基于滑动平均与相关向量机的齿轮早期故障智能诊断

早期故障及时检测与预防维护具有很大的经济与安全意义,提出一种基于相关向量机(RVM)的智能故障诊断方法用于检测齿轮早期故障。首先,小波包变换与Fisher准则结合,自动确定最优分解层次,并在小波包树节点能量中提取出具有最大分类能力的全局最优特征;其次,RVM用于训练故障诊断模型;最后,在线监控过程中,对连续监测的特征值做滑动平均滤波,再输入到故障诊断模型。实验表明,该方法具有很高的分类精度,RVM模型比SVM模型更适合在线故障监测。     

基于特征处理的MVU算法在齿轮故障诊断中的应用

针对不同故障类别齿轮的故障信息难以有效获取、齿面多类故障难以准确聚类的问题,提出一种基于特征处理的最大方差展开(Maximum Variance Unfolding,MVU)维数简约的齿轮故障诊断模型。首先对获取的振动信号进行最小熵反卷积(Minimum Entropy Deconvolution,MED)预处理,将高低频段进行分离并筛除不确定信号,并在多域上提取信息熵作为特征指标;而后,利用样本点分布矩阵筛选高效表征特征指标并构建高维特征空间,并利用改进的MVU算法对其进行维数简约,获取低维的真实子空间;最后,将其输入到超球多类支持向量机中进行超球构造与分类识别。通过实验数据的分析对比验证模型的有效性。     

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function, IMF),对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断     

基于Choquet模糊积分的水电机组振动故障诊断

为提高水电机组故障诊断的准确性,提出了基于Choquet模糊积分融合的多分类器组合故障诊断方法,对朴素贝叶斯分类器进行了基于属性相似度的加权改进,得到基于属性相似度的加权朴素贝叶斯分类器(Attribute Similarity Weighted Naive Bayes Classifier,简称SWNBC),并应用基于Mahalanobis距离的分类器(Mahalanobis Distance Classifier,简称MDC)与BP神经网络(BP neural network)组合成为SWNBC+MDC+BP的多分类器组合模型,以小波包提取的相关频带能量作为输入特征向量,应用组合模型对水电机组故障进行诊断,采用模糊积分法来决定最终的故障类型。实验结果表明该模型相对于单一的分类器,能有效提高识别故障的精度。     

基于VMD和SVD的柴油机气门间隙异常特征提取研究

为有效地从柴油机缸盖表面振动信号中提取气门间隙故障特征,提出一种基于变分模态分解(VMD)和奇异值分解(SVD)的特征提取新方法。采用VMD算法对缸盖振动信号进行分解,利用所得的模态分量构建特征矩阵;接着应用SVD理论将特征矩阵转变为表征频率特性的奇异值序列,探讨了稳定工况下的奇异值序列与不同气门间隙状态之间的关系;由于转速、负荷等工况的改变对信号特征层的影响与故障所引起的信号特征的改变可能非常相似,因此将奇异值序列作为特征参数,输入到随机森林分类器中,构建分类模型,对柴油机变工况下的气门间隙故障进行诊断。实验结果表明:该方法能有效识别气门间隙故障,突出故障敏感特征;与传统基于Hankel矩阵和小波包系数矩阵的SVD特征提取方法相比,该方法所提特征参数在柴油机变工况条件下具有更高的识别率。     

基于排列熵与IFOA-RVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出基于排列熵与改进的果蝇算法(IFOA)优化相关向量机(RVM)的汽轮机转子故障诊断方法。将实验数据进行自适应完备的集合经验模态分解(CEEMDAN),并选取故障特征敏感的IMF分量计算排列熵,以此构造特征样本集,进而建立"二叉树"IFOA-RVM故障分类器对特征集进行分类,其中IFOA通过两个阶段来定义果蝇群体的搜索范围来提高搜索效率,同时避免RVM核函数陷入局部最优。通过ZT-3汽轮机转子模拟试验台获得的故障数据进行实验研究,结果表明与模糊熵对比,排列熵获得的特征样本集的聚类效果明显;IFOA-RVM分类器在故障识别准确率和效率上优于FOA-RVM等其它分类器;证明了基于排列熵与IFOA-RVM汽轮机转子故障诊断方法的有效性和可行性。     

基于深度度量学习的轴承故障诊断方法

针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。     

次序二叉树支持向量机多类故障诊断算法研究

构建二叉树支持向量机时,如果随机地将分类器分布在二叉树的各个结点上,是不能充分发挥其性能的。考虑到样本的分布情况对分类器推广能力具有较大影响,提出一种次序二叉树支持向量机多类算法,采用样本分布半径和样本分布距离估算各个类别的样本在高维特征空间中的分布情况,把分布半径较大的类别或者分布距离较大的类别较早地分出来,并且在特征空间中给其划分较大的分类区域。转子多故障诊断实验表明,该算法的诊断速度快,故障识别率高,推广能力强,更加适合于实际故障诊断应用。     

基于Littlewood-Paley小波支持向量机的故障诊断

提出一种基于Littlewood-Paley小波支持向量机(LPWSVM)的旋转机械故障诊断模型。首先将故障信号EMD分解为平稳IMF分量,再选择表征故障调制特征的IMF分量并构造瞬时幅值Shannon熵作为故障特征矢量输入到LPWSVM中进行故障识别。EMD分解可自适应分离故障调制信号;瞬时幅值Shannon熵矢量的不同拉大了各类故障的互异性;Littlewood-Paley小波核是一种具有平移正交性的多维允许支持向量核函数,可以其正交性逼近二次可积空间上的任意函数,具有良好的非线性映射能力,因而LPWSVM在同等条件下比一般最小二乘支持向量机的学习精度和自适应识别能力要高,更适用于故障诊断等复杂模式识别问题。一个滚动轴承故障诊断实例说明该模型的有效性。     

基于GARCH模型MSVM的轴承故障诊断方法

针对振动信号因非平稳性导致自回归(AR)模型无法有效描述信号特征的不足,提出一种基于广义自回归条件异方差(GARCH)模型多类支持向量机(MSVM)的故障诊断方法。该方法首先利用GARCH模型拟合各种故障信号,将所得模型参数作为故障诊断特征,以MSVM作为故障诊断方法。试验结果验证了GARCH模型方法的可行性和有效性,同时将该方法同基于AR模型的方法及其改进方法进行比较,结果表明该方法在诊断率及诊断时间上都有明显提高。     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法。采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集,将所提特征嵌入流形空间进行流形特征变换,同时,对变换后的流形特征动态分布对齐;利用源域数据和目标域数据训练分类模型,以获得未知标签的滚动轴承故障诊断结果。实验表明,所提方法能够最小化域间特征分布差异,有效提高滚动轴承状态识别的准确率。     

基于振动分布特征的电力变压器绕组故障诊断

振动分析法是实现电力变压器带电监测与故障诊断的重要手段,而基于振动分析法的故障诊断方法的关键在于从复杂的油箱壁振动信号中提取出状态特征(值或矢量)。传统的状态特征提取方法大多选取单个测点的振动信号进行时域或频域特征的提取,往往忽略了各测点间的振动分布特征。从振动重心的角度对振动分布的幅值重心及重心轨迹进行研究与分析,能够提出四个量化参数。在四个量化参数的基础上结合支持向量机分类算法提出基于振动分布特征的变压器绕组故障诊断模型。实际变压器的绕组故障实验以及十余台台电力变压器现场实测数据样本的分析与测试结果均表明,提出的振动分布特征及量化参数能够有效反映变压器绕组变形、压紧力松弛等机械结构变化,而基于振动分布特征的绕组故障诊断模型也可准确的对变压器绕组机械结构状态进行检测与诊断。     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法。通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类。为了避免因人为选择DBN结构参数,导致模型识别精度下降的问题,利用改进的混合蛙跳算法(ISFLA)对DBN结构参数进行优化。试验表明,与BP神经网络、未经优化的DBN以及单传感器故障诊断相比,该研究提出的信息融合及优化方法具有更高的故障识别精度。     

参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断

针对行星齿轮箱特征提取困难的问题,提出一种基于参数优化变分模态分解与多域流形学习的故障诊断方法.首先,利用樽海鞘群优化变分模态分解(SSO-VMD)对信号进行分解与重构,降低噪声干扰;然后,从多域提取故障特征,并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)算法进行降维处理,获取低维故障...     

基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究

作为发射车的关键组成部件,滚动轴承的工作环境复杂,故障诊断困难。提出一种自适应深度卷积神经网络,针对传统CNN诊断方法存在的计算效率较低、参数调试需人工经验指导等问题,采用粒子群优化算法确定CNN模型结构和参数,应用主成分分析法将故障诊断特征学习过程可视化,评估其特征学习能力。将提出方法应用于发射车滚动轴承故障诊断,对比标准CNN、SVM、ANN诊断方法,10种工况的诊断结果表明,提出方法诊断精度高且鲁棒性好。     

基于SRC模式识别方法的柴油机故障诊断研究

测量了五种柴油机常见故障时的缸盖表面振动信号,并利用S变换对其中燃烧激励的响应信号进行时频分析.基于SRC方法找出最能表征各种故障特征的时频域,根据时频域的频率范围,设计FIR带通滤波器,并对不同故障下燃烧激励的响应信号进行滤波,滤波后的信号作为该故障的故障模板.进行故障识别时,首先用滤波器对燃烧激励的响应信号进行滤波,将滤波后的信号与故障模板进行相关分析,根据相关系数的大小来判别故障.典型故障的模拟试验表明,SRC方法具有较高的故障分辨能力.