旋转机械振动信号的信息熵特征

从信息融合的思想出发 ,针对单个和多个振动传感器 ,在时域、频域以及时 -频域系统、深入地研究了定量评价旋转机械振动状态的方法 ,提出了反映不同域中振动能量分布不确定性的奇异谱熵、功率谱熵、涡动状态特征熵、小波空间特征熵等信息熵特征。通过对实际信号的分析表明 ,这些信息熵形成了有效综合评价转子振动状态的特征指标。     

基于遗传算法的旋转机械故障诊断方法融合

针对任何单一性质故障特征、单一诊断方法难以实现在整个故障状态空间上准确诊断的局限性,提出基于遗传算法的旋转机械融合诊断方法。该方法能有效利用各种不同性质故障特征和不同诊断方法,使其发挥各自的优点,从而提高诊断的准确率。针对不同特征利用遗传算法将神经网络诊断和人工免疫诊断方法融合起来,使每一个诊断方法都在其优势空间区域发挥作用,使用小波包能量特征和双谱特征对两种诊断方法训练后,用遗传算法优化诊断融合权值矩阵对旋转机械进行实例诊断结果表明,该融合诊断方法能有效地提高故障诊断的准确率,并能提高诊断系统的鲁棒性。     

基于信息熵距的旋转机械振动故障诊断方法

介绍了信息融合的基本概念和目前在旋转机械振动故障诊断当中用得比较多的一些融合诊断方法.从信息融合的思想出发,利用时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵和小波空间特征谱熵,通过特征级的信息融合,提出了一种基于信息熵距的旋转机械振动故障监测和诊断的方法.数学推导表明,信息熵距符合模糊理论中最大隶属度原则,将它作为判别指标是可行的.实例计算表明,信息熵距能够较好的区分故障类别,在此基础上,通过多转速下的熵距曲线图可以提高转子故障诊断的准确性.     

遗传编程和加权证据理论融合的旋转机械故障诊断

为了提高旋转机械故障诊断的准确性,提出了遗传编程和加权证据理论融合的旋转机械故障综合诊断方法。首先,利用遗传编程提取多个故障特征参量,实现对旋转机械故障的初步诊断;其次,将特征参量对各故障的初步诊断结果作为证据体,特征参量对各故障的诊断准确度作为证据的权重分配,实现故障诊断的历史数据对当前诊断结果的修正;最终,采用加权证据理论对多个证据进行融合决策,减小故障诊断的不确定性,实现对故障的准确诊断。实验结果表明,该方法提高了故障诊断的准确性。     

基于信息融合技术的旋转机械故障诊断系统

阐述了信息融合技术在大型旋转机械故障诊断系统中的意义;介绍了信息融合技术的基本概念、层次结构模型和融合方法以及旋转机械故障诊断系统的构成;探讨了信息融合技术在数据预处理、状态识别中的应用,最后介绍了信息融合技术的实际应用及发展方向。     

基于AIS的核动力旋转机械故障诊断方法

人工免疫系统(AIS)具有强大的学习能力和模式识别能力,因此,将其应用到故障诊断领域中来是非常有必要的.从现有故障诊断方法中存在的问题出发,提出了一种新的基于AIS的故障诊断方法,并简要介绍了AIS与其它优化算法(如HMM)相结合的故障诊断方法.     

旋转机械振动故障的信息炯诊断方法

目前绝大多数旋转机械的故障诊断方法都是依靠提取振动波形中的特征量来进行诊断.振动信号的分析往往是针对特定测点在某一瞬间采集的一段波形,因此它是状态的一种表现.如果产生故障,在某一状态下,振动波形不一定含有明显的故障信息,或故障信息被淹没在其他信息中.这时,依靠随机抽取的状态信息来进行故障诊断的方法就不能很好区分这些故障.但是,如果故障发生,一定会有所表现.一种故障在某一时刻或某一状态下引起的振动表现具有一定的分散性和随机性,但在一个过程中却有其规律性.以信息熵方法为基础,通过定义一个全新的判别指标--信息(火用)来描述振动过程的这种变化规律,从而提出一种基于过程的信息删故障诊断的新方法.     

基于递归神经网络的旋转机械故障诊断方法

为实现对旋转机械的在线故障诊断,对10类故障情况下的振动信号进行频谱分析。发现旋转机械振动信号的频谱中含有丰富的故障信息,以此为故障特征向量建立了诊断模型。在现有神经网络故障诊断方法基础上,提出了一种基于带有偏差单元递归神经网络的在线故障诊断方法,设计了相应的故障样本和故障编码。仿真结果表明,该方法在收敛速度、非线性能力及精度方面明显优于一般方法。对故障模式的回想结果及实际运行结果证明,本方法切实可行,适合于旋转机械的在线故障诊断。     

基于CHMM的旋转机械故障诊断技术

隐马尔可夫模型(Hidden Markov model,HMM)是一种具有较强的时间序列建模能力的信号模式处理工具, 在语音处理中获得了广泛应用,特别适合于非线性、重复再现性不佳的信号的分析。基于振动信号与语音信号的相似性,将CHMM(Continuous Hidden Markov model)引入了旋转机械的故障诊断中。采用12阶LPC倒谱系数进行特征提取,建立CHMM,为防止数据下溢,引入前向一后向比例因子算法求其对数似然概率,并且采用K-means 算法对CHMM进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现,用Baum-Welch 算法实现参数重估,并给出了重估公式。最后,在转子试验台上模拟了四种故障试验,建立了四种故障的CHMM 模型,通过求其最大似然概率值来决定机器的运行状态,试验结果证明了该方法的有效性。     

基于Wavelet-HMM的旋转机械故障诊断方法研究

隐Markov模型是一个双随机过程，适用于动态过程的时间序列的建模并具有强大的时序模式分类能力，特别适合非平稳、重复再现性不佳的信号分析；小波变换具有多分辨率分析的特点，在时频两域都具有表征信号局部特征的能力。文中将小波变换和隐Markov模型相结合，提出基于小波变换的HMM状态识别法，利用Daubechies小波进行8尺度的小波分解，然后从小波分解结构中提取一维信号的低频系数作为特征向量，将其输入到各个状态HMM来进行训练，其中输出概率最大的状态即是机组运行状态，从而实现状态的识别，实验结果表明该方法很有效。     

证据熵在旋转机械故障诊断中的应用

针对旋转机械故障诊断中利用证据理论进行多征兆域融合时各证据的重要性不同,提出利用证据熵来评价各证据的重要性,即各证据在融合过程中的权重。对得出的证据进行加权调整,用D-S组合规则对加权调整后的证据进行融合获得最终的诊断结果。实例分析结果表明,这种方法可以用来评价证据的重要性,且由于其在进行融合时减少了证据间的冲突,所以该方法能够在旋转机械故障诊断应用中取得较好的效果。     

基于D-S证据理论的液压泵故障诊断

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明,基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。     

基于D-S证据理论的液压泵故障诊断

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。     

基于证据理论的振动发散故障监测方法

针对振动系统中振动迅速发散的故障,设计了基于证据理论的融合监测方法.对用于测量振动信号的多源传感器分别采用传感器数据方差、方差前向差分作商和方差前向作商作为描述状态的特征参数,计算基本概率分配函数,并根据Dempster组合规则进行融合.在隔振系统物理实验平台上实现了融合诊断监测过程,对采用3种特征参数的故障监测效果加以验证、比较和分析.实验结果表明,振动系统中传感器数据方差前向作商适合作为特征参数,由此构建的融合方法能够对振动发散故障实施有效诊断,并可以实现实时监测.     

基于改进证据理论的大型制造装备故障诊断

针对大型制造装备故障诊断中存在的高冲突证据问题,提出了一种改进的信息融合故障诊断方法。该算法通过各条证据可信度获得平均信任度,利用各证据的相对距离构造一个反映冲突强度的动态权重参数。为了使各条证据更能客观地反映装备的故障特性,利用模式之间的相似度获取证据的mass函数。仿真实验结果表明,该算法可以有效减少证据间的冲突,对大型制造设备故障诊断较高的识别率显示了该方法较好的实用价值。     

基于频谱图像的Multi-agent旋转机械故障诊断研究

针对目前诊断系统之间不能通用导致的诊断系统重复开发以及各种振动数据采集仪器、在线式和便携式故障诊断系统都能提供频谱图的现状,分析了各种频谱图的图像特点。提出了利用图像识别进行旋转机械故障特征提取的方法。结合Multi-agent技术开发了基于频谱图像识别的Multi-agent旋转机械故障诊断系统,解决了诊断软件的通用性和适应性之间的矛盾。应用表明,该系统是实用的、有效的。     

基于改进证据理论的多传感器信息融合故障诊断

针对传感器信号不确定会产生冲突证据的问题,提出了一种基于改进证据理论的多传感器信息融合故障诊断方法。提出了基于遗传神经网络的原始证据生成方法,利用遗传算法优化神经网络参数,提高网络训练速度;定义了向量空间和方向相似度,利用分类准则函数区分冲突证据和相似证据,通过可信度修正冲突证据,降低了因不确定性产生的冲突对合成结果的影响。通过齿轮泵故障实验验证了改进方法的有效性,改进方法的诊断正确率明显高于单一传感器的诊断正确率,并通过设置适当的阈值提高了方法的灵活性和适用性。     

基于信息熵与信息融合的供输弹系统故障诊断研究

针对供输弹系统早期故障微弱特征难以提取等问题,提出了信息熵与信息融合的故障诊断方法。将经过降噪预处理后的信号提取样本熵作为特征参量,经Elman神经网络初步诊断,将其输出值归一化后作为证据体的基本概率分配,采用一种基于证据关联系数加权平均融合模型,最终得到决策级融合的诊断结果。结果表明:该方法能有效对供输弹系统故障进行诊断,诊断正确率高达93.71%。     

基于信息融合的滚动轴承故障诊断

滚动轴承故障诊断中同一征兆域很难区分多种故障，单一传感器对故障分类识别有不确定性。提出了利用加速度传感器和声音传感器，基于BP神经网络及D-S证据理论，对所采集的振动信号和声音信号的多种特征信号进行信息融合，实现故障诊断。并对该方法进行仿真试验验证。     

基于时间信息融合的振动故障诊断方法

由于依靠一个状态的数据进行融合诊断存在误诊和漏诊的可能性,提出了一种基于时间信息的融合诊断方法,以小波分析和概率模型为分析手段,给出了基于时间信息融合的具体算法,并定义了故障定量判别的指标——故障度.通过转子故障模拟试验得到了大量数据,对故障实例的计算以及振动信号的分析结果表明,故障度能够有效地区分故障类别,提高了诊断的准确性.