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SVM后端校正的含噪声机械故障分类方法

从模式识别角度对含噪声机械故障分类方法进行优化,在支持向量机的基础上提出一种新的一对一分类方法和后端校正方法。讨论了支持向量机的思想及其在机械故障分类中的应用,详细介绍了针对含噪声机械故障样本分类的新的一对一分类方法以及后端校正方法。结果表明,在噪声环境下,该方法能够显著提高机械故障分类精度。     

基于最优特征集和马氏距离KNN分类的机械故障分类方法研究

针对传统K近邻(K-Nearest Neighbor,KNN)算法在进行机械故障信号识别的过程中,无法挖掘特征参数之间关联性,提出一种基于最优特征集的马氏距离KNN分类方法,根据机械故障信号的非线性特点,使用小波分解获得时频域故障特征,通过局部嵌入算法(Locally Linear Embedding,LLE)来进行二次故障特征提取,从而获得多相关特征集并对其进行主成分分析得到最优特征集,最后通过数值仿真信号和齿轮故障数据的分析了方法的有效性。结果表明该方法能够有效挖掘特征参数之间关联性,增加不同故障之间区分度,从而提高故障识别精度。     

基于支持向量机的机械故障特征选择方法研究

在机械故障诊断中,对机器状态信号进行处理可得到故障特征集。但是此特征集中通常含有冗余特征而影响诊断效果。特征选择可以去除原始特征中的冗余特征,提高诊断精度和诊断效率。本文提出采用支持向量机(SVM)作为决策分类器,研究了使用SVM的错误上界如半径-间距上界代替学习错误率作为特征性能评价,并且使用遗传算法对特征集进行寻优的特征选择方法。此方法由于只需要训练一次SVM,相比常用的分组轮换方法有较高的计算效率。数值仿真和减速器的轴承故障特征选择试验中,采用此方法对生成特征集进行选择,并与常用的分组轮换法进行了对比。结果显示此方法有较好的选择性能和选择效率。     

机械故障特征信息提取的ICA信息融合方法

峭度和负熵是盲信号独立性的两个自然测度,可以被用来捕捉机械振动信号信息的动态变化特征,并提取机械设备的故障特征信息。峭度和负熵是从两个不同的角度和层面阐释机械设备的故障特征信息,信息量是互补的。若将峭度信息和负熵信息融合,则必然能够更全面、更深刻地来表征机械设备的状态。因此引入信息融合的思想,提出基于ICA信息融合的机械故障特征信息提取方法,综合峭度和负熵信息来提取机械设备的故障特征信息。液压齿轮泵模式识别试验表明,该方法可以应用于机械设备的故障特征信息提取。     

基于ADAMS的机械故障注入方法研究

针对机械装备毁伤效果评估中机械故障不易注入的问题,对机械故障在ADAMS动力学仿真软件中的注入方法进行研究。通过对装备常见机械零件和故障模式进行归纳分类,建立故障模型,并基于ADAMS软件自身特点归纳总结出4种简单易行的故障注入方法,并以齿轮为例对不同故障模型进行了注入。研究内容对提高机械装备毁伤效果评估的准确性具有重要意义。     

基于支持向量机的机械故障多类分类研究

对基于支持向量机的多类分类故障诊断方法进行了研究.采用9频段幅值谱作为分类器的特征输入.比较了现有常用的几种支持向量机多分类方法:"一对一"法、"一对多"法、导向无环图法.试验结果表明导向无环图法耗时短、分类精度更高,更适合应用于机械多分类故障诊断研究.     

基于ICEEMDAN-RCMDE的高压断路器机械故障诊断方法

针对高压断路器分、合闸过程中伴随的非平稳、非线性振动信号特征提取困难的问题,应用了一种基于改进的完全自适应噪声集合经验模态分解（ICEEMDAN）和精细复合多尺度散布熵（RCMDE）结合的高压断路器机械故障诊断方法。首先对原始振动信号进行ICEEMDAN分解,得到不同频率尺度的本征模态分量（IMF）,依据故障敏感因子筛选有效IMF分量进行信号重构;然后对重构信号进行RCMDE分析,通过精细化的多尺度分析刻画信号特征;最后,将不同尺度因子下的RCMDE值作为特征向量输入支持向量机（SVM）中进行故障诊断。实验验证了该方法的可行性,故障辨识度较高。     

基于卷积神经网络的机械故障诊断方法综述

深度学习善于从海量的数据中挖掘越来越抽象的特征并具有良好的泛化能力,受到了越来越多的研究人员的关注,而卷积神经网络(Convolutional Neural Network,CNN)则是其深度学习中一种经典而广泛应用的结构,在计算机视觉、目标检测、自然语言处理、语音识别等领域成效卓越。在详细分析机械系统故障诊断的现状和需求的基础上,首先介绍了CNN的典型结构,然后从数据输入类型、网络结构设计、迁移学习等方面对CNN在机械故障领域的应用进行了归纳总结,研究CNN应用的深层次特征提取与可视化等问题,最后,分析机械故障诊断中存在的困难,并展望了CNN在机械故障诊断领域应用中待研究解决的若干问题。     

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。     

基于遗传算法的旋转机械故障诊断方法融合

针对任何单一性质故障特征、单一诊断方法难以实现在整个故障状态空间上准确诊断的局限性,提出基于遗传算法的旋转机械融合诊断方法。该方法能有效利用各种不同性质故障特征和不同诊断方法,使其发挥各自的优点,从而提高诊断的准确率。针对不同特征利用遗传算法将神经网络诊断和人工免疫诊断方法融合起来,使每一个诊断方法都在其优势空间区域发挥作用,使用小波包能量特征和双谱特征对两种诊断方法训练后,用遗传算法优化诊断融合权值矩阵对旋转机械进行实例诊断结果表明,该融合诊断方法能有效地提高故障诊断的准确率,并能提高诊断系统的鲁棒性。     

基于AIS的核动力旋转机械故障诊断方法

人工免疫系统(AIS)具有强大的学习能力和模式识别能力,因此,将其应用到故障诊断领域中来是非常有必要的.从现有故障诊断方法中存在的问题出发,提出了一种新的基于AIS的故障诊断方法,并简要介绍了AIS与其它优化算法(如HMM)相结合的故障诊断方法.     

基于拓扑传递的耦合机械故障特征提取方法

旋转机械系统的复杂性,使得其特征参量具有较强的非线性和耦合性,对其进行有效特征提取存在困难。为了提取旋转机械系统耦合故障的特征信息,建立其状态特征信息拓扑空间,并构建旋转机械系统拓扑动力系统模型,基于系统的拓扑传递特性,提出了新的旋转机械系统特征提取的信息空间变换方法。通过跟踪系统特征信息的变换及传递过程,实现对系统特征信息的提取,从一个新的角度为分析旋转机械系统工作特性奠定基础。最后将该方法应用到含油膜力的裂纹故障、碰摩故障及裂纹碰摩耦合故障的旋转机械系统信息特征提取中,并通过仿真实验验证了理论方法的可行性。     

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。     

基于振动可视化分析的机械故障诊断方法

提出了一种基于振动可视化技术的机械系统故障诊断方法。通过振动可视化技术补充和完善常规监测手段所得到的振动信息,同步反映设备关键测点在时间和频率上的变化,以此作为系统故障诊断的依据。首先,以功能简单的运动部件为对象研究可视化技术应用的可行性;其次,以多通道振动信号分析结果作为输入量,将其应用于机械系统故障诊断。应用结果表明,基于振动可视化技术的机械系统级故障诊断方法能够有效地简化复杂机械系统故障源的确定过程,同时完成故障模式的准确匹配。     

基于小球大间隔方法的机械故障检测

针对机械故障检测中,正常样本多、故障样本少、训练样本严重不平衡的客观情况,将小球大间隔方法引入其中,提出了一种不平衡样本下的机械故障检测方法。该方法同时使用大量的正常样本和少量的故障样本进行训练,在特征空间中构造一个包围正常样本的超球,在该超球体积最小化的同时,进一步使超球边界与故障样本之间的间隔最大化,从而显著减小将故障情况误判为正常情况的概率。将该方法应用到滚动轴承故障检测中,并与传统的支持向量机和支持向量数据描述方法进行了比较,实验结果表明,该方法在解决不平衡样本下机械故障检测问题具有优越性。     

基于机器学习理论的机械故障诊断方法综述

现代机械设备日趋精密化、智能化,同时工作环境与工况也越来越复杂,一旦零/部件出现故障,不但会对设备本身造成伤害,还有可能造成人员伤亡等事故;因此,及时有效地发现并处理设备故障有着重要的意义.随着人工智能技术的发展,以机器学习为核心的机械故障诊断技术飞速发展.对常用的机器学习理论进行了梳理和总结,主要介绍了基于浅层学习下...