基于FSVM改良隶属度的发动机振动故障识别

为了更好的对航空发动机整机振动进行故障诊断和识别,提出了改良的FSVM隶属度和多类隶属度与信息熵的融合定量分析方法,并且和传统的FSVM隶属度分析方法进行比较。对传统的FSVM的模糊隶属度函数改良后建立了多类模糊隶属度计算模型。通过实验实例验证了该多类模糊隶属度与信息熵相结合的技术对于航空发动机整机振动状态评估和故障诊断识别非常有效,计算出振动故障模式与故障原因之间的权值,建立了一个多参数的发动机振动状态分析模型;并对各类振动原因对发动机整体状态的影响进行定量分析,为发动机的振动抑制提供量化参考指标。     

基于多源信息的高速列车走行部故障识别方法

针对高速列车安全性能跟踪监测点多、监测数据量大而导致的走行部故障识别难的问题,提出了一种基于模糊证据理论的多特征、多源信息融合的走行部故障识别方法。首先根据不同传感器信息的某类特征属于不同故障模式下的隶属度间的差异来计算传感器间的信息融合度,利用融合度来确定不同传感器在融合中的权重,从而得到同类特征不同传感器间信息融合后的隶属度;然后由融合后的隶属度转化为基本概率分配函数;最后用证据理论对不同特征间信息进行融合。实验结果表明,该方法能有效地识别列车正常、空气弹簧失气、抗蛇形减震器全拆、横向减震器全拆四种情况,同时在不同速度下均取得了满意的识别率,验证了该方法的有效性。     

多传感器信息深度融合的谐波减速器健康状态评估EI北大核心CSCD

工业机器人谐波减速器工况循环往复,仅依靠单一传感器难以刻画其运行状态全貌且会导致健康状态评估结果不确定性高。为此,提出了多传感器信息深度融合的谐波减速器健康状态评估方法。首先对谐波减速器振动信号进行连续小波变换,构造出时频图以描述其运行状态特征;再运用基于小波变换的图像融合方法将多个传感器的时频信息进行融合以全面刻画谐波减速器运行状态。最后利用卷积神经网络对融合后的时频图像进行自动学习获得能准确表征谐波减速器健康状态的深度特征,并通过在卷积神经网络最后添加全连接层实现健康状态评估。通过对不同健康状态以及不同工作节拍下谐波减速器进行健康状态评估试验,证明了所提方法的可行性与有效性,并具有较好的泛化能力和稳健性。     

基于模糊数据融合的健康评价方法

研究基于多传感器信号的船舶用柴油机冷却系统的健康状况评价问题, 提出了船舶用柴油机冷却系统健康状况的定量综合评价指标--健康度, 将基于模糊集的数据融合方法用于健康度的计算, 该方法利用层次分析法来确定各个传感器监测参数的重要程度系数, 利用模糊综合评判对多传感器数据进行融合计算得到系统的健康度, 以此为基础, 建立了船舶用柴油机冷却系统的健康评价体系, 给出了系统的健康状况等级. 实验结果表明该方法能够对其健康状况进行定量的、合理的评价.     

多传感器信息深度融合的谐波减速器健康状态评估

工业机器人谐波减速器工况循环往复,仅依靠单一传感器难以刻画其运行状态全貌且会导致健康状态评估结果不确定性高.为此,提出了多传感器信息深度融合的谐波减速器健康状态评估方法.首先对谐波减速器振动信号进行连续小波变换,构造出时频图以描述其运行状态特征;再运用基于小波变换的图像融合方法将多个传感器的时频信息进行融合以全面刻画谐...     

基于峭度与IMF能量融合特征和LS-SVM的齿轮故障诊断研究

针对齿轮振动信号非线性非平稳特性,为避免传统时频方法在表征设备状态时的不足,提出一种基于融合峭度与IMF能量特征和LS-SVM的齿轮故障诊断方法。首先,对齿轮振动信号在EMD分解;然后,提取包含主要故障信息的IMF分量的峭度特征和能量特征,组成融合特征向量;最后,将齿轮正常、齿根裂纹、断齿3种状态下的融合特征向量输入到LS-SVM,通过训练好的LS-SVM对齿轮状态进行分类识别。仿真实验结果表明:该方法能准确识别齿轮的工作状态,且与BP神经网络、SVM相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。     

基于机械诊断信息的设备运行可靠性研究

针对传统可靠性分析方法必须依赖大样本统计数据、利用概率统计求解设备可靠性的不足,提出两种利用运行状态信息实现小样本条件下设备运行可靠性评估的方法:基于归一化小波信息熵的可靠性评估和基于损伤定量识别的可靠性评估。基于归一化小波信息熵的可靠性评估对设备运行过程中的振动信号采用第二代小波包进行分解与重构,获得多个分解频带信号,计算分解频带信号的相对能量和归一化信息熵,根据归一化信息熵获取反映设备运行状态可靠性的重要指标——可靠度;基于损伤定量识别的可靠性评估定义了新的运行可靠性评价指标——隶属可靠度,在故障定量诊断的基础上,建立了损伤程度与运行可靠性评价指标之间的联系。在制氧压缩机运行可靠性评估和机车轮对轴承运行可靠性评估的成功应用,表明所提出的方法合理、有效,为机械设备实现缺乏大样本、非概率统计模型的可靠性评估提供了新理论与新技术。     

基于小波包和拉普拉斯特征值映射的柱塞泵健康评估方法

柱塞泵是液压系统的关键部件之一,监测其健康状态对液压系统的可靠运行具有重要意义。提出一种基于小波包和流形学习的方法,用于分析柱塞泵出口振动信号,从而对其进行健康评估;该方法利用小波包对原始信号进行分解,从中提取用于描述柱塞泵健康状态的有效特征群;把提取的高维特征群作为输入,利用并比较多种流形学习方法进行特征降维,选取状态识别准确率最高的拉普拉斯特征映射方法,建立起的特征向量到健康状态之间的对应关系,实现液压泵健康状态监测的分类要求。实验结果表明,采用小波包和拉普拉斯特征映射相结合的方法可以有效提高柱塞泵状态评估的准确性。     

基于模糊灰关联分析的高速列车运行状态识别

针对高速列车运行状态监测问题提出小波包能量熵与模糊灰关联度相结合的运行状态识别方法。对高速运行状态下列车10个关键部位传感器振动信号进行均匀分段及多层小波包分解,将小波包能量熵作为特征值;随机选取四种运行状态下各10段数据求其平均能量熵作为参考序列,其余数据能量熵作为待检测序列,采用灰色理论对参考、待检测序列进行模糊灰关联分析,获得待检测序列对各运行状态隶属度;实现对高速列车运行状态识别。实验结果表明,该方法能有效诊断高速列车运行状态,尤其小样本、故障特征不明显时明显优于支持向量机及概率神经网络方法。     

基于ASTFA和PMMFE的齿轮故障诊断方法

提出一种新的反映信号复杂度或非线性度的方法——多尺度模糊熵偏均值(PMMFE),PMMFE是在多尺度模糊熵的基础上提出的。多尺度模糊熵虽然包含不同尺度上的时间模式信息,反映了信号的内在特征,但是对于特征相近的信号,其在绝大部分尺度上的表征并不理想。PMMFE综合考虑多个尺度的模糊熵值,利用不同尺度上模糊熵值的偏态分布特性来定量表征信号的复杂度或非线性度,更加准确地反映信号的特征。但是齿轮箱中的齿轮故障振动信号是多源振动信号,需将齿轮振动本源信号分离出来才能进行特征提取。自适应最稀疏时频分析方法(ASTFA)根据齿轮啮合频率确定初始相位函数就可以有效分离齿轮故障振动本源信号。将ASTFA和PMMFE相结合用于齿轮故障诊断,首先采用ASTFA分离齿轮箱中的齿轮故障振动信号,其次计算该信号的多尺度模糊熵,再根据多尺度模糊熵计算PMMFE。实验分析结果表明该方法能够有效判别齿轮箱中的齿轮故障及其类型。     

一种基于特定频段信息熵和RBM的健康因子构建方法

针对传统物理健康因子存在单调性差、对早期故障不敏感等问题,提出一种基于特定频段信息熵和受限玻尔兹曼机(SEI-RBM)的虚拟健康因子构建模型。该模型由物理健康因子构建层和特征融合层两部分组成:在物理健康因子构建层中,提出一种基于特定频段信息熵的物理健康因子构建方法;特征融合层中,利用单调性准则选取部分物理健康因子组成特征集,利用受限玻尔兹曼机(RBM)对健康因子特征集进行融合,得到虚拟健康因子。实验结果表明:利用该模型构建的虚拟健康因子能够有效提高滚动轴承性能退化曲线的单调性,有助于提高剩余寿命预测的精确度。     

基于水电机组运行工况的水轮机压力脉动诊断策略

水轮机压力脉动是水电机组运行过程中不可避免的现象,准确地识别和定量诊断脉动状态对机组高效稳定运行尤为重要。为此,本文提出了基于水电机组运行工况的水轮机压力脉动诊断策略,以水电机组实际运行工况为切入点,通过分析工况参数与压力脉动的非线性相关关系,得到影响压力脉动的主要相关工况参数,提取了融合机组运行工况参数与脉动幅值特性的特征向量,并利用支持向量机(SVM)与极限学习机（ELM）两种诊断方法进行脉动状态定性诊断。研究压力脉动幅值历史统计规律,提出了脉动状态对机组劣化程度的模糊评估函数,反演了定性诊断结果与机组健康状态的映射关系,实现压力脉动的定量诊断。实例验证表明,相对于仅基于脉动幅值的诊断策略而言,该方法诊断准确率更高,定量诊断指标可靠有效。这为水电机组安全稳定运行提供技术保障。     

截齿磨损程度的多特征信号融合识别研究

为了解决采煤机开采过程中截齿磨损程度在线监测和状态识别的工程难题,提出一种基于多特征信号融合的截齿磨损程度识别方法。搭建截齿磨损程度监测实验台,分别测试提取不同磨损程度截齿截割过程中的振动加速度信号、声发射信号、红外热像信号和电机电流信号,建立了截齿截割的多传感信号数据样本库;针对数据样本库中两相邻磨损状态截齿特征样本存在数据交集、系统识别精度低的问题,构建最小模糊度优化模型并计算各特征信号的最优模糊隶属度函数,获取特征样本最大隶属度。构建截齿磨损程度的神经网络识别模型,运用多特征数据样本对Back-Propagation（BP）神经网络进行学习和训练。实验结果表明：BP神经网络识别模型的识别结果和试样的实际磨损程度类别相同,此识别模型能够对截齿磨损程度类型进行实时监测和准确识别。研究结果为实际工程中截齿监测和更换提供了解决方案。     

基于VMD-DE的坦克行星变速箱故障诊断方法研究

为了提高坦克行星变速箱齿轮故障模式识别准确率,将变分模态分解(VMD)与散布熵(DE)结合提出故障特征提取新方法。利用波形法确定VMD分解层数,VMD分解振动信号得到一组固有模态分量(IMF);根据归一化互信息准则筛选若干IMF重构信号,计算重构信号的散布熵;将重构信号散布熵作为特征值输入到粒子群优化(PSO)的多分类支持向量机(SVM)中实现故障模式识别。通过对坦克行星变速箱的正常、行星轮故障和太阳轮故障三种状态进行模式识别,分类准确率达到100%,且计算时间较短。与基于原始振动信号DE、VMD-SE(样本熵)、VMD-PE(排列熵)及EMD-DE(经验模态分解与DE结合)等方法比较,综合考虑准确率和计算时间两个因素,基于VMD-DE的方法故障诊断性能最佳。     

基于独立分量分析与相关系数的机械故障特征提取

提出一种基于独立分量分析与相关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分别进行独立分量分析,获得各种工况信号的独立分量,这些独立分量中蕴含了该工况的一些内在特征;接着利用样本与不同工况信号提取的独立分量的相关系数绝对值的和作为该样本的特征,与直接利用相关系数作为特征相比鲁棒性与区分程度都得到提高;最后使用支持向量机作为分类器进行识别。分别进行了齿轮故障特征提取与轴承故障特征提取实验,实验结果表明,此方法可以很好地提取机械故障特征信息。本文方法的优点在于直接从振动信号的原始数据中进行特征提取,获取机械故障蕴含的一些特征,应用范围广,具有较高地工程应用价值。     

模糊粗糙集在轴承故障模式识别中的应用

提出一种基于模糊粗糙集理论的模式识别方法,将动态聚类法和方差分析法引入连续属性模糊化,获取模糊隶属函数,避开了粗糙集理论属性离散化过程带来的信息丢失;利用F检验判断分类的合理性,克服了人为确定分类数目的缺点;应用模糊化得到的模糊决策表进行条件属性约简,通过属性值约简,提取了清晰、简明的故障模式规则。轴承故障模式识别结果表明,该方法对比一般粗糙集理论,有效地提高了模式识别精度,在实际模式识别中具有很好的应用价值。     

基于信息融合与FastICA的轴承故障提取方法

针对振动传感器监测信号易受噪声干扰的问题,提出一种基于FastICA算法与信息融合的轴承故障诊断方法。算法对各通道测得的信号采用FastICA算法进行降噪处理,采用自适应线性加权算法对降噪后信号进行数据层信息融合,最后基于谱峭度指标设计自适应带通滤波器,进行特征提取。此方法解决了低信噪比条件下的轴承故障特征提取问题。使用了仿真和实验轴承故障信号验证了算法的有效性。     

基于多源数据融合的掘进机截割岩壁硬度识别方法

针对煤矿井下掘进机截割岩壁硬度识别难度大的问题,利用其悬臂振动信号、升降油缸和回转油缸压力信号、截割电机电流信号,提出了一种基于多源数据融合的截割岩壁硬度识别方法。该方法首先对各类信号进行小波包分解,单支重构各频带信号并组建时频矩阵,通过奇异值分解得到包含时频信息的若干特征奇异值,以构造特征向量;再利用LDA算法实现数据特征级融合,得到类可分性更好的低维特征。为解决概率神经网络(PNN)平滑参数无法确定和网络结构复杂的问题,提出了基于差分进化算法(DE)和QR分解的PNN优化方法,并通过优化PNN对低维特征进行硬度识别。实验结果表明:所提出的特征量提取和模式识别方法是有效的,与目前常用的其它模式识别算法相比,优化PNN在掘进机三种工况下均有更高的硬度识别准确率。     

基于SST时频图纹理特征的供输弹系统故障诊断

对于供输弹系统早期故障中信号成分复杂,故障征兆难以识别的问题,提出了基于同步压缩变换(SST)时频图纹理特征的故障诊断方法。使用EEMD方法对供输弹系统振动信号进行预处理,对分解的分量进行相关系数运算,选取与原始信号相关系数大的前4层分量对信号进行重构,达到了一定的降噪效果;接着利用供输弹系统不同状态的信号通过同步压缩变换时频分析,得到反映不同运行状态的二维时频图像,并进行灰度化处理;利用灰度共生矩阵法与灰度梯度共生矩阵,对其进行纹理特征的提取,为与传统方法做对比,提取了信号经EEMD分解后,与原始信号相关系数大的前4层分量的能量百分比作为特征;使用基于核的模糊C均值聚类,对供输弹系统三种不同状态振动信号的图像纹理特征和能量百分比特征进行分类识别,并与模糊C均值聚类进行对比。实验结果表明,该方法能有效地对自动供输弹系统早期故障进行识别,且识别正确率达91.21%。     

一种基于改进的傅立叶变换的弱故障信号特征提取新方法研究

弱信号特征提取一直是故障诊断领域的难点,文章结合传统傅立叶变换,提出一种将时间序列变换为频域,再从频域转换到时域的复数域,并对该复数域进行幅值计算的方法对弱信号进行特征提取。通过仿真计算发现该方法突出了信号的局部特征信息,不仅能对夹杂在信号中的微弱冲击成分进行较好的再现,而且也能在强背景噪声环境下提取微弱故障信息。最后通过齿轮齿面接触型故障实验验证了该方法的有效性。