基于特征贡献率的机械故障分类方法

为了使7075铝合金薄壁件表面喷丸加工应力得到松弛和均化,运用ANSYS建立平台式振动时效有限元模型,通过振动模态和谐响应分析,获得最佳激振频率和试样装夹位置。在此基础上,将薄壁框架件置于平台上进行振动时效处理,以验证仿真分析结果,评价其对试样表面应力作用效果。结果表明：在亚共振频率为112 Hz时,试样在平台零振幅和最大弯曲位置处分别对称布置,时效后表面均形成应力松弛,松弛率分别为29.5%和33.3%,不均匀波动分别为20.3%和20.7%,而沿振动方向松弛程度不均匀,说明激振力造成了材料表面组织屈服,且屈服程度与应力强度有关。提出再时效-位置交叠方法,使应力松弛不均匀度分别下降到9.9%和15.9%,应力均化得到改善,该研究工作为薄壁类零件表面应力均匀化提供了参考。     

基于特征贡献率的机械故障分类方法

为提高往复压缩机、航空发动机等复杂机械故障分类的准确率,依据特征参数对不同故障的敏感度存在差异的特性,提出一种狄利克雷过程混合模型(Dirichlet process mixture model,简称DPMM)与贝叶斯推断贡献(Bayesian inference contribution,简称BIC)相结合的分析方法。采用DPMM方法自学习机械振动信号高维特征的统计分布模型,并依据BIC理论计算得到各特征参数对模型的贡献率,通过对比观测数据与各类故障数据特征贡献率间的差异实现故障分类。试验结果表明,该方法的平均分类准确率比基于高斯混合模型(Gaussian mixture model,简称GMM)的故障诊断方法的平均分类准确率提高19.29%,比基于Relief算法的故障诊断方法的平均分类准确率提高32.71%,且该方法的时效性高,泛化性能强,能够更有效地进行复杂机械故障分类。     

基于狄利克雷过程聚类的机器人演示学习研究

针对演示学习中高斯混合模型参数估计效率低,泛化能力不足的问题,提出一种基于狄利克雷过程聚类和高斯混合模型的复合动态运动基元算法。为实现高斯混合模型参数的实时估计,使用基于距离阈值的狄利克雷聚类算法进行演示轨迹点在线聚类,并引入Welford公式更新参数以提高参数估计效率。获得轨迹分布特征后,使用动态运动基元进行高斯混合回归轨迹的编码,以提高轨迹泛化能力。为了验证算法的有效性,引入了轨迹可达性和相似性指标评价算法的学习泛化能力,设计了基于手写体字母轨迹和机器人动觉示教的演示学习实验。实验结果表明,所提复合动态运动基元算法参数估计平均时间仅0.052 ms,具备快速轨迹复现和泛化能力。     

基于VbMoICA的机械故障盲源分离研究

用独立分量分析(ICA)分解和表示数据时,假设整个数据分布完全可以用一个坐标系来描述。然而,当观测数据是由许多自相似的、非高斯的流形组成时,则硬是用一个单独的、全局的表示是不合适的,这样会产生一个次优的表示。针对ICA在盲源分离中的不足,在变分贝叶斯理论的基础上提出了一种基于变分贝叶斯混合独立分量分析的机械故障源盲分离方法。该方法是考虑到源信号来自于多个坐标系,然后在多个坐标系下建立独立分量分析混合模型对观测信号进行学习分离。实验结果表明,本文提出的方法是非常有效的。     

基于贝叶斯推断贡献的机械设备故障诊断方法

现有机械设备故障诊断方法大多针对已知故障建立,不具备识别新故障的能力,针对该问题提出一种基于贝叶斯推断贡献(Bayesian Inference Contribution,BIC)的故障诊断方法.该方法基于BIC理论对各已知故障建立状态模型,并自学习振动数据与各状态模型的允许最大距离,当振动数据与各已知故障状态模型间距离均大于允许最大距离时识别为新故障,反之为已知故障,并在此基础上设计了状态模型更新方法,使其能够利用新故障数据和误诊数据对模型进行更新.采用往复压缩机的真实故障数据进行测试,结果表明,该方法对新故障的识别准确率为100％,采用误诊数据对状态模型更新后整体诊断准确率得到明显提升.     

基于狄利克雷混合模型的刀具磨损量在线估计

提出了一种基于狄利克雷混合模型的刀具磨损状态监测和磨损量估计的新方法。该方法将刀具磨损过程描述为磨损量的累积过程,通过对磨损增量的连续估计获得刀具当前的磨损量估计。首先对原始力信号进行特征提取,接着在不确定磨损增量状态数量的前提下采用狄利克雷混合模型对特征自动分类,然后利用吉布斯采样方法确定模型参数,最终得到描述力信号特征与磨损增量映射关系的刀具磨损状态混合模型。根据该混合模型以及当前的力信号信息即可完成刀具磨损量的在线估计。真实应用案例证明了该方法能自适应学习磨损状态并有效估计刀具的连续磨损值。     

基于朴素贝叶斯分类器的公共自行车系统故障诊断方法

针对公共自行车没有安装车载检测传感器、流动及停放区域较大、管理部门无法及时发现自行车故障等问题,提出了基于朴素贝叶斯分类器的自行车故障诊断方法。通过分析公共自行车系统(PBS)租用记录、维修记录和用户评价,选取15个状态分类特征作为自行车故障检测的特征向量;根据朴素贝叶斯分类器后验概率,获取每个状态分类特征对类的贡献率;以召回率作为评价指标来预测诊断故障自行车。采用杭州市PBS 2016年的相关数据对模型进行实践验证,通过预测模型输入特征值的优化,测试样本的召回率达85.79%,精度较为理想。     

基于特征相关性和冗余性分析的机械故障特征选择研究

从特征相关性和冗余性的定义出发，利用特征与类别间的互信息对特征相关性和冗余性进行了度量，提出了一种基于特征相关性和冗余性分析的特征选择方法。数值仿真和柴油机故障特征选择实验结果表明，新方法可以快速、有效地求得优化特征集，是求解特征选择问题的一个较好方案。     

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HDP-CHMM的机械设备性能退化评估

针对传统隐马尔可夫模型(hidden Markov model,简称HMM)状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-连续隐马尔可夫模型(hierarchical Dirichlet process-continuous hidden Markov model,简称HDP-CHMM)的机械设备性能退化评估方法。该方法利用分层狄利克雷模型的分层聚类原理,在狄利克雷过程(Dirichlet process,简称DP)模型的基础上进行扩展,利用多组关联数据实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合连续隐马尔可夫模型(continuous hidden Markov model,简称CHMM)良好的分析和建模能力,获得设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估。利用滚动轴承全寿命数据的多组特征值进行了应用研究,并与基于K-S检验算法的机械设备零部件性能退化评估方法进行了比较。结果表明,HDP-CHMM模型可以对轴承实际运行状态转移过程进行建模,有效识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。     

基于频域时空特征谱的信息故障诊断方法

目前振动信号的分析主要是针对特定测点在某一瞬间采集的一段振动波形,提取其中的特征量来进行诊断故障,这种基于状态信息的诊断方法对故障类型的辨别能力有限。基于多个振动波形状态的过程信息,提出和定义了两种基于过程信息融合的信息火用指标,用于反映同一个过程中不同状态间的过程变化规律以及不同过程中对应状态间的过程变化规律。在此基础上,提出了一种基于频域时空特征谱的旋转机械信息火用故障诊断方法,并通过该方法对试验台获取的振动故障信号进行分析。计算结果表明,该方法是一种有效的故障诊断方法。     

基于费歇贡献图的故障诊断方法研究

提出了将多尺度主元分析方法和费歇判别分析相结合,一种多变量过程监控和故障参数的诊断方法。它的基本过程是利用多尺度主元分析对多变量生产过程进行监控,当监测到过程发生异常波动时,对包含故障信息的重要尺度的数据进行重构,重构后的信号进行聚类后利用费歇判别分析进行故障参数诊断。     

基于XGBoost特征提取的数据驱动故障诊断方法

针对目前用于故障诊断领域的机器学习方法尚不能够充分挖掘数据中隐含故障特征信息,存在逼近精度不足的问题,提出一种基于XGBoost算法的隐含特征信息提取方法。根据故障数据与故障类型自定义XGBoost算法的损失函数,迭代构建故障分裂树;提取样本在故障树中的叶子节点位置索引向量并进行特征编码重构,得到隐含故障信息的智能化表征;基于该表征矩阵,使用SVM等机器学习算法建立故障诊断模型,实现多故障模式的识别诊断;最后,以某驱动器的故障诊断为例对方法进行了验证,结果表明:与原始特征下的故障诊断模型相比,基于XGBoost算法提取隐含特征下的诊断模型准确度更高,鲁棒性更好,同时能给出特征变量的重要性排序。     

基于压缩信息特征提取的滚动轴承故障诊断方法

压缩感知作为一种新型压缩采样方法,利用信号稀疏特性以远低于奈奎斯特采样定理的采样速率压缩采集信号,减小数据采集、传输、存储的硬件压力。基于压缩感知框架下压缩采集的信号,提出了一种滚动轴承故障诊断新方法。该方法选择部分hadamard矩阵作为测量矩阵,将峭度因子、方差、波形因子作为敏感特征参量,不重构压缩测量量,直接利用压缩采集信息,提取敏感特征,然后通过PSO-SVM算法进行模式识别从而实现故障诊断。研究结果表明,在一定压缩比范围内,利用该方法能够在降低平均采样速率的同时用更少的数据量表现故障特征,实现滚动轴承故障诊断。     

多小波系数特征提取方法在故障诊断中的应用

针对机械故障的特征提取问题,提出一种基于多小波系数的机械故障特征提取方法。首先,对不同工况的机械振动信号进行多小波分解;其次,利用分解后各层多小波系数的统计特征包括最大值、最小值、均值和标准差作为该工况振动信号的特征向量;最后,利用支持向量机的方法对机械故障进行识别。对滚动轴承正常状况与内圈故障、滚动体故障、外圈故障3种故障及多种损伤程度的实测振动信号进行故障识别试验,试验结果表明,该方法用于机械故障诊断可以获得较高的识别率,识别效果要优于基于单小波系数统计特征的识别方法,具有一定的工程应用价值。     

基于专家推理的工程机械故障诊断系统设计

为解决新型工程机械故障的现场快速故障分析与诊断难题,研制了工程机械故障专家诊断系统.其功能包括两个方面,一是维修决策与维修指导功能,二是维修教学与训练功能.系统硬件为通用计算机,软件包括专家故障诊断模块、维修方案确定模块、训教模块、帮助模块和打印输出模块等.系统的开发提高了工程机械的维修保障能力.