基于 MSK-SVM 的滚动轴承故障诊断方法

针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine, MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断。该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了Morlet、Marr和DOG小波核函数。利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核。基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型。为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能。结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力。     

DRC-ACM:一种精确的基于解析中心的分类器

ACM是一种基于版本空间(version space)解析中心的分类器，它具有较好的泛化性能．但是由于冗余约束的存在，使得ACM分类器的解偏离主版本空间(prime version space)解析中心，从而降低了分类器的泛化性能，同时冗余约束还将降低分类器的分类速度和存储效率．针对上述问题，提出了一种冗余约束增量约简算法，同时将增量约简算法与ACM分类器的算法结合起来，形成了一种去冗余约束的精确的ACM分类器(DRC-ACM)．通过对Heart，Thyroid，Banana数据集的实验，证明DRC-ACM分类器是有效的．     

基于形状的时间序列相似性度量及模式发现算法

针对目前时间序列模式发现中使用的时间序列相似性度量易受尺度(scale)和平移的影响,不适应基于形状的时间序列模式发现,本文提出了一种重标和平移不变的时间序列相似性度量:Sh 度量,给出度量的性质及其证明。同时提出了基于Sh度量的时间序列形状模式发现算法,并对算法的有限次迭代终止性和时间复杂性进行了证明。论文最后通过对人工数据和太阳黑子数据的实验证明了本文提出的Sh度量及基于形状的时间序列模式发现算法的有效性。     

改进小波算法在滚动轴承故障诊断的应用

在滚动轴承故障诊断中,为了提高诊断的准确率,需要对振动信号进行去噪预处理。小波变换具有良好的时频布局分析能力,在滚动轴承此类非平稳信号的去噪处理中得到了广泛应用。但是传统的阈值函数存在一定问题,影响去噪效果。提出了一种新的小波阈值函数,削弱了传统软硬阈值函数的缺陷,并且与已有的几种改进函数的去噪结果进行对比,证明了上述方法有很高的准确性和有效性,其去噪后的信噪比和均方根误差均优于软硬阈值和其它改进的阈值函数。     

基于参数优化的MCKD的滚动轴承早期故障诊断

针对滚动轴承早期故障被淹没在噪声信号下特征信号微弱,故障特征难以提取的问题,将最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)应用于滚动轴承早期故障诊断。并针对MCKD参数滤波器长度及移位数需人为选择的问题,提出一种基于参数优化的最大相关峭度解卷积的滚动轴承早期故障诊断方法。首先,针对轴承工作的实际工况讨论了最优移位数;然后,以经解卷积后信号的形态能量熵作为评价函数,利用网格搜索法对滤波器长度进行寻优;最后,利用参数优化后的MCKD算法增强信号中的冲击成分,通过包络谱判断轴承故障类型。实验表明,该方法可有效的增强轴承信号中微弱的故障特征成分,实现滚动轴承早期故障的诊断。     

双稳系统噪声特性的分析与弱信号检测的研究

研究了噪声通过双稳系统其能量向低频区集中的频谱特性，并根据绝热近似理论，得出只有在噪声能量集中的低频区域才能产生随机共振(SR)主谱峰的结论。提出频率压缩变换的SR方法，分析了绝热近似SR技术在大参数条件下从强噪声中检测弱信号的应用。仿真结果表明，只要双稳系统输入端的信噪比不低于-30 dB，且实测采样频率不小于弱周期信号频率的50倍，就可由双稳系统的响应谱得到弱周期信号频率处的SR谱峰值特征。达到识别弱信号的目的。     

信号处理技术在滚动轴承故障诊断中的应用与发展

对近年来国内外滚动轴承故障诊断中的信号处理技术应用状况进行了回顾,重点简述了现代信号处理技术在滚动轴承故障诊断中的应用和各自的特点,并对今后滚动轴承故障诊断技术的发展方向进行了预测。