基于分形理论的高速自动机故障诊断

以W85高射机枪自动机为实验对象,针对短时冲击信号特点,利用分形维数进行故障类别分析,实现自动机的故障诊断。     

局域均值分解与矩阵分形的自动机故障诊断

针对自动机振动响应信号非线性、非平稳、高冲击的特性,提出基于局域均值分解(LMD)和矩阵分形相结合的自动机故障诊断方法。首先对采集到的自动机各工况信号采用LMD法对其进行分解,对分解得到的分量信号进行广义维数计算,通过广义维数相关系数判断方法选取分量信号,进而构建各工况的样本矩阵,用相关性判断方法计算待检测信号矩阵与样本矩阵之间的相关系数,最后通过对比相关系数的大小来判断故障模式。诊断结果与实际情况完全符合,表明该方法能有效的应用在自动机故障诊断中。     

应用ITD分形模糊熵的自动机早期故障诊断

通过以某口径高射机枪自动机为研究对象,提出一种运用固有时间尺度分解(ITD)分形模糊熵与RBF神经网络进行故障诊断的方法。由于自动机振动信号短时、非平稳、高冲击的特性,将ITD引入自动机的故障诊断中,通过对ITD分解得到不同频段的合理旋转(proper rotation简称PR)分量,然后分别提取分形维数和模糊熵组成组合特征向量。由于RBF神经网络结构简单、收敛速度快具有很高的分类准确率,所以采用RBF神经网络分类识别。最后得到理想识别效果的同时验证了ITD分形模糊熵与RBF的自动机早期故障诊断方法的优越性。     

多重分形在旋转机械故障诊断中的应用

针对旋转机械故障特点 ,提出利用多重分形广义维数来描述信号特征 ;以振动信号模式空间样本库为基础 ,给出利用维数相关系数进行故障识别的旋转机械故障诊断方法。应用于圆盘故障诊断 ,效果令人满意     

基于形态分形维数与改进ELM的轴承故障预测

将形态分形维数作为轴承故障预测特征量,形成轴承故障预测特征量序列。同时,为优化极限学习机(ELM)预测模型,综合考虑模型的精度、预测趋势及稳定性,提出一种序列关联度系数及其计算方法,对ELM预测模型进行优化,并利用提取的故障预测特征量序列对模型进行训练。用轴承全寿命数据进行验证,结果表明,形态分形维数的变化情况较好反映了轴承性能退化的过程,改进的ELM预测模型实现了对轴承故障的有效预测,且其精度及稳定性较原始ELM预测模型有一定提高。     

一种时移多尺度排列熵与ELM相结合的滚动轴承故障诊断方法

多尺度排列熵(Multi?scale permutation entropy,MPE)随着尺度因子的增加得到的粗粒化序列长度越来越短,造成时间序列信息的严重损失.为此,提出了时移多尺度排列熵(Time?shifted multi?scale permutation entropy,TSMPE).首先,采用仿真信号分别对TSMPE与MPE做仿真对比分析,结果表明,TSMPE对原始振动信号的长度依赖性较小,得到的熵值更加稳定.进一步地,提出了一种基于TSMP E与极限学习机的滚动轴承故障检测与诊断方法,将其应用于两组实际滚动轴承测试数据对滚动轴承故障类型和程度进行识别,结果表明:所提出故障诊断方法不仅能够准确地诊断滚动轴承的故障类型和程度,而且识别率高于基于MPE与ELM的故障诊断方法.     

一种用于故障诊断的多信息熵监测方法研究

采用信息熵计算模型,在对信号进行多分辨率分析和多重分形分析的基础上,研究了对信号能量进行定量评价的新方法一多分辨率奇异谱熵和多重分形熵,该指标能够分别表征不同尺度上信号能量分布的奇异状况和几何特征分布几率,可用于非平稳信号内在特征信息的精细刻画和准确提取,并作为设备故障诊断和状态监测的有效途径.通过对不同信号的模拟分析,提出的信息熵模型可作为设备状态评价的综合特征指标.     

广义分形维数在旋转机械故障诊断中的应用研究

运用分形理论，提出广义维数最小二乘法的计算公式，对实测的时域信号进行了广义维数计算，从广义维数中获取盒维数、信息维数、关联维数以及敏感维数。对故障样本进行功率谱分析、广义维数计算分析，提出谱能量与分形维数的关系，为用分形维数来分析故障的强度提供了依据。运用广义维数序列和数学方法相结合提出分形诊断分类方法，并通过实例诊断、识别故障及其故障程度，说明该方法具有较好的实效性。     

基于多尺度特征融合的供输弹早期故障诊断

对于供输弹系统早期故障信息易被湮没难以识别的问题,提出了基于多尺度特征融合的早期故障识别方法。首先通过变分模态分解(VMD)对振动信号进行分解得到不同时间尺度的分量信号,然后对各分量信号分别提取盒维数、信息熵特征,并进一步通过主分量分析(PCA)对上述两种特征进行融合,得到累计贡献率的前3个主分量组成的融合特征,最后通过概率神经网络PNN分别对上述三种特征进行分类比较,结果表明融合后的特征对供输弹系统3种工况有更高的正判率,对供输弹系统早期故障预兆更敏感,能对供输弹系统早期故障作出有效诊断。     

浑沌与分形动力学在机械故障诊断中的应用初探

基于对浑沌与分形的特征参数－相关维数的深入研究,尝试将其应用于机械故障诊断领域。理论与实例分析结果表明,对用常规谱分析方法难以区分的故障,相关维数分析方法通过给出定量化指标实现了上述故障的确诊,显示这一技术在机械故障诊断领域有着广泛的应用前景。     

LLTSA特征降维与ELM模型在单向阀故障诊断中的应用

信号的单一特征难以全面反映设备运行状态,而利用多域特征表征设备运行状态时,随着特征维数增加,将引发维数灾难,导致分类器性能退化,降低状态监测模型的辨识性能。针对这一问题,提出线性局部切空间排列(Linear local tangent space alignment,LLTSA)特征降维与极限学习机(Extreme learning machine,ELM)模型的故障诊断方法,利用LLTSA从高维特征空间提取低维流形,实现信号特征的维数约简,保证模型分类性能。该方法首先利用完备总体经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)对振动信号进行分解,采用相关系数与峭度准则筛选分量,重构得到降噪后的振动信号;然后,计算重构信号的多域特征,并利用LLTSA进行特征维数约简;最后,利用其低维本质特征建立ELM故障诊断模型,监测设备运行状态。高压隔膜泵单向阀运行状态监测实验表明,对振动信号进行特征维数约简,降低特征间的冗余性,可提高ELM模型的故障识别精度。     

总体局部特征尺度分解及ELM的滚动轴承故障诊断

针对滚动轴承非平稳性的振动信号,提出了基于总体局部特征尺度分解(Ensemble Local Characteristic-scale Decomposition,ELCD)及极限学习机的滚动轴承故障诊断方法。首先,对振动信号进行ELCD分解,获得一系列内禀尺度分量(Intrinsic Scale Component,ISC);其次,根据分解后ISC分量计算时域指标、能量、相对熵,利用特征评估法提取敏感特征;最后,将敏感特征向量输入极限学习机(Extreme Learning Machine,ELM)进行训练与测试,从而识别滚动轴承的故障类型。对实验信号的分析表明,该方法能够有效的诊断出滚动轴承不同的工作状态,且效果较局部特征尺度分解方法好。     

改进VPMCD方法在滚动轴承故障诊断中的应用

针对模式识别新方法VPMCD(variable predictive model based class discriminate)在参数估计过程中存在的缺陷,对VPMCD方法进行了改进,用主成分估计法代替原方法中的最小二乘法进行参数估计,消除了预测变量间存在多重线性相关性的影响,可以获得更加稳定的模型参数,从而提高模式识别的精度。采用局部特征尺度分解(LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取各分量的近似熵组成故障特征向量作为改进VPMCD的输入,以改进VPMCD作为分类器对滚动轴承的工作状态和故障类型进行分类。对正常状态、外圈故障、内圈故障和滚动体故障四种不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明该方法有效。     

应用HHT时频分析与SVM的自动机故障诊断

提出了一种运用希尔伯特-黄(HHT)时频多尺度熵和支持向量机(SVM)对某导气式自动机进行故障诊断的方法。通过对其故障机理分析,找到易发生故障的位置;根据理论分析的结果设置了三种故障,采集了自动机的各工况振动信号。针对自动机工作时的短时冲击信号特征,运用聚合经验模态分解(EEMD)对自动机故障信号进行预处理,再通过Hilbert变换,计算信号的时频多尺度熵,作为自动机故障诊断的特征量。最后将特征向量输入支持向量机进行故障分类识别,证明了将HHT时频多尺度熵和SVM相结合在自动机故障诊断中的有效性。     

局域波信息熵在高速自动机故障诊断中的应用

针对自动机工作时的短时冲击信号特征,首先,对其运动形态进行分解,截取与故障构件动作相对应的振动信号进行分析;其次,利用多层小波包分解截取信号,对其频率成分及能量分布进行研究;然后,将小波包分解后频带能量大的信号重构进行局域波分解,同时提取局域波奇异谱熵、边际谱熵和特征空间谱熵定量描述信号状态的时域、频域和能量的变化,并将其作为故障特征量;最后,利用遗传算法的全局寻优能力对支持向量机的参数进行优化,建立了遗传支持向量机(genetic algorithms-support vector machine,简称GA-SVM)模型,将提取的特征量输入其中进行故障分类识别,并将识别结果与空间穷尽搜索支持向量机(support vector machine,简称SVM)的识别结果进行对比。     

基于VMD-MDE和ELM的柱塞泵微弱故障诊断

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性。     

基于XML的中间件技术在故障诊断数据集成中的应用

为了解决企业内部数据异构的问题,从故障诊断工程应用出发,对现有的数据集成技术进行了分析,提出了基于XML中间件技术的设备故障诊断数据集成的设计方案,重点阐述了该中间件各个模块的详细设计内容和设计思想.     

基于信息融合ELM网络的模拟电路故障诊断 系统的研究

针对模拟电路的非线性与复杂性,将信息融合与ELM网络相结合,建立了模拟电路故障诊断系统的三级诊断模型,并选取具体的模拟电路进行系统诊断仿真,结果表明该模型提高了故障诊断正确率,具有较高的实用价值。