拉普拉斯特征映射算法在滚动轴承故障识别中的应用

由于滚动轴承故障的非线性和非平稳性特征,传统线性方法不能准确发现和识别出故障类型及其受损情况,该文提出使用流形学习拉普拉斯特征映射(LE)算法对滚动轴承故障进行识别.在由幅值、时域统计指标和由小波包函数分解得到的能量比作为特征向量构建的高维特征空间中,使用LE算法和两种传统的降维方法PCA、MDS进行对比,提取出最敏感、最能表征滚动轴承运行状态的低维特征量,再使用模式识别进行分类,聚类结果用三维图形表示.以样本识别率和模式识别中的类内距和类间距作为评价指标,模拟实验结果表明:LE算法不仅能有效地识别出滚动轴承故障类型而且能区分和识别出轴承外圈在不同受损情况下的运行样本.     

加速度包络解调方法在风力发电机滚动轴承早期故障诊断应用研究

滚动轴承是大型异步风力发电机核心零部件,在很大程度决定了风力发电机组的服役质量。滚动轴承在整个传动系统中极易受到相关工况的影响出现异常磨损,最终导致发电机组故障。提出一种基于加速度包络解调方法的大型异步风力发电机滚动轴承早期故障诊断技术,分别在单轴承故障诊断试验台和某型号大型异步风力发电机中对轴承内圈滚道面上存在早期微弱损伤的滚动轴承进行试验,试验结果表明：加速度包络解调方法是一种能比功率谱更准确识别出大型风电轴承微弱的早期故障的有效方法。     

基于拉普拉斯特征映射的滚动轴承故障识别

用传统的线性方法对非平稳和非线性运行状态的滚动轴承进行故障诊断时,效果欠佳。为了及时、准确地监测轴承的运行状态,提出了将拉普拉斯特征映射算法(Laplacian Eigenmap LE)应用到滚动轴承的故障识别中。在振动信号构建的时域和频域高维特征空间矩阵中,充分利用LE算法在非线性特征提取和降维的优点,进行学习,提取表征轴承状态的特征量,并以可视化的聚类结果进行表示。实验模拟了轴承的4种不同类型故障以及滚动体的4种不同受损程度,采用模式识别中聚类性的类内距和类间距两个参数作为衡量指标。与PCA和KPCA两种方法对比,LE不仅明显识别出四种故障类型和有效的区分出滚动体的不同受损程度,而且识别率大大提高。并通过测试样本组验证了LE方法的有效性。     

基于拉普拉斯特征映射的旋转机械故障识别

针对旋转机械故障特征信号复杂且难以提取有效特征量的问题,提出一种基于拉普拉斯特征映射算法(Laplacian Eigenmap,LE)的旋转机械故障识别方法。对旋转机械三类典型故障的监测信号进行提取和转换得到26个时域和频域特征量,在由此构建的高维特征空间中,利用LE算法进行特征融合,提取隐藏在高维特征空间中的故障本质和规律进行故障样本分类识别。利用二维或三维图像表示提取出的低维结果,以样本识别率及聚类分析中的类间距Sb和类内距Sw作为衡量指标,从模式识别的角度进行分析。结果表明:较之主元分析法(principal component analysis,PCA)和核主元分析法(kernel principal component analysis,KPCA),LE方法能够更好地从高维特征空间中提取出有效特征量表征设备运行状态,实现旋转机械典型故障的分类识别。