴承RUL预测方法

根据声发射信号具有对早期损伤敏感性高和频带宽等特点,提出一种结合声发射信号和卷积神经网络的方法,实现滚动轴承的RUL预测。该轴承RUL预测方法主要包括：对原始信号的分频段滤波和特征值提取得到高维特征集;将高维特征集组合成二维神经元作为卷积神经网络的输入,并构建和训练网络以达到预测剩余寿命的目的。通过从实验中得到的数据验证了该预测方法的可行性,并且具有较高的准确性。结合使用卷积神经网络后不但解决了特征值数量大和如何合理利用高维特征问题,而且还得到了较好的RUL预测效果。     

基于BP神经网络的金属裂纹声发射信号特征参数的提取

金属裂纹声发射信号特征提取是根据其进行故障诊断的关键,提出了BP神经网络和模式识别相结合的提取金属材料疲劳声发射信号特征的新方法,并利用美国PAC公司SAMOS声发射检测系统采集到声发射的各种参数,应用该方法选择出一些对分类识别最有效的特征参数;并采用可分离性判据进一步验证其正确性。     

基于声发射信号的机械密封寿命预测

针对国内外对机械密封寿命预测研究不足,不能明确退化模型等问题,提出了基于声发射特征抽取和SVR的机械密封寿命预测方法。首先基于声发射技术通过实验采集了多组机械密封的全寿命数据,对数据进行小波去噪,并进一步进行小波包分解,从中提取能够表征机械密封运行状态的时频域特征以及其他统计特征;利用KPCA对高维特征进行降维处理,再通过马氏距离进行特征融合得到机械密封退化指标,将之作为SVR的输入训练退化模型。实验结果显示,基于声发射特征提取的机械密封寿命预测方法有着较好的泛化能力和较高的精度。     

基于特征相关分析的内燃机故障诊断方法

机械设备故障诊断中,特征融合技术能够在保留有效信息的同时去除冗余相关信息,有利于节省计算资源和提高诊断能力。提出一种基于相关性分析进行特征融合的内燃机故障诊断方法。首先,深度挖掘并提取原始信号的多域特征,形成多域特征集;然后,对多域特征集进行相关性分析,并对关联性高的特征组合进行择一保留;最后,利用主成分分析法(PCA)进行特征降维,并利用k近邻学习(kNN)算法进行故障诊断。内燃机气门间隙异常故障的有效诊断验证了该方法的适用性和准确性。     

基于自适应优化变分模态分解的起重机故障诊断

变分模态分解方法是近年来常用于起重机声发射信号故障识别的一种信号处理技术。然而,变分模态分解参数即模数k和二次惩罚因子α的选择仍具挑战,即如何获得最相关、包含降噪后的故障信息合适的分解模态。因此,文中提出了一种以旗鱼优化算法和基尼系数为准则的框架,对每个故障信号自适应地选择最优的变分模态分解参数。利用实际工程中起重机重要部件采集的声发射信号对所提方法的有效性进行验证,并根据最大基尼系数自动提取了包含故障信息的最合适模式。结果表明,与传统的局部均值分解和集成经验模态分解相比,所提方法在提取故障特征和排除噪声影响方面具有较高的精度和效率。     

基于信息熵的滚动轴承声发射信号故障诊断

利用声发射信号进行低速滚动轴承故障检测.在状态特征提取的基础上,从信息融合的思想出发,建立一种基于时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵和空间特征谱熵的故障诊断方法,并作为综合评价滚动轴承运行状态的定量特征指标.     

一种基于小波包变换和监督NPE的滚动轴承故障诊断方法

为提高滚动轴承故障诊断的性能,结合故障敏感特征的选择,提出了一种基于小波包变换(WPT)和监督NPE的滚动轴承故障诊断模型。首先,WPT对原始振动信号进行处理,利用终端节点的单支重构信号得到多域统计特征,构成原始特征集。然后,为减少特征集中的冗余信息和干扰特征,提出一种基于朴素贝叶斯的故障敏感特征选择方法(FSNB)。为了进一步降低冗余信息和运算复杂度,提出一种基于类别标签的监督邻域保持嵌入(SNPEL)方法,实现对高维特征集的低维表示。最后,利用K近邻(KNN)算法实现滚动轴承的故障诊断。采用12种轴承故障数据来验证提出的故障诊断模型的性能,结果表明,提出的模型可以实现较高的故障诊断准确度和较好的适应性。     

基于声发射的高速铣削刀具故障诊断

提出了一种利用声发射信号监测高速铣削刀具故障的方法。采用声发射参数分析法,确定总事件计数、总振铃计数、总能量和RMS作为刀具故障诊断的特征参量。基于LABVIEW编程模块提取其统计特征参量,实验表明这些信号特征值能有效地用于高速铣削过程中的刀具故障诊断。     

基于优化CNN与信息融合的地铁牵引电机轴承故障诊断

针对在单一传感器下轴承故障识别率低的问题,提出一种基于优化CNN与信息融合的地铁牵引电机轴承故障智能检测方法。首先,选取NU216轴承为研究对象,预制故障缺陷;然后,采用正交试验法设计试验方案,采集NU216轴承的振动信号和声发射信号;其次,将原始数据通过连续小波变换,分别提取轴承的振动和声发射信号的时频域特征,并将2类单通道数据进行融合,得到双通道融合数据集;最后,将得到的3类数据集分别划分为训练集和测试集,输入优化后的卷积神经网络模型进行训练、测试。试验结果表明,基于振动信号的故障诊断准确率为95.76%,基于声发射信号的故障诊断准确率为92.33%,基于融合信号的故障诊断准确率为98.59%。     

基于集合经验模态分解和模糊集的异质信号融合方法研究

不同性质的信号(如振动信号、声发射信号等)比单一信号能提供更为丰富的机械系统故障信息。提出了基于集合经验模态分解和模糊集的异质信号融合方法。首先采用集合经验模态分解方法,将每种信号分别分解得到本征模函数,然后提取每个本征模函数的特征,构造模糊集决策矩阵。将决策矩阵的数值转化为模糊集形式,并构造模糊集矩阵,通过计算未知目标与已知决策模糊集的相似度量,判断目标类型。通过铣床切削过程中振动信号与声发射信号的特征信息提取与融合,验证了该方法用于故障诊断的可行性与有效性。研究工作对于异质传感器信号融合和工程故障诊断具有理论和应用价值。     

基于声发射和关联维数的空气压缩机故障诊断技术研究

针对空气压缩机的结构复杂、振动激励源众多、故障诊断与状态检测难度大的问题,提出一种空气压缩机声发射信号的关联维数故障诊断方法.在分析关联维数计算的参数选择基础上,采用奇异值分析的嵌入维数计算法和平均位移的延迟时间计算法等获取声发射信号的关联维数.利用现场往复式压缩机模拟吸气阀座松动、吸气阀弹簧片变形、吸气阀弹簧片失效、阀片变形和阀片失效等五种典型故障.声发射信号的关联维数计算分析结果表明,设计方法能有效诊断压缩机气阀的故障模式.     

基于小波系数统计特征的光学元件粗糙度声发射监测研究

表面粗糙度是光学元件表面质量的重要评价指标之一。传统的粗糙度检测方法大多采用离线方法,无法实现在线表征。为此讨论了一种基于声发射检测技术的表面粗糙度监测方法,利用改进的表面粗糙度检测装置,采集不同粗糙度下声发射信号;由于传统方法存在一定的局限性,因此提出了基于小波分解系数有效值统计特征的表面粗糙度监测方法,通过对摩擦抛光的声发射信号进行特征提取,来辨识粗糙度。研究结果表明,利用该方法所提取出的特征可以对表面粗糙度进行有效区分,验证了其是光学元件表面粗糙度声发射监测的有效方法。     

一种基于油液分析数据挖掘的航空发动机磨损故障诊断知识获取方法

针对航空发动机磨损故障诊断自动化及智能化程度不高的问题,提出一种基于油液数据挖掘的航空发动机磨损故障诊断知识获取方法。该方法利用自组织神经网络对原始多维特征数据进行特征融合,得到融合值;利用Parzen窗法制定融合值的界限值,将样本划分为正常、警告和异常3种状态;利用Weka软件对油液数据进行规则提取。该方法能够从油液光谱数据中识别出不同磨损状态信息,并提取出知识规则用于构建航空发动机磨损诊断系统的知识库,实现了基于润滑油光谱磨损数据的航空发动机故障诊断的自动化与智能化。应用某型飞机发动机实际油液光谱数据对提出的磨损故障诊断知识获取方法进行验证,结果表明:经特征融合得到的融合值能够准确反映航空发动机的劣化趋势;利用融合值的界限值划分样本状态,再进行规则提取时具有很高的识别率。     

一种基于非线性流形的滚动轴承复合故障诊断方法

针对滚动轴承振动信号的非平稳以及非线性特点,提出了一种基于非线性流形的滚动轴承复合故障诊断方法。该方法首先提取振动信号的时域指标和小波包频带分解能量所构成的频域指标,组成原始特征空间,采用基于判别准则的邻域因子优化选择算法,运用基于局部切空间排列算法的非线性降维算法对原始特征空间进行学习,极大地保留了信号中内在的整体几何结构信息,从而提取出振动信号最优的敏感故障特征。试验结果表明,与经典的线性降维方法相比,该方法的聚类效果更好。     

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.     

基于自动编码器数据降维的滚动轴承故障诊断研究

针对滚动轴承振动信号多域特征数据维数较高的问题,采用自动编码器(Auto-Encoder,AE)对特征数据进行降维处理,实现故障诊断.该方法首先提取滚动轴承振动信号中的特征数据,其次通过自动编码器对特征数据进行降维,最后将降维后的数据用于训练BP(Back Propagation)神经网络,并进行故障诊断.为验证自动编...     

基于信息融合的薄壁机器人轴承状态评估

针对薄壁机器人轴承的状态评估,提出了基于信息融合的评估方法。采集声发射(Acoustic Emission, AE)和振动加速度信号,并在时域和频域上分别提取两种信号的特征作为识别薄壁机器人轴承状态的特征参量,利用自组织特征映射(Self Organizing Maps, SOM)神经网络对AE和振动信号的特征信息进行融合。经过实测数据的分析与验证,结果表明,该方法能够有效地判断出薄壁机器人轴承的状态类型。     

最优共振带提取与1.5维谱的滚动轴承早期故障诊断方法

滚动轴承的振动信号反映到频谱图中,会出现共振带,能够有效并准确提取共振带加以分析是滚动轴承故障诊断常用方法。为了准确提取出共振带,采用巴特沃斯带通滤波器对共振频带进行提取,为了得到最优共振带,将采用特征频率强度系数这一指标来反映提取的共振带效果,然后利用具有高强降噪特性的1.5维谱来对滤波信号进行特征提取.通过仿真信号以及试验信号对该方法进行验证,结果表明,该方法能够在强噪背景下对特征的提取以及实现滚动轴承早期故障诊断。     

滚动轴承故障特征选择的Filter与改进灰狼优化混合算法

为了从原始高维特征空间中选择最具鉴别能力的特征，提高轴承故障诊断精度，提出了一种Filter与改进灰狼优化混合的故障特征选择算法。首先，针对滚动轴承的原始振动信号，利用一种基于Hilbert-Huang变换的时频域特征提取策略建立高维敏感特征集合。然后，通过由ReliefF算法与拉普拉斯分数构成的混合Filter方法对原始特征集合进行相关性评估并快速筛选重要特征，从而完成特征集合的一次预选。最后，引入改进灰狼优化算法对预选特征集合进行二次筛选，实现冗余特征去除的同时，完成对支持向量机模型参数的优化。利用旋转机械振动试验台获取故障轴承数据进行了验证，试验结果表明，该方法显著提高了分类器模型的诊断准确率，有效实现了故障数据集的特征降维，并且与同类方法相比，所提方法具有更好的综合性能。