网格细化小波聚类在航空发动机转子系统故障诊断中的应用

为了能够更加准确地判断出故障类型、提高聚类精度,对故障诊断准确度即聚类精度进行分析之后,提出了网格细化的小波聚类算法,即将网格拆分技术运用到小波聚类算法,对算法运行过程中的特征空间网格单元进行"网格细化"以此来对边界点进行提取,并对改进前后算法的聚类精度进行验证。结果表明:改进后的小波聚类算法能够得到比原始小波聚类算法更加精确的聚类结果。     

基于改进HHT算法的大型回转支承故障诊断方法研究

针对大型回转支承转速较低、不稳定且实验样本稀少且故障诊断局限于人工诊断识别的问题,提出了一种基于相关函数的加权融合算法与改进HHT算法相结合的故障诊断方法:首先采用了动态适应性、抗干扰性强的基于相关函数的加权融合算法对采集的数据进行融合处理,然后以改进后的HHT作基础构造故障特征向量,再采用BP神经网络对故障类型进行特征层的识别诊断,最终确定风电回转支承的故障类型。实验结果表明,该方法有效地提高了故障诊断结果的可靠性。     

基于改进邻域粗糙集与S_Kohonen神经网络的滚动轴承故障诊断研究

针对现有滚动轴承故障诊断技术中,存在输入属性冗余过多、故障识别率不高等缺点,提出了基于改进邻域粗糙集与S_Kohonen神经网络的故障诊断方法。由于传感器采集的故障信息大多为数值型数据且数据维数较大,文中引入邻域粗糙集理论并对基于邻域粗糙集的经典前向贪心算法进行改进,利用改进算法约简故障数据,大大减小了算法复杂度;对Kohonen神经网络进行改进,在其原有结构基础上添加输出层构成S_Kohonen神经网络,使其输出类别满足给定分类要求;分别采用前向贪心算法、改进算法约简故障数据,将约简前、后的故障数据分别输入S_Kohonen神经网络、BP神经网络识别滚动轴承故障状态,试验结果证明邻域粗糙集可有效消除属性之间的重复信息,改进算法提取故障属性信息更能反映故障状态的本质,S_Kohonen神经网络具有良好的故障识别能力,两者配合使用,改进邻域粗糙集——S_Kohonen神经网络模型具有很好的故障诊断能力。     

LM算法BP神经网络的数控机床主轴系统故障诊断

针对目前数控机床故障复杂、诊断困难的问题,提出基于人工神经网络的故障诊断方法。在研究传统BP神经网络故障诊断模型基础上,引入改进的BP算法-LM算法,建立机床主轴系统LM-BP神经网络故障诊断模型,对机床主轴系统故障进行分析与诊断,再通过Matlab仿真与传统BP神经网络相对比,仿真结果表明:传统BP神经网络存在较难实现快速、准确的故障定位问题,而BP神经网络LM算法作为故障诊断的核心算法收敛速度快、识别准确。该方案设计合理可行,有较好的应用前景,并给出应用了实例。     

基于MFCC与PCA的滚动轴承故障诊断

针对振动传感器不易安装、传统分类算法训练时间较长等问题,提出了基于美尔倒谱系数(MFCC)与主成分分析(PCA)的滚动轴承故障诊断方法。首先利用声音传感器采集滚动轴承声音信号,而后提取声音信号的MFCC特征,最后将MFCC特征作为PCA分类器的输入进行故障分类,并与反向传播神经网络(BPNN)、支持向量机(SVM)进行比较研究。实验结果表明:MFCC系数可以有效反应轴承不同工作状态下的信号特征;基于MFCC与PCA的轴承故障诊断方法能够准确、有效地识别轴承故障类型。     

基于滑动窗口-KL散度和改进堆叠自编码的轴承故障诊断

针对风力发电机组的发电机轴承故障诊断问题,提出基于滑动窗口-KL散度和改进堆叠自编码的深度学习网络故障诊断模型。采用改进的变学习速率的堆叠自编码器进行发电机轴承温度状态重构。利用滑动窗口-KL散度算法进行发电机轴承的故障诊断,诊断结果与欧氏距离和3σ准则故障诊断结果进行对比。结果表明:采用滑动窗口-KL散度算法进行故障诊断准确率高、误报率低。     

基于IBAS-Elman网络的滚动轴承故障诊断研究

为了提高民航发动机滚动轴承故障诊断正确率,提出基于改进天牛须搜索算法优化Elman神经网络的诊断模型。针对天牛须搜索算法易早熟等缺陷,对天牛质心位置和步长更新操作进行改进,并用改进算法优化Elman网络的学习率、权重和阈值。使用IBAS-Elman模型对滚动轴承故障和正常状态进行诊断,并分析Elman网络延迟向量比例因子对滚动轴承故障诊断率的影响。为了验证IBAS-Elman模型的有效性,将天牛须搜索算法、萤火虫算法和遗传算法作为对比算法。实验结果表明：改进天牛须搜索算法收敛精度优于对比算法。     

基于改进图像结构算法的钣金件特征点识别

针对平面钣金件轮廓特征点识别中，特征点受边缘噪声影响，易出现伪特征点、切点难识别及特征点识别定位精度低等问题，提出了一种基于改进图像结构算法的平面钣金件轮廓特征点识别方法。首先，对特征点进行粗提取，通过判断轮廓点两相邻轮廓段的类型，并计算轮廓点间斜率差的绝对值，将斜率差的绝对值和阈值比较，分别获取切点和角点的候选特征点集；其次，进行特征点精确识别，将候选特征点进行分组融合，并引入直线度指标对线段轮廓上的伪特征点进行滤除，最终完成特征点的准确识别。实验结果表明改进的识别算法可以准确地识别平面钣金件轮廓特征点，能够滤除掉所有伪特征点，识别精度更高。     

基于遗传算法优化HMM的刀具磨损状态监测研究

对于切削过程中的刀具磨损,采用隐马尔可夫模型(HMM)来识别刀具不同的磨损状态。并且针对隐马尔可夫模型的Baum-Welch算法易陷入局部极小的缺陷,提出一种利用遗传算法优化Baum-Welch算法中B初值的改进方法,从而提高HMM对刀具磨损状态的识别率。通过对切削过程中主轴电机的输出电流信号进行小波包分解提取特征向量,利用Lloyd算法进行量化编码,作为观测序列输入优化的HMM来识别刀具的磨损状态。实验结果表明,该方法能够准确有效地进行铣刀磨损状态监测。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

分形理论在航空液压管路裂纹故障诊断中的应用研究

针对航空液压管路振动机制复杂、故障关联性较强、故障表征不明显、早期裂纹故障和扩展状态识别率不高等问题,提出一种基于分形理论的故障诊断方法。利用可以解决复杂分形问题的分形理论,通过仿真正、余弦信号并计算其广义维数,可知广义分形维数可以描述信号特征。利用广义维数对振动信号进行分形分析,由广义维数谱图和广义维数变化规律可看出,广义维数不仅能诊断出航空液压管有无裂纹故障,同时能够识别裂纹早期故障。分析分形广义分形维数表可知:液压管的广义分形维数值随着裂纹长度的增加而增大,其增加值成倍数增长,因此通过广义分形维数的变化可以定量分析液压管裂纹故障的扩展状态。     

基于FARX和RBFNN模型的压铸机液压系统故障诊断

提出了一种基于FARX和RBFNN的压铸机液压系统故障诊断新方法。模糊化之后的ARX模型不仅保留了其自回归系数对故障状态变化规律反映非常敏感的特性,而且能够实现对非线性故障特征更准确的描述。故障诊断中首先对目标系统的故障状态建立FARX模型,提取其故障特征作为RBF网络训练样本,根据RBF网络的输出结果确定故障类型。仿真实例验证了此方法的准确性和有效性。     

基于改进卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障诊断过程中,难以提取细微故障特征的问题,文章提出一种基于改进卷积神经网络的滚动轴承故障诊断方法。该方法首先在特征值提取过程中,采用了多尺度卷积核并联的方式,对滚动轴承振动信号提取了更多的故障特征细节;然后在特征值降维、去噪处理过程中,采用了leaky_relu激活函数,解决了部分神经元处于抑制状态的问题;最后在分类识别过程中,针对多层全连接计算复杂的问题,采用了全局平均池化代替部分全连接。通过滚动轴承不同损伤程度、不同故障位置的诊断实验,证明了所提方法能够提高故障识别率、降低训练时间、具有较好的可行性。     

基于频域特征和支持向量机的汽车水泵轴承故障诊断研究

为了在线监测与识别汽车水泵轴承的故障类型,以WR3258152型汽车水泵轴承为研究对象,分析了其内部结构和常见故障。根据常见故障,预设了汽车水泵轴承的4类缺陷。在搭建的信号采集实验平台上,利用加速度传感器,分别采集了4类缺陷轴承在运转过程中的振动信号。利用Matlab软件对振动信号进行快速傅立叶变换和频域特征值计算,选用径向基核函数和粒子群参数优化方法建立支持向量机模型,并进行测试验证,结果表明:支持向量机分类方法能精确识别汽车水泵轴承常见的4类缺陷。为汽车水泵轴承的在线监测与故障诊断提供了参考。     

伺服阀故障模糊诊断及学习方法研究

本文提出一种电液伺服阀故障模糊综合评判方法 ,其基本依据是 :当故障 yi 出现时常出现症状 xj,且当症状 xj出现时常出现故障 yi,则故障 yi 发生的可能性大。本文提出一种基于故障 -症状实际关系的学习方法。将对象实际的故障 -症状因果关系 r的数据加入到 R中去 ,对 R进行修正 ,使 R逐步符合实际情况。本文列举轧机 D761型电液伺服阀模糊诊断、学习及程序的实例验证了有关理论的正确性和实用性     

基于RBF神经网络的内燃机活塞-缸套磨损故障诊断

以RBF网络为识别模型，对内燃机活塞-缸套磨损的几种故障进行分类训练，并应用于待识别故障样本的识别仿真，结果表明，基于RBF的故障诊断方法优于基于BP网络故障诊断，在活塞-缸套故障诊断中是行之有效的方法。     

基于主特征模式的机电系统故障诊断算法(英文)

机电设备运行状态的监测对保障系统稳定可靠运行、预防重大事故发生有重要意义.针对传统诊断方法由于故障信息不足导致的诊断精确度差,提出了一种基于主特征模式识别的故障诊断方法.基于多源特征信息融合,研究了基于多传感器系统的特征融合故障诊断模型,讨论了反映系统运动状态特征的指标体系及故障诊断算法.文中以滚动轴承系统故障诊断为例,首先计算了各传感器获取信号的时域特征参数,然后,借助主特征模式对特征信息进行融合与降维处理,实验测试数据显示出与传统诊断方法相比较该算法有更好的故障诊断性能.研究结果表明了该方法在重型机电设备故障诊断中应用的可行性与合理性.     

基于小波包能量分布特征的齿轮故障诊断方法研究

齿轮的裂纹故障不仅影响机械系统的整体性能,还会导致机器损坏,因此,研究了齿轮裂纹长度的故障诊断方法。以多传感振动信号为研究对象,将小波包各个频段的能量比系数作为齿轮裂纹的故障特征,并通过改进的神经网络模型进行特征分类,实现齿轮裂纹长度的故障诊断。研究结果表明:所提出的故障诊断方法识别率高(97.5%),通用性好,能有效辨识不同工况下的齿轮故障。