同步压缩-交叉小波变换及滚动轴承故障特征增强

为了更有效地对轴承故障进行监测和诊断,提出了一种基于同步压缩-交叉小波变换的滚动轴承故障特征增强方法。该方法首先将信号分成长度相等的两路信号,然后分别进行同步压缩小波变换,并将得到的同步压缩小波系数作为交叉小波变换的输入,进而获得交叉小波尺度谱,实现轴承故障特征频率的增强。将该方法应用于滚动轴承的故障诊断,与连续小波变换、交叉小波变换和同步压缩小波变换方法相比,所提方法可有效提取轴承在时频域内的细节特征,使轴承特征频率在时频域上的可读性增强,进而实现轴承故障的精确可靠诊断。     

基于排序模式相异性分析的轴承健康监测

排序模式分析方法通过相空间重构将一维振动时间序列映射到排序模式概率分布,来揭示序列内部结构的复杂性变化,为微弱信号特征提取提供了一种新视角。将排序模式分析和信息散度相结合,提出一种排序信息散度指标,用于对设备不同运行状态下的振动信号在高维相空间中排序模式概率分布的差异性进行量化分析,并用于轴承内圈不同损伤程度评估和轴承全寿命退化趋势分析。结果表明,与传统的时域统计指标及小波熵、近似熵、排序熵等非线性复杂度指标相比较,所提出的排序信息散度指标具有较好的故障程度量化分析性能,对轴承早期故障退化更加敏感,且稳定性好、计算效率高,利于工程实现。     

基于多字典-共振稀疏分解的脉冲故障特征提取

针对信号共振稀疏分解(RBSSD)方法中因字典单一导致其在处理低信噪比信号时存在分解不完全,以及因参数繁多选取困难而使其在实际工程中存在应用局限的问题,提出了多字典-共振稀疏分解(MD-RBSSD)方法。该方法在RBSSD调Q字典的基础上添加了Symlet8字典和正弦字典,通过对RBSSD分解后的低共振分量进行再次分离来实现对故障脉冲的增强提取。同时,引入相关峭度指标对提取结果进行量化评价,以验证分解结果的可靠性。算法仿真、实验分析和工程实例结果均表明,与传统RBSSD方法相比,所提出的MD-RBSSD方法能够更加准确有效地提取故障冲击成分,降低了RBSSD参数选择的难度,从而增加了RBSSD方法在工程领域的适用性。     

基于相关主成分分析和极限学习机的风电机组主轴承状态监测研究

提出了一种基于相关系数法和主成分分析法以及极限学习机相结合的主轴承状态监测方法。该方法利用相关系数法选取数据采集与监视控制系统中与主轴承温度相关的变量作为初始输入变量;再用主成分分析法对所选变量进行降维处理,以消除变量之间的相关性和冗余性;进一步利用极限学习机建立主轴承正常运行时的温度模型并用其进行温度预测;最后利用滑动窗和核密度估计方法对残差进行分析,并基于实测的数据进行主轴承故障模拟。结果表明,该方法可有效地实现主轴承潜在故障的预测。     

一种负荷突变情况下异步电机转子断条故障在线检测新方法

异步电机发生转子断条故障时,其定子电流故障特征频率分量容易被电流基频淹没,加之实际工作中电机负荷突变的干扰,极大地增加了故障特征频率提取及检测的难度。为解决该问题,将解析小波和定子电流谱减法结合,提出一种有效的故障检测新方法。该方法首先利用解析小波变换来判断负荷突变点,然后通过谱减法来消除定子电流频谱中的基频分量,突出故障特征频率,进一步定义故障程度因子来量化转子断条故障程度。仿真和实验分析结果表明,该方法对于负荷突变情况下转子断条故障特征频率更加敏感,能够定量地描述转子故障程度。     

基于改进 MEDA 算法的脑电情绪识别

针对普通机器学习算法与迁移学习在应用方面的局限性,利用改进流形嵌入分布对齐算法(MEDA)算法解决跨被试情 绪识别中准确率低的问题。 其中 MEDA 通过流行特征变换来减小域之间的数据漂移,并能够自适应定量估计边缘分布和条件 分布的权重大小。 针对特征维度大且有可能存在不良特征的问题,提出改进 MEDA 算法,即引入改进最小冗余最大相关算法 用于特征选择,并对多源域下的多组识别结果进行决策级融合,进一步提升迁移学习效果。 在 SEED 数据集和实测数据对该算 法验证,改进 MEDA 算法相比于支持向量机、迁移成分分析和联合分布适配算法,整体识别精度分别提升了 8. 97% 、4. 00% 、 2. 89% ,改进的 MEDA 算法相比于改进前,每个被试识别准确率均有提升的同时整体识别提升 3. 36% ,验证了该方法的有效性。     

基于EEMD与AR建模的风电场风速预测

针对风速时间序列的非平稳性与非线性,提出一种基于集合经验模式分解(EEMD)与AR建模分析的风电场风速集成预测方法。首先运用EEMD对风速序列进行预处理,将其分解为一系列相对平稳的固有模态分量(IMF),突出原始风速序列的局部特征信息;然后利用AR建模对各分量进行预测分析,降低建模难度与预测成本;最后,将各分量的预测结果利用最小二乘法求得权值后进行集成得到风速序列的预测结果。风电场实测数据验证表明,相比单一的AR建模预测和基于EMD的AR集成预测,该方法有效地提高了预测的精度。     

基于空洞因果卷积网络的风电机组异常检测

准确可靠的异常检测对于保障风电机组安全高效运行尤为重要。然而，由于风电机组内部结构复杂，运行工况复杂多变，导致所获取的数据采集与监控（SCADA）系统数据往往呈现出复杂的非线性和关联耦合特性。为了更加有效地捕获不同传感器变量之间的空间相关性，提出基于空洞因果卷积网络的风电机组异常检测方法，并采用Focal Loss改进损失函数解决了数据不平衡问题对模型性能的影响。该方法可通过不同的感受野大小从多尺度角度提取丰富的空间相关特征，有效建模并挖掘不同传感器数据间存在的空间因果关系。同时，该模型提供了一种端到端的异常检测方案，可直接从原始SCADA数据中提取空间特征，建立数据与状态标签之间的非线性映射关系，从而输出异常检测结果。通过某风场的SCADA数据实例分析验证了所提出方法的可行性和有效性。     

基于条件卷积自编码高斯混合模型的风电齿轮箱健康评估

为实现对风电齿轮箱健康评估、发现齿轮箱部件早期故障，提出一种基于条件卷积自编码高斯混合模型的风电齿轮箱健康评估网络。在编码器部分，同时对传感器信息和时序信息进行编码解码并提取压缩特征，根据高斯混合模型设计基于信号本身概率分布的能量设计评价指标进行健康评估。根据核密度估计确定阈值，并利用某真实风电场数据进行实验，验证方法的有效性。