基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

EWT-MFE与t-SNE结合的旋转机械故障诊断方法

为提取出辨识度高的故障数据集,将经验小波变换(empirical wavelet transform,EWT)、多尺度模糊熵(multi-scale fuzzy entropy,MFE)以及t-分布随机邻域嵌入算法(t-distributed stochastic neighbor embedding,t-SNE)进行结合,提出一种能够有效识别旋转机械故障状态的分析方法。首先,将旋转机械的振动信号进行经验小波变换,以提取具有紧支撑傅立叶频谱的调幅-调频(AM-FM)成分,选择相关系数较大的AM-FM进行信号重构;然后,计算出重构信号的多尺度模糊熵并组成能表征故障状态的高维特征集,利用t-SNE对高维特征信息进行维数约简,剔除冗余不相关特征;最后,将约简后的敏感故障数据集输入到支持向量机(support vector machin,SVM)中,在SVM核函数参数进行粒子群算法优化的基础上进行状态识别及分类。用双跨转子实验台采集的数据对上述方法进行验证,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更精确的故障识别率。     

基于小波多分辨率分析的风力发电机的故障特征提取与识别

利用小波多分辨率分析的方法对风力发电机振动信号进行分析,并运用小波变换对测得的信号进行处理,达到对风力发电机组故障的诊断识别。将提取的振动信号映射到小波基函数上,经平移和伸缩具有正交性的小波函数,然后再经小波变换归一化得到小波分解序列的幅值,以此作为诊断识别的特征值,实现了在多尺度下特征信息的提取与故障识别,说明该方法行之有效。     

小波·分形·神经网络故障诊断法及其在风机诊断中的应用研究

研究了分形理论、小波变换与人工神经网络相结合进行故障诊断的机理与方法。利用小波包可进行多维多分辨率的特性,对振动信号进行分解与重构,提取频带能量特征分析。选用分形理论中的离散信号分形维数计算方法,提取分形维数的特征。以K-L变换作特征降维,然后用基于梯度符号变化的局部学习率自适应误差反传算法的小波神经网络对故障状态进行分类识别。并利用这种方法本文对风机转子故障进行了诊断,结果表明这种诊断方法是完全行之有效的。     

基于等距映射算法的回转机械运行状态识别理论研究

介绍了等距映射(Isomap)算法,并利用残差值R确定嵌入维数d与邻域参数K。采集本特利转子试验台正常、碰磨、松动三种运行状态下的振动信号,构造振动信号的高维特征空间。用Isomap提取高维特征中的低维流形,进而识别转子系统的运行状态。结果表明,Isomap算法能够区分转子系统正常运行与故障运行两种状态。     

基于小波分形的飞行器结构系统早期故障识别

在对飞行器结构系统早期故障特点进行分析的基础上,将小波分析与分形理论相结合,提出利用小波分析提取早期故障特征信号和根据分形关联维数对飞行器结构系统早期故障进行快速识别的方法.文中对飞行器结构系统早期故障奇异特征的提取、关联维数的计算、早期故障的识别等进行分析和研究,并给出具体算法模型和实施步骤.结果表明,小波分析能有效地提取飞行器结构系统早期故障奇异特征信号,根据局部斜率和嵌入维数得到的关联维数,能快速识别出早期故障.     

基于Schur分解和正交邻域保持嵌入算法的故障数据集降维方法

针对转子故障特征数据集降维问题,提出一种基于Schur分解和正交邻域保持嵌入算法的故障数据集降维方法--Schur-ONPE降维方法。该方法首先应用小波包分解提取不同频带内的能量以组成故障特征值集合,然后运用Schur分解和ONPE算法将高维特征集向低维投影,使降维后类内散度最小化及类间分离度最大化,最后将降维后得到的低维特征集输入K近邻分类器进行模式识别。通过双跨转子试验台的故障特征数据集进行验证,结果表明该方法能够有效地解决转子故障特征集的降维问题。     

t分布随机近邻嵌入机械故障特征提取方法研究

将t分布随机近邻嵌入(t-SNE)流形学习方法应用于机械振动信号的故障特征提取,实现高维特征信息降维处理。通过小波包分解算法将原始振动信号分解为多层小波子空间,通过计算各层的小波阈值熵构造高维特征数据,然后采用t-SNE方法对构造的高维特征数据进行数据降维,获取低维故障特征信息。采用本特利转子试验台进行故障仿真实验,对采集获得的几种典型故障状态下的振动数据分别基于小波包阈值熵及统计特征构造2组高维数据,并对2组高维特征数据分别采用t-SNE方法进行数据降维处理获得其二维特征数据,通过对比验证了基于小波包阈值熵法构造高维数据后进行t-SNE数据降维的特征提取方法能够更有效的区分故障特征。     

基于多尺度样本熵和VPMCD的自动机故障诊断

针对自动机故障诊断过程中振动信号的非线性、非平稳性、非周期性导致的故障特征较难提取,以及故障识别率偏低这一问题,提出了一种基于多尺度样本熵和多变量预测模型(variable predictive model-based class discriminate,简称VPMCD)的自动机故障诊断方法。首先,对采集到的信号进行小波阈值降噪处理;其次,利用小波包分解的方法对振动信号进行分解,得到多个尺度下的信号分量;然后,计算不同尺度下信号的样本熵值,并提取对故障特征较为敏感的尺度因子,组成故障特征向量;最后,利用多变量预测模型对故障特征向量进行训练和识别,进而实现自动机的故障诊断。自动机故障诊断试验分析结果表明,利用多尺度样本熵和多变量预测模型的方法可以准确识别多种典型的自动机故障类型。     

结合复小波包变换及频谱校正的机械转子碰摩故障诊断方法研究

针对机械转子系统中碰摩故障发生时故障特征微弱及识别困难的问题,提出一种结合双树复小波包变换及频谱校正的故障诊断方法。首先对于振动位移信号中工频基波成分,采用频谱加矩形窗的频谱校正方法识别其谐波信息,通过构造补偿信号进行对消,以减少其对后续特征提取的影响。其次通过双树复小波包对补偿过的信号进行多尺度分解;最后对小波包子空间信号进行希尔伯特包络解调分析,通过瞬时幅值及瞬时频率信息诊断转子的动静碰摩故障。在转子实验台上进行了实验验证,结果表明提出的方法能有效提取转子碰摩产生的微弱故障特征。     

基于小波包变换和GA-PLS算法的故障特征选择方法

为了提高故障诊断的分类精度,减小分类运算时间等问题,需要从原始特征集合中选择出更为优化的特征子集合,因此,提出了一种基于小波包变换和GA-PLS算法的特征选择方法。首先,采用小波包变换对提取出的振动信号进行分解,从而得到小波包的分解系数;其次,运用遗传算法 偏最小二乘法从原始信号和小波包系数的统计学特征中选择出最优特征集;最后,将最优特征集作为输入,输入到支持向量机中以实现对不同故障的诊断与识别。应用于轴向柱塞泵故障诊断中,与现有特征选择方法对比,实验结果验证了本研究特征选择方法的有效性。     

基于小波包样本熵的滚动轴承故障特征提取

将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性.     

形态非抽样小波与灰色关联度的轴承故障诊断

文中针对滚动轴承振动信号的强噪声背景以及故障样本不易大量获取的问题,提出了一种基于形态非抽样小波与灰色关联度的滚动轴承故障诊断方法。形态非抽样小波克服了传统形态小波由于采用抽样方式分解而造成的信息丢失问题,具有良好的特征提取和抗噪性能。灰色关联度分析方法对小样本模式识别问题具有良好的分类效果,适用于滚动轴承的故障模式识别。文中首先利用差值形态滤波能够提取信号冲击成分的特点,提出一种多尺度形态非抽样小波方法提取滚动轴承故障特征,然后将形态非抽样小波分解后近似信号的归一化特征能量作为特征向量,最后通过比较待识别样本与标准故障模式的灰色关联度来对故障模式进行分类。实例表明该方法可取得良好的效果。     

基于傅里叶分解方法的航空发动机转子故障诊断

针对传统时频分析法无法提取转子故障特征信息的问题,提出了基于傅里叶分解方法(FDM)的转子碰摩故障诊断方法。构造了调频调幅仿真信号,对比FDM、集合经验模态分解(EEMD)、变分模态分解(VMD)的分解结果发现,FDM能够实现仿真信号的完备性分解,且时频分辨率高。利用FDM对采集到的转子试验器机匣单点-转子全周碰摩试验故障数据进行诊断,不同算法故障信号分解结果的周期功率谱密度估计和故障特征提取结果表明,该方法具有更高的诊断可靠性,可有效地解决转子故障诊断问题。     

综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱,在强背景噪声下难以有效提取的问题,提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷,基于散布熵优化算法对SSD算法进行了改进,在得到既定的一组奇异谱分量的基础上,根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理,采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征,将所提方法运用到仿真信号和齿轮实测信号中,并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析,结果表明,所提方法的降噪和特征提取效果更佳,能够更加有效地实现齿轮故障的判别。     

基于形态提升小波变换的滚动轴承故障特征提取

为有效提取表征轴承故障的脉冲特征,提出采用形态提升小波变换对轴承故障信号分析的方法.仿真信号和实际滚动轴承故障信号的分析结果证明了形态提升小波变换提取信号脉冲特征的有效性.与传统的线性小波变换方法相比,形态提升小波的脉冲信号保持和抗噪声能力较强,可以识别出传统小波不能识别的轴承故障状态,同时形态提升小波变换只涉及加、减和比较运算,计算更加简单、快速,可应用于轴承故障的在线监测与诊断.     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

基于小波—奇异值分解差分谱的弱故障特征提取方法

对于一些复杂信号中的弱故障特征信息,以往的两种小波—奇异值分解(Singular value decompositiom,SVD)组合模式的特征提取效果不佳,从小波的频率窗特性出发分析了出现这种问题的原因,进而对复杂信号的奇异值分布规律进行研究,据此提出一种新的小波-SVD差分谱组合模式。对原始信号做小波分解得到一系列细节信号后,不再将这些信号简单地排列成矩阵,而是利用每个细节信号构造特定结构的Hankel矩阵,再通过SVD对每个矩阵做正交化分解,并利用奇异值差分谱来选择特征奇异值进行SVD重构,由此实现对弱故障特征信息的提取。对一个轴承振动信号的处理结果证实该方法对复杂信号中的弱故障特征信息具有优良的提取效果,其获得的故障特征波形非常清晰,克服了以往小波-SVD组合模式对弱故障特征提取效果不佳的缺陷。     

基于信源估计和频域反卷积的滚动轴承故障特征分离与辨识

针对轴承故障的振动特征由于受到强振源的抑制作用而增加了故障分离与辨识难度的问题,建立了基于信源估计和频域反卷积的故障诊断方法。利用小波包分解将信号分离成多个子带信号,并和奇异值分解相结合,解决欠定条件下的信号源数估计问题;根据估计的源数,选取相应维数的观测信号,通过短时傅里叶变换、复数域独立分量分析、相关排序、短时傅里叶逆变换,完成频域反卷积的分析过程,实现故障特征的分离与提取。仿真信号和实验数据均验证了该方法在故障特征分离与微弱特征辨识中的有效性。