基于改进KFDA独立特征选择的故障诊断

为了有效利用故障特征集中对故障敏感的特征进行故障诊断,对核Fishier判别分析(KFDA)进行改进,提出基于改进KFDA独立特征选择的故障诊断方法。该方法首先从多个角度提取故障振动信号的故障特征,构建原始高维多域混合故障特征集。然后,采用改进的核Fisher特征选择方法为每两类故障状态独立选择敏感特征集。最后,采用"一对一"的方法训练多个二分类相关向量机(RVM),将得到的敏感特征集输入多分类故障诊断模型进行识别。齿轮故障诊断实例表明,所提方法具备较高的诊断准确率。     

基于LCD多尺度散布熵的数控机床故障诊断

为提升数控机床用轴承故障诊断效果,提出了基于LCD多尺度散布熵的数控机床轴承故障诊断方法。该方法利用局部特征尺度分解(LCD)对轴承振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据散布熵能有效区分不同故障信号的复杂度,计算ISC分量的散布熵,获得原始信号多个尺度下的复杂度特征作为轴承故障的特征参数;将该特征参数输入SVM分类器中判断轴承故障,实现故障诊断。轴承不同类型和不同程度故障诊断实验结果表明,所提方法能够提升轴承的故障诊断效果,相比其他一些方法,具有一定的优势。     

基于敏感分量与MCPG的轴承故障诊断方法

针对滚动轴承故障难以准确识别问题,提出了一种基于敏感分量与多卷积池化组(Multi convolution pooling group,MCPG)的故障诊断方法。首先,采用经验模态分解(Empirical mode decom?position,EMD)将原始信号分解成为多个固有模态分量(Intrinsic mode function,IMF),使用离散Fréchet距离作为衡量指标,选取出故障敏感分量作为表征不同故障类型的故障数据源;之后,提出了一种MCPG深度神经网络架构,并使用敏感数据源对模型进行训练与测试,从而实现数据驱动的轴承故障诊断。通过实验验证,表明该方法对不同类型的振动数据(不同转速、不同损伤类型、不同损伤程度)均具有较好的识别效果。     

基于MWT和CNN的滚动轴承智能复合故障诊断方法

提出一种基于多小波变换(MWT)和卷积神经网络(CNN)的滚动轴承智能复合故障诊断方法。对滚动轴承的振动信号进行去除后处理的MWT,得到相应的多小波系数分支;用所得多小波系数分支构造特征图,建立CNN分类器组模型,以实现滚动轴承复合故障的智能诊断。基于人工轴承故障数据集进行了实验研究,同时对诊断方法作了优化改进,即对振动信号进行MWT,用所得多小波系数矩阵构造特征图,建立CNN分类器模型,并进行了对比实验研究。结果表明,该方法能有效识别滚动轴承的复合故障,改进的方法能有效提高故障识别率,降低训练成本。     

基于集成卷积神经网络的行星齿轮智能诊断方法

针对行星齿轮箱故障振动特征需要预处理、识别困难以及诊断模型收敛速度较慢的问题,提出基于集成卷积神经网络的行星齿轮箱智能故障诊断方法。首先,采用一维卷积对齿轮的原始时域振动信号提取特征,之后通过采用两个弱分类器,根据弱分类学习错误率的性能更新样本权重,调整权重后根据训练集训练弱分类器。重复此过程,最后通过设置策略整合弱分类器,形成集成卷积神经网络;建立一个稳定用于行星齿轮箱的智能故障诊断的模型。实验结果表明：集成卷积神经网络能很好地对行星齿轮原始振动信号进行快速诊断。相对于传统卷积神经网络对齿轮原始时域振动故障信号的诊断具有更强的辨识能力和更快的收敛速度;所建立的智能诊断模型可以有效地诊断齿轮不同的故障状态。     

基于CCWEEMDAN和包络谱熵的轴承故障诊断研究

完全互补小波噪声辅助集总经验模态分解(CCWEEMDAN)是经验模态分解(EMD)的改进算法,是一种噪声辅助的自适应非线性非平稳数据处理方法。噪声辅助能克服EMD方法处理间歇信号出现的"模态混叠"问题。而相比较互补集总经验模态分解(CEEMD),完全互补小波噪声辅助集总经验模态分解能实现更优的性能。在轴承故障诊断的应用中,这里的方法利用小波分解高频段噪声细节成分,添加到原始轴承故障信号中,提取出本征模态信号。利用包络谱熵判断轴承故障导致的冲击响应特征所在本征模态信号,通过对轴承外圈、内圈局部故障状态下的特征提取进行故障诊断,结果表明该方法能有效提取故障冲击响应特征。     

基于提升小波包变换和集成支持矢量机的早期故障智能诊断

为了解决机电设备早期故障难以正确识别的问题,有效地提高分类的准确率,提出一种基于提升小波包变换和集成支持矢量机的早期故障智能诊断新方法。首先,该方法采用提升策略构造基于冲击故障信号特征的双正交小波,借助提升小波包变换提取信号的敏感频带特征,从而通过对敏感频带中的小波包系数进行包络解调分析检测出故障特征频率。其次,通过距离评估技术从原始信号和小波包系数的统计特征中选取最优特征集。最后,将最优特征输入到集成支持矢量机中,实现对不同故障类型的识别。将该方法应用于滚动轴承的早期故障诊断中,测试结果表明,该方法能够有效地提取故障特征,具有比单一支持矢量机更好的分类性能,故障诊断准确率更高。     

改进的EMD在齿轮箱故障诊断中的应用研究

提出了一种改进的经验模态分解(Empirical Mode Decomposition,EMD)的故障诊断方法。即将小波包降噪、相关系数原理及选择不同消失矩的db系小波降噪与EMD分解结合在一起的改进方法,其步骤是对故障信号先进行小波包降噪预处理;再进行EMD得到一系列IMF;计算各个IMF与原始信号的相关系数得到需要重复降噪的有效集;根据有效集中IMF的突变性强弱来选择不同消失矩的db系小波进行重复降噪;重构信号并且生成功率谱。实验结果表明,该方法很好地去除了混杂在故障信号中的噪声,提高了信噪比,可以很好地区分出齿轮箱的齿轮和轴承是正常状态还是发生了断齿故障。     

基于全矢EMD的低速重载轴承复合故障诊断方法

针对低速重载轴承故障信号频率低、单通道情况下复合故障信号不完整,从而导致故障特征提取困难的问题,提出将全矢谱技术与EMD相结合的方法解决低速重载轴承故障诊断问题。首先对时域非平稳信号进行角域重采样转化为角域伪平稳化信号;然后通过EMD进行信号的分解与重构,采用双通道全矢谱技术进行同源信息融合,弥补单通道信号测量的不完整性;最后对重构信号进行频谱分析提取特征参量进行故障识别,并通过试验分析进行了验证。     

多个低速重载轴承同轴安装状态下故障诊断方法研究

多个低速重载轴承同轴安装时,不同位置产生的故障脉冲会出现混叠耦合现象,导致故障信号难以诊断。提出基于角域特征量,将全矢谱技术和经验模态分解(Empirical mode decomposition,简称EMD)相结合,进行低速重载轴承故障信号的振源识别与诊断。首先,采用样条插值算法,进行角域重采样,将时域非平稳信号转化为角域伪平稳化信号,提取角域特征参量轴承接触转角,实现信号的振源识别;然后,运用全矢EMD进行信号分解与重构和同源信息融合;最后,对融合后重构信号进行倒角域分析,提取特征参量单圈接触次数,完成信号的故障类型诊断。通过实验分析验证,结果表明,基于角域特征量和全矢EMD的故障诊断方法能在一定程度上满足低速重载轴承故障信号诊断要求,具有一定的实用性。     

Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs

This paper presents a novel method for fault diagnosis based on empirical mode decomposition (EMD), an improved distance evaluation technique and the combination of multiple adaptive neuro-fuzzy inference systems (ANFISs). The method consists of three stages. First, prior to feature extraction, some preprocessing techniques, like filtration, demodulation and EMD are performed on vibration signals to acquire more fault characteristic information. Then, six feature sets, including time- and frequency-domain statistical features of both the raw and preprocessed signals, are extracted. Second, an improved distance evaluation technique is proposed, and with it, six salient feature sets are selected from the six original feature sets, respectively. Finally, the six salient feature sets are input into the multiple ANFIS combination with genetic algorithms (GAs) to identify different abnormal cases. The proposed method is applied to the fault diagnosis of rolling element bearings, and testing results show that the multiple ANFIS combination can reliably recognise different fault categories and severities, which has a better classification performance compared to the individual classifiers based on ANFIS. Moreover, the effectiveness of the proposed feature selection method based on the improved distance evaluation technique is also demonstrated by the testing results.     

Crack Fault Classification for Planetary Gearbox Based on Feature Selection Technique and K-means Clustering Method

During the condition monitoring of a planetary gearbox, features are extracted from raw data for a fault diagnosis.However, different features have different sensitivity for identifying different fault types, and thus, the selection of a sensitive feature subset from an entire feature set and retaining as much of the class discriminatory information as possible has a directly effect on the accuracy of the classification results. In this paper, an improved hybrid feature selection technique(IHFST) that combines a distance evaluation technique(DET), Pearson's correlation analysis, and an ad hoc technique is proposed. In IHFST, a temporary feature subset without irrelevant features is first selected according to the distance evaluation criterion of DET, and the Pearson's correlation analysis and ad hoc technique are then employed to find and remove redundant features in the temporary feature subset, respectively, and hence,a sensitive feature subset without irrelevant or redundant features is selected from the entire feature set. Further, the k-means clustering method is applied to classify the different kinds of health conditions. The effectiveness of the proposed method was validated through several experiments carried out on a planetary gearbox with incipient cracks seeded in the tooth root of the sun gear, planet gear, and ring gear. The results show that the proposed method can successfully distinguish the different health conditions of a planetary gearbox, and achieves a better classification performance than other methods. This study proposes a sensitive feature subset selection method that achieves an obvious improvement in terms of the accuracy of the fault classification.     

基于改进全息希尔伯特谱分析的旋转机械故障诊断方法

时频分析方法能够有效同时提取故障设备振动信号的时间和频率信息,但在全面反映非线性振动信号幅值调制与频率调制特征之间的跨尺度耦合关系方面仍存在局限,且容易受到噪声干扰。对此,创新性地将全息希尔伯特谱分析(Holo-Hilbert spectral analysis,HHSA)方法引入到机械故障诊断中。HHSA通过双层经验模态分解(EMD)结构可完整地描述振动信号的内部调制特性,非常适合机械局部故障的检测。同时,为了进一步提升HHSA的诊断精度、抑制EMD模态混叠和噪声干扰,提出一种基于改进再生相移正弦辅助经验模式分解(Improved regenerated phase-shifted sinusoid-assisted EMD,IRPSEMD)的改进HHSA方法(IHHSA)。通过仿真信号验证IHHSA方法用于局部故障检测和诊断的有效性。最后,将IHHSA应用于齿轮裂纹故障和滚动轴承局部故障诊断中,结果表明,提出的IHHSA方法能够更全面地反映和呈现非线性故障振动信号的内部调制关系,且具有更好的故障识别能力。     

基于全矢增强深度森林的旋转设备智能故障诊断方法

针对传统智能诊断方法需要专家知识和复杂特征提取，而深度神经网络模型复杂度高、构建难度大，以及单源信号信息不完备等问题，提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点，选择全矢谱技术与深度森林多粒度扫描相结合，用于接收同源双通道信号输入，增强了数据的完备性，并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性，分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究，结果表明，该方法在不同旋转设备上都有很好的诊断效果，并可以实现端到端故障诊断。此外，该方法在小训练数据集上的故障识别准确率也非常高。     

基于改进EMD与PNN的汽轮机通流部分故障诊断

根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。     

基于改进特征选择方法的齿轮故障SVM诊断

为提高齿轮故障诊断的精度,对常用的共享特征选择方法(Share feature selection,SFS)进行改进,提出了改进的特征选择方法(Improved feature selection,IFS)。改进的特征选择方法结合齿轮两两故障类型之间的特点,在齿轮两两故障之间建立独立的故障特征集,用以取代所有故障类型的共享特征集;而后,通过建立多个二分类的支持向量机,对独立的故障特征集进行识别,得到诊断结果。齿轮故障诊断实例表明,改进的特征选择方法排除了无用特征的干扰,提高了诊断精度,具有一定的优势。     

EMD-AR和GRNN算法下的航空液压泵多模态故障诊断分析

针对新一代飞机高综合化、高复杂度和高耦合性导致的传统推理故障诊断策略难以满足现代维修保障需求的问题,开展基于广义回归神经网络(Generalized Regression Neural Network,GRNN)的飞机液压泵智能化故障诊断研究。构建经验模态分解(Empirical Mode Decomposition,EMD)与自回归(Autoregressive,AR)相融合的深度特征提取方法,提升原始信号的隐层故障特征筛选能力;再将增强后的隐层特征与GRNN相结合进行神经网络训练,提升智能诊断模型的识别精度。实验结果表明,EMD-AR-GRNN智能诊断模型能快速、准确地诊断出液压泵各故障模态,对保障设备的安全运行,提升系统可靠性具有重要的意义。     

无标签数据下基于特征知识迁移的机械设备智能故障诊断

对于智能故障诊断方法,大量有标签数据是实现智能模型训练的必要条件,但该条件在部分工业应用场景下难以满足。难以采集足够有标签数据,尤其是故障状态下的数据,在一定程度上限制了智能故障诊断方法的工业化应用。为解决该问题,提出基于特征知识迁移的机械设备智能故障诊断方法,将实验设备或其他相关设备所采集的足量有标签数据所蕴含的特征知识迁移至工业现场设备所部署的智能模型中,完成不同机械设备之间监测数据的特征知识迁移,从而实现无标签数据下的机械设备智能故障诊断。提出方法首先构建一维深度卷积神经网络,实现从原始振动信号到机械设备故障类别的深度映射。然后在深度卷积神经网络中加入领域适配正则约束项,实现不同机械设备监测数据间特征知识的深度迁移适配。最后,通过全连接神经网络进行机械设备健康状态的识别。为验证提出算法的有效性,通过两种机械设备的轴承在不同性能状态下所采集的监测数据进行迁移故障诊断实验,实验结果表明:提出方法实现了不同设备间监测数据特征知识的迁移适配;相对于传统智能诊断方法,提出的方法在两个数据集之间的迁移故障诊断识别率提高20%以上。     

Multiple parametric faults diagnosis for power electronic circuits based on hybrid bond graph and genetic algorithm

Aiming at the problem to diagnosis multiple parametric faults in power electronic circuits, a new diagnosis framework based on hybrid bond graph (HBG) and genetic algorithm (GA) is presented. Firstly, the circuits are modeled by HBG modeling technique, in which the equivalent models of the key components are considered. Then, a set of residuals equations and a fault signature matrix (FSM) are derived from the HBG model. Each faulty component exhibits their degradation symptoms on residuals equations. Thus, faults can be detected by comparing residuals with fault detection thresholds and isolated based on FSM. Finally, GA method is employed to identify the component faults. The fitness function of GA is constructed by the residuals equations in which the faulty components are contained. Simulation and experiment are carried out to verify the feasibility and effectiveness. The results show that the developed method is applicable to diagnosis both single and multiple parametric faults.     

基于改进EMD的旋转机械耦合故障诊断方法研究

提出一种基于改进EMD的旋转机械耦合故障诊断方法。该方法结合相似极值延拓和加余弦窗函数运算的优点,解决了延拓部分不精确和加窗函数后使原信号发生改变的问题,提高了EMD方法的运算精度。应用该方法对存在裂纹碰摩故障的转子－轴承系统振动信号进行了特征提取,并进行了故障诊断,与单一故障特性相比,诊断出的振动信号既有裂纹引起的高频成分,也有碰摩引起的低频成分,得到的耦合故障特征证明了该方法的有效性。