基于超球优化支持向量数据描述的滚动轴承故障检测

在仅有轴承正常运行数据的小样本情况下,支持向量数据描述(SVDD)能通过对多维特征的融合实现滚动轴承的故障检测与状态评估,但特征向量空间分布的复杂程度会直接影响SVDD的效果。为此,提出了一种基于超球优化支持向量数据描述的滚动轴承故障检测方法,通过超球优化改善特征向量的空间分布以降低数据描述任务的难度,进而使得超球优化SVDD能更有效地识别出滚动轴承故障。多组试验表明:在不同转速、不同测点、不同类型的滚动轴承故障下,超球优化SVDD比传统的SVDD方法效果更优。     

基于可拓学和SVDD的轴箱轴承故障监测

为监测轴箱轴承的故障状态,提出了一种基于可拓学和支持向量数据描述(SVDD)的轴承故障监测方法。该方法充分利用了可拓学的定性定量描述特性和SVDD的单值分类特性:通过特征提取构建轴箱轴承的运行状态物元;训练SVDD的单值分类器,通过求取最小超球体的支持向量来获取物元模型的特征参数经典域;利用关联函数对轴箱轴承的故障状态进行定性定量评估。通过分析轴箱轴承的实际振动信号,证明了该方法的可行性及有效性。     

基于SVDD和距离测度的齿轮泵故障诊断方法研究

提出了一种基于支持向量域描述和距离测度的齿轮泵故障诊断方法。该方法首先对齿轮泵各种工况下的振动信号进行小波包分解,提取各频带能量百分比作为特征向量;然后仅利用正常工况下的特征向量训练SVDD超球模型,通过定义绝对距离测度检测齿轮泵状态是否出现异常;最后针对每类工况下的特征向量单独训练SVDD超球模型,通过定义相对距离测度准确定位齿轮泵的不同故障工况。试验结果表明,采用小波包频带能量降低了数据维数,有效浓缩了故障信息;基于绝对距离测度和相对距离测度的SVDD故障诊断方法既能检测异常状态,又能区分各种故障工况,达到了状态监测和故障分类识别的目的。     

基于振动能量及传递函数分析的转向架故障诊断应用

该文针对转向架故障诊断方法在实际应用中的不足,以国内某线路上列车转向架电机故障分析为例,在对转向架振动机理以及大量实测振动数据分析的基础上,提出联合运用均方根值、功率谱密度和振动传递函数3种特征提取方法作为故障诊断依据。实际应用结果表明,该方法能有效地提取正常和故障状态下转向架各部位振动信号特征信息,并快速、准确地识别出故障源,可用于列车转向架的状态监测和故障识别,为后期的设备更换及构架设计提供可靠依据。     

基于VMD和SVDD结合的滚动轴承性能退化程度定量评估

提出了一种基于变分模态分解(VMD)和支持向量数据描述(SVDD)相结合的滚动轴承性能退化程度定量评估方法。针对采样时间长、采集到的信号数据点多时,信号中某些部分可能受到异常信号干扰的问题,首先提出了一种基于VMD和SVDD结合的特征提取新方法,将长信号分为多帧短信号,分别使用VMD方法分解短信号并提取各分量的奇异值组成特征向量,得到一组特征向量集,然后使用SVDD方法找到并剔除其中的异常样本点,求出剩余特征向量的平均值便可作为原信号的特征。特征提取完毕后,使用SVDD方法进行性能退化评估,以待检样本到训练得到的超球体模型球心的距离描述性能退化程度,并使用隶属函数将距离指标转化为与正常状态的隶属度作为性能退化指标,实现设备的性能退化程度的定量评估。使用轴承全寿命数据,并与以传统时域无量纲指标作为特征的分析结果进行了对比,验证了所提出方法的优越性。     

一种具有双控制比例因子的最优间隔超球分类器

针对支持向量描述只考虑目标类训练样本,结合支持向量机最优分类超平面和支持向量描述的思想,引入了异常样本信息的监督机制,建立了最优间隔超球分类器模型,以一个最小的超球包含目标类训练样本和一个尽可能大的超球体将非目标样本隔离在超球体外,使决策超球面与该两个超球面以最大间隔分离,保证了描述精度和泛化性能,同时,为更好地排除对两类样本数据分布中野点的干扰,提出了一种双控制比例因子的控制方法,更加灵活地实现软间隔分类,仿真实例验证了该分类器具有比SVDD更好的分类性能     

基于灵敏度分析的转向架构架有限元模型修正EI北大核心CSCD

准确的构架有限元模型可以为转向架前期设计和后期优化提供保障,从而避免激励与构架模态共振发生事故,但构架有限元建模产生误差是不可避免的。为获得准确的有限元模型,该文章推导了灵敏度矩阵加权算法,基于该算法,以构架模态试验数据为基准,以焊缝区等效弹性模量和主要板材厚度为修正参数,以模态频率和振型MAC(modal assurance criterion)值误差最小化为修正目标,对转向架构架有限元模型进行修正,修正结果显示与频率试验值误差控制在1%以内。另外,研究发现构架MAC值修正效果不明显,仅考虑频率修正项时依然可以获得准确模型。     

基于SVDD的机械设备状态监测方法研究

提出基于支持向量数据描述(SVDD)的机械设备状态监测方法。该方法首先依据正常运行状态下的数据样本建立数据描述模板,然后通过本文提出的距离变化率参数完成机械设备故障的识别和分类,通过实验验证该方法的可行性。而且实验结果表明,该方法可以根据设备使用状态的变化自动调整故障判断模型并减少模型重新学习次数。     

基于结构分析的风机齿轮箱传感器配置研究

齿轮箱是风电机组传动系统的核心部分,一旦齿轮箱发生故障,不仅会产生高额的维修费用,还会造成较长时间的停电。因此,对风机齿轮箱进行实时状态监测与故障的识别、隔离具有重要的实际意义。而齿轮箱状态监测与故障识别、隔离的有效性依赖于齿轮箱中传感器所安装的位置和数量,因而有必要对齿轮箱传感器的配置进行研究。为了使安装的传感器不但可以准确反映齿轮箱的运行状态,还能对可能出现的故障实现识别与隔离,提出从风机齿轮箱的动力学模型出发,构建描述齿轮箱运行状态的动力学方程,将结构分析方法应用到齿轮箱传感器的优化配置中;实现传感器数量最少,识别、隔离可能出现的故障能力最大的配置目标。     

高速动力车构架侧梁焊接结构优化研究

控制高速动力车转向架构架侧梁的焊接变形是控制构架生产质量的关键,而侧梁的结构对其焊接变形产生重要影响,为此,采用焊接数值模拟与目标函数相结合的方法对侧梁结构进行优化设计,得到既能保证侧梁整体刚度又可以控制焊接变形的结构方案,为高速动力车转向架构架的结构优化设计提供了数值依据.同时,也使数值模拟和目标函数相结合的结构优化方法在大型焊接结构件的焊接变形控制上获得了成功应用.     

基于数据融合的传感器优化布置方法

传感器优化布置是结构健康监测研究的重要内容,传感器数量和位置的选择直接关系到模态参数识别的效果及模型修正的结果等。为了达到布置在结构上的有限传感器能够测量并得到用于模态参数识别的最佳信息的目标,提出了基于数据融合的传感器优化布置方法。该方法以距离测度作为数据融合的融合度,首先通过对距离测度矩阵、支持度矩阵的计算,得到待选测点的综合支持度;其次,根据待选测点的综合支持度大小来确定传感器优化布置的位置;最后,以网架结构的传感器优化布置为例,运用峰值法进行自振频率识别,通过已选测点与未选测点识别效果的对比,验证了该方法的有效性。     

采用Pareto人工鱼群算法的结构健康监测传感器位置多目标优化EI北大核心CSCD

发展基于Pareto多目标人工鱼群算法(Multi⁃Objective Artificial Fish Swarm Algorithm,MO⁃AFSA),解决结构健康监测中传感器位置多目标优化的问题。构建与观测模态线性独立性、结构损伤灵敏度和损伤信息冗余性有关的传感器位置多目标优化目标函数;改进人工鱼群算法的追尾和觅食行为,并引入外部档案集以处理寻优过程中的互不支配解,结合Pareto概念选取与理想点欧式距离最近的Pareto解为最优解;以三层平面钢框架结构为数值算例,用基于Pareto人工鱼群算法求解传感器位置多目标优化方案,并进行结构损伤识别。研究结果表明:用所提方法得到的传感器测点在结构中均匀分布,获取的结构损伤信息更为全面,冗余性低,振型独立性好,能够较精确地识别损伤位置和损伤程度,并且抗噪性能好。     

基于灵敏度的平板结构多类型传感器优化布置

多类型传感器信息融合的损伤诊断是结构健康监测领域的一个热点方向,并且基于多种类型传感器信息融合的损伤识别技术必然依赖于考虑多传感器信息互补的传感器优化布置技术。因此,该文以灵敏度分析为理论基础,以结构损伤识别为目标,对于监测平板结构的加速度传感器、光纤光栅(FBG)应变传感器以及压电陶瓷(PZT)传感器三种类型传感器的位置与数目进行优化。分别考虑环境噪声、边界效应等因素,用灵敏度计算比较不同类型传感器(包括加速度传感器、FBG应变传感器和PZT传感器)达到相同损伤识别效果所需数目,分析各类型传感器对结构损伤敏感的布置位置,并研究能达到识别结构任意位置一定程度损伤所需多类型传感器总和最小的数目。最后,进行平板结构模型仿真分析,验证该方法有效性和可靠性。     

基于D-S证据理论高速列车横向失稳故障判别研究

为解决高速列车发生横向失稳故障时,转向架的运行情况难以被单一传感器测量得到全面信息以及准确地反应等问题,提出利用多个加速度传感器组成多信息源网络系统,建立基于多信息源的高速列车横向失稳故障决策融合诊断系统。由于高速列车发生横向失稳故障存在复杂的轮轨耦合关系,导致列车横向失稳故障状态诊断难度大,基于此提出D-S证据理论方法融合系统中各个传感器中测量数据信息并应用于高速列车横向失稳故障状态判别。结果表明:基于D-S证据理论方法与任何单一传感器诊断结果相比,识别效果更好,对正常状态、小幅蛇行以及大幅蛇行故障状态的识别率分别达92.3%、82.89%、88.67%,证明该方法有效。     

结构模态测试传感器位置优选

在结构健康监测和损伤识别过程中,传感器的位置不仅直接影响结构动力特征参数识别的精度,更对结构损伤识别乃至结构监测的成功与否起着关键作用。在传统的传感器布置方法中,基于模态参数估计有效性的方法已得到广泛承认和应用,如较有影响的有效独立法。事实上,相对参数估计的有效性,无偏性应优先得到满足。为此,采用基于表征最小二乘法的传感器布置准则及传感器测点优化方法,推导了在各种载荷工况下的期望形式。在传感器布置准则优化算法方面,引入交叉熵优化算法,将传感器数目的约束以罚函数形式加入到目标函数中,优化了采样过程。最后,以大连体育场加速度传感器布置位置优化为例验证了表征最小二乘法准则和交叉熵优化算法的优越性。     

基于模态参数识别的悬架系统状态监测方法及试验研究

悬架系统直接关系到车辆的安全性、平顺性和操稳性,由于路面激励是随机激励,对悬架系统的状态监测一直是研究难点。该文提出一种新的悬架状态监测方法,利用仅需输出的平均相关随机子空间法识别模态参数,再通过模态参数变化对故障造成的悬架刚度变化进行监测。首先对平均相关随机子空间法在较高阻尼比下的识别效果进行分析,验证算法在悬架监测中的可行性;然后基于车辆七自由度振动模型对模态参数进行仿真识别,分析路面激励及噪声对识别结果的影响,并提出基于振型和模态能量的监测方法;最后设计利用9轴MEMS惯性传感器的试验方案对正常及故障状态进行监测,验证方法的可信度。     

基于VMD和SVDD的滚动轴承早期微弱故障检测和性能退化评估研究

针对滚动轴承早期微弱故障检测及故障状态监测问题,提出了一种基于变模态分解(VMD)分解和支持向量数据描述(SVDD)的滚动轴承性能退化评估模型。对振动信号进行VMD分解,选取对性能退化较为敏感的本征模态分量,提取其奇异值,并结合信号的时域特征指标,复杂度指标组成特征向量矩阵作为滚动轴承综合特征指标;并以正常状态下的综合特征指标作为训练样本完成SVDD评估模型的构建,利用滚动轴承全寿命试验数据进行评估模型的验证。实验结果表明,该评估模型可以准确检测到滚动轴承早期微弱故障阶段的发生,同时可以很好的揭示滚动轴承性能退化规律,其评估效果优于模糊C均值聚类(FCM)方法。