一种基于小波包与KPCA的发动机多信号融合故障诊断方法

针对活塞式发动机典型故障提出一种基于小波包分析与核主成分分析技术的多信号融合诊断方法。首先采用小波包对原始振动信号进行分解,提取故障频域特征;然后融合振动时域信号及机组排温等热工参数,采用核主成分分析技术进行参数维度缩减,获得典型故障的敏感特征;最后采用支持向量机完成故障自动分类。实际故障案例数据表明,该方法可有效提取发动机故障特征,故障分类准确性较高。     

核函数主元分析及其在齿轮故障诊断中的应用

提出了基于核函数主元分析的齿轮故障诊断方法。该方法通过计算齿轮振动信号原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析,得到原始特征的非线性主元,以所选的非线性主元作为特征子空间对齿轮工作状态进行分类识别。用齿轮在正常状态、裂纹状态和断齿状态下的试验数据对该方法进行了检验,比较了主元分析与核函数主元分析的分类效果。结果表明,核函数主元分析能有效的检测裂纹故障的出现,正确区分不同的故障模式,更适于提取故障信号的非线性特征。     

双树复小波包与自适应排列熵在轴承故障诊断中的应用

针对滚动轴承信号存在大量噪声、故障特征难以提取,而双树复小波包可减少有用信息的丢失,提出双树复小波包与排列熵结合的轴承故障诊断方法。首先经双树复小波包与排列熵结合对不同层数的分量计算平均排列熵值,确定最佳分解层数;其次采用峭度值作为指标对加噪信号选取分解后的最佳分量;最后对最佳分量进行包络分析提取故障特征频率。双树复小波包与排列熵相结合确定最佳层数方法,避免了对原始信号的过分解和欠分解,从而有效应提取到故障特征。     

基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法

针对表征齿轮故障特征信息难提取与极限学习机输入权值与隐含层节点阈值随机选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法。该方法首先将齿轮振动信号经过小波包分解,再利用分解所得各节点信号与原信号的相关系数选取出最优节点并计算其能量特征;其次,利用蝙蝠算法优化极限学习机的输入权值与隐含层节点阈值,建立BA-ELM的齿轮故障分类模型;最后,将所得小波包最优节点能量特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明,与基于SVM和ELM的故障分类方法相比,基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。     

基于特征融合和稀疏表示的齿轮故障诊断

提出了基于特征融合和稀疏表示的机械故障诊断方法。用小波包分解齿轮振动信号,提取各频带的能量,组成初始特征向量。为了去除初始特征向量中的冗余信息,采用核主元分析进行特征融合,对初始特征向量进行降维,将降维之后的特征向量进行归一化,作为稀疏表示分类的输入。齿轮故障诊断实验表明,所提方法能较好地诊断出齿轮不同类型的故障。     

基于改进LMD与小波包降噪对故障弱信号的提取

针对微弱故障信号易被强噪声淹没的难题,提出了一种基于小波包降噪与改进LMD相结合的提取微弱信号特征向量的方法。首先选择恰当的小波基进行小波包分解,再根据计算出的最优小波包树进行信号重构,实现对原始信号的降噪处理。然后对重构的信号进行LMD分解,再计算PF分量的互相关系数和峭度值,减少虚假分量同时增强故障信号幅值。最后对真实的PF分量进行包络谱分析,提取弱信号的故障特征。实例研究结果表明:该方法能够有效地提取出淹没在强噪声中的故障弱信号的特征向量。     

基于小波包与神经网络相结合的主轴箱齿轮故障识别

用加速度传感器获取主轴箱振动信号,应用小波包分解提取故障特征向量,进一步用特征向量训练前向传播BP神经网络,建一立齿轮运行状态分类器,对齿轮故障进行识别。实验结果表明,基于小波包分解能量提取故障特征是十分有效的。     

基于KPCA的轴承故障状态分类研究

提出基于核函数主元分析的轴承故障分类方法。该方法通过计算轴承振动信号原始特征空间的核函数来实现原始特征空间到高维特征空间的非线性映射。通过振动测试仪获取轴承在正常、外圈破损和保持架损坏状态下的实验数据,比较主元分析与核函数主元分析的故障分类效果。实验表明,核函数主元分析更适合提取故障信号的非线性特征,对故障特征状态有更好的分类效果,并对分类器有较强的鲁棒性。     

基于多小波包和邻域粗糙集的故障诊断模型

为了解决机械设备复合故障难以正确识别的问题,提出一种基于多小波包和邻域粗糙集的机械故障诊断模型.首先,采用多小波包对原始振动信号进行分解,分别提取原始信号和各分解频带信号的时域特征组成原始特征;然后,采用邻域粗糙集方法筛选出敏感特征作为多分类支持向量机的输入,实现机械设备不同状态的自动识别.模型应用结果表明相比于传统小波包,多小波包分解够提取到更丰富的故障信息和获得较高的识别精度;邻域粗糙集能够从大量的原始特征中选择出敏感特征,减小分类算法的复杂性,进一步提高分类准确率.该模型在复合故障的诊断方面具有显著优势.     

基于EMD与多特征的支持向量机故障诊断

针对齿轮振动信号的非线性、非平稳性与故障分类识别率低的问题,提出了一种基于EMD(经验模态分解)与多特征的支持向量机(SVM)故障诊断方法。该方法首先将采集到的信号进行小波包降噪;然后提取降噪后信号的各项时域参数指标;同时,将降噪信号经过EMD运算并提取以互相关准则选取的各本征模式分量(IMF)的能量指标;最后,将两部分特征向量组合后作为SVM的输入进行训练与预测。实验结果表明,该方法对于齿轮状态具有很好的分类精确度,能很好地应用于齿轮的故障诊断。