基于等距映射与加权KNN的旋转机械故障诊断

针对旋转机械高维复杂故障特征数据难以快速准确辨识的问题,提出一种基于等距映射非线性流形学习与加权KNN(K-nearest neighbor)分类器相结合的旋转机械故障诊断方法.在由时域统计指标和内禀模态分量能量构造的原始特征空间中,首先利用等距映射非线性流形学习算法提取旋转机械故障状态变化的本质特征,随后将提取的低维本质特征输入给加权KNN进行旋转机械的故障模式辨识.通过对齿轮箱的实验数据分析表明,该方法不仅对高维复杂的非线性故障特征具有良好的降维性能,而且故障识别率较之传统方法也明显提高,能够有效识别出高维特征空间的非线性故障特征.     

旋转机械故障教学实验台的设计

简述了旋转机械故障教学实验台设计的目的、故障识别及设计方案。     

基于神经网络的旋转机械故障智能诊断系统

利用专家系统和神经网络技术建立了旋转机械故障的智能诊断系统，该系统具有神经网络诊断及专家系统的综合诊断能力，发挥了各自的优点，取得了很好的效果。     

多传感器主元方向和神经网络的状态识别方法

提出了一种基于特征集第一主元方向及其信息保留率的状态识别方法.首先计算得到多路信号的特征集,继而计算该特征集的第一主元方向在特征集所在的高维空间中的方向角向量,并以该方向角向量和第一主元方向上的信息保留率作为状态识别的新特征集.提出了一种较为宽泛的神经网络收敛准则和判据方法,该方法中网络输出节点数为1,并结合非对称交叉式遗传算法作为网络训练中寻优方法,可有效实现网络的快速训练.试验表明.所提方法可对高维多元数据进行高度抽象,且计算简便,识别准确率较高,泛化能力较强,具有一定的应用价值.     

旋转机械故障模拟试验装置的动力实现

现代高速旋转机械的转速一般都在８０００ｒｐｍ以上，有的高达数万转／分，它带来的好处是，机械设备的重量减轻，并且效率增加，但是高速旋转机械一旦在动转中发生故障，往往会产生极为严重的、甚至是灾难性的后果，因此在高速肇转机械的设计时，对其转子系统在高转速运行的工况下，将会出现什么样的问题，要有充分细致的理论研究和实验验证。本文论述了转子系统故障模拟试验装置中的动力驱动系统几种选择方案，并在已有研究成果的     

旋转机械故障监测诊断系统的研究

旋转机械故障监测诊断系统的研究哈尔滨理工大学陈春天１引言旋转机械已广泛应用于现代化生产和技术中，但它的运行是一个较复杂的过程，生产事故时有发生，严重地威胁着现代化生产的顺利进行。而且生产规模越大，自动化程度越高，所造成的经济损失也越大。本文将神经网络...     

基于信息融合技术的旋转机械故障诊断系统

阐述了信息融合技术在大型旋转机械故障诊断系统中的意义;介绍了信息融合技术的基本概念、层次结构模型和融合方法以及旋转机械故障诊断系统的构成;探讨了信息融合技术在数据预处理、状态识别中的应用,最后介绍了信息融合技术的实际应用及发展方向。     

旋转机械故障诊断仪的设计研究

旋转机械是电力、石化、冶金等领域的关键设备,发生故障后会引起连锁反应,因此需要及时诊断设备故障,避免出现重大事故。随着旋转机械的高速智能化发展,人们对故障诊断提出了更高要求。传统的故障诊断仪以快速傅里叶变换（Fast Fourier Transform,FFT）为核心,采用经典信号处理方法,对机器运行产生的非平稳信号特征提取存在不足。文章开展旋转机械故障诊断仪的研究设计,通过分析旋转机械设备,依据设备配置现状,设计了集振动信号采集和分析于一体的旋转机械故障诊断仪,达到了预先发现设备隐患的目的。     

基于Wavelet-HMM的旋转机械故障诊断方法研究

隐Markov模型是一个双随机过程，适用于动态过程的时间序列的建模并具有强大的时序模式分类能力，特别适合非平稳、重复再现性不佳的信号分析；小波变换具有多分辨率分析的特点，在时频两域都具有表征信号局部特征的能力。文中将小波变换和隐Markov模型相结合，提出基于小波变换的HMM状态识别法，利用Daubechies小波进行8尺度的小波分解，然后从小波分解结构中提取一维信号的低频系数作为特征向量，将其输入到各个状态HMM来进行训练，其中输出概率最大的状态即是机组运行状态，从而实现状态的识别，实验结果表明该方法很有效。     

基于稀化核函数主元分析的机械故障诊断方法研究

提出一种基于稀化核函数主元分析的机械故障诊断新方法.该方法通过核函数映射将非线性问题转换成高维的线性特征空间,引入可变权值对高维空间中的映射数据的协方差矩阵进行稀化,应用似然估计得到优化权值,再作主元分析,提取其非线性特征,对机械故障模式进行识别.提出的方法继承核函数主元分析的优良性质,同时又能保证在识别效率不降低下的情况下有效提高故障识别速度.仿真和实验结果表明,稀化核函数主元分析和核函数主元分析方法都能得到很好的识别效果.然而,稀化核函数主元分析由于减少了核矩阵的计算量,因而模式识别速度大大加快.     

一种基于粗糙集和模式识别的旋转机械故障诊断方法

提出了一种基于粗糙集理论和模式识别的旋转机械故障诊断方法。该方法包括模式学习和模式匹配 2个过程 ,模式学习用粗糙集方法学习已知故障样本中的标准模式 ,即故障诊断规则 ,模式匹配把待诊断对象和标准模式进行匹配从而进行故障诊断。文中提出的学习方法考虑了样本中的重复对象和冲突对象 ,使获得的诊断规则能够覆盖所有的已知故障样本 ;在模式匹配时 ,根据条件匹配的程度、规则的置信度和诊断结论阈值获得诊断结论和结论置信度 ,从而使得到的结论更客观。最后通过实验验证了该方法的有效性。     

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。     

基于局部平衡判别投影的旋转机械故障诊断方法

针对旋转机械故障数据的多类别、高维复杂特性导致的分类困难问题,提出一种基于局部平衡判别投影(LBDP)的故障数据集降维方法.从时域、频域和时频域多个角度提取转子振动信号的混合特征,构建原始高维故障特征集;通过LBDP选择出其中最能反映故障本质的敏感特征子集;将得到的低维特征子集输入到K近邻分类器(KNN)中进行故障模式...     

基于概率神经网络的大机组组合故障识别

分析了大机组组合故障难以正确识别的原因和常见组合故障识别方法的不足 ,提出了基于识别后验熵的组合故障优化判别规则 ,改进了概率神经网络的分类能力。最后 ,对模拟组合样本和大机组高频组合故障进行识别 ,获得了满意的结果     

基于数学形态变换的转子故障特征提取方法

基于非线性数学形态变换提出旋转机械故障特征提取的新方法.由数学形态变换构成的形态滤波器可以有效地提取出信号的边缘轮廓以及形状特征,通过选取不同长度的形态结构元素,采用组合形态滤波器将旋转机械故障信号分解到不同频带上,故障信号被分解成基频成分、故障成分及高频噪声三部分,在分解过程中,信号长度没有减少,没有信息的丢失;将分解得到的故障成分单独提取出来进行分析,可以更准确描述故障特征;对实际碰摩故障信号进行形态学分解后,提取出故障成分,采用Hilbert-Huang变换(Hilbert-Huang transform,HHT)对分解前后的信号进行对比分析,验证了方法的有效性,表明基于形态变换的信号特征提取可以更准确刻画故障的非平稳特性,提高了分析效果,并具有计算简单、快速的优点.     

基于BP神经网络的故障模式识别与应用

阐述了神经网络模式识别的基本原理,采用改进的BP算法对故障模式识别进行了研究.改进算法采用的变换函数并引入动量因子,利用变步长算法加速学习,结合汽轮机减速箱故障模式识别进行仿真实验,建立了详细的诊断模型.仿真结果表明,改进算法能够快速收敛,识别结果稳定.     

基于递归神经网络的旋转机械故障诊断方法

为实现对旋转机械的在线故障诊断,对10类故障情况下的振动信号进行频谱分析。发现旋转机械振动信号的频谱中含有丰富的故障信息,以此为故障特征向量建立了诊断模型。在现有神经网络故障诊断方法基础上,提出了一种基于带有偏差单元递归神经网络的在线故障诊断方法,设计了相应的故障样本和故障编码。仿真结果表明,该方法在收敛速度、非线性能力及精度方面明显优于一般方法。对故障模式的回想结果及实际运行结果证明,本方法切实可行,适合于旋转机械的在线故障诊断。     

基于模糊相似贴近度旋转机械状态识别

本文简述了相似系数和贴近度的概念，提出了“基于模糊相似贴近度的模式识别这一新方法。最后以变速箱为例，进行了状态识别，结果验证了该方法是正确的、有效的，值得推广。     

基于ITD和DSS的旋转机械信号识别研究

为解决盲源分离在分析旋转机械故障信号时的欠定问题,提出一种基于固有时间尺度分解(ITD)和盖尔圆(GDE)的欠定去噪源分离(DSS)方法,即为ITD-GDE-DSS。通过ITD求出信号的旋转分量,进而重组固有旋转分量和原观测信号作为满足盲源分离要求的新观测信号,使盲源分离中维数不足的问题得到解决。通过GDE估计观察信号的组成源数,为DSS方法分离出源信号提供先决条件。将ITD-GDE-DSS方法应用于某转子的实测故障信号分析中,诊断出转子在升速过程中不平衡故障特征,分离出转子突加不平衡的一阶临界转速和二阶临界转速的信号。     

基于EMD-SVD和CNN的旋转机械故障诊断

为解决旋转机械振动信号复杂且难以提取有效故障特征的问题,提出了一种经验模态分解（empirical mode decomposition,简称EMD）、奇异值分解（singular value decomposition,简称SVD）和深度卷积网络（Convolutional Neural Network,简称CNN）相结合的故障诊断方法。首先,通过EMD方法将故障信号分解成若干个固有模态分量（intrinsic mode function,简称IMF）,构造时域与频域空间状态矩阵;其次,利用SVD方法对空间状态矩阵进行分解得到奇异值数组,构造时域与频域奇异值特征矩阵;最后,将提取的奇异值特征矩阵输入到CNN中进行模式识别。将该方法分别应用于滚动轴承与齿轮箱故障诊断中,在西储大学滚动轴承数据集、PHM2009直齿齿轮箱数据集上均取得了很好效果,正确率优于将原始信号直接输入到CNN中等几种对比方法,验证了该方法的优越性。