基于多尺度熵的滚动轴承故障可拓智能识别

针对滚动轴承振动信号的多样性、复杂性以及不确定性,利用可拓学在分析矛盾问题可拓性和规律性时的优势以及对于时间序列多尺度熵(Multiscale Entropy,MSE)可在不同尺度上进行复杂度评价的特点,提出一种基于多尺度熵的滚动轴承故障可拓智能识别方法。利用MSE对轴承振动信号进行特征提取,利用Fisher比对MSE特征进行选择,将最终入选的MSE特征作为可拓物元模型的特征参数,并以此构建轴承不同健康状态物元模型的经典域以及所有状态下物元模型的节域。将待测数据代入构建好的轴承不同健康状态所对应的物元模型中,利用关联度函数计算待测数据与轴承不同健康状态的综合关联度,以此实现待测数据的定性定量识别。对电机滚动轴承的故障识别结果表明,所提方法对轴承正常、内圈故障、外圈故障和滚动体故障4类模式识别的准确率可达100%,高于常规的基于小波包和神经网络的方法。     

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。     

小波包-支持向量数据描述在轴承性能退化评估中的应用研究

轴承是旋转机械中的关键部件,相对于故障模式识别,性能退化评估可以更为有效地服务于设备主动维护以实现零停机率。小波包分解可以对信号进行更为精细的刻画,基于统计学习理论的支持向量数据描述是一种具有良好计算性能的单值分类方法。基于此,本文提出了一种基于小波包－支持向量数据描述的轴承性能退化评估方法,该方法以小波包分解的节点能量构成特征向量,仅需要正常状态下的数据样本即可用支持向量数据描述建立知识库,在一定程度上实现了对待测样本退化程度的定量评估。通过应用于轴承不同点蚀大小和其加速疲劳寿命试验的全寿命周期,验证了所提出方法的可行性和有效性。     

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。     

可拓免疫算法在汽轮机故障诊断中的应用

为了解决汽轮机的各种故障问题,一种新的可拓免疫算法被提出来对汽轮机各种故障进行诊断。该方法利用可拓学能同时定量和定性描述系统行为的特点,结合免疫系统的学习机制和否定选择机理,将故障的特征利用可拓学的物元进行描述,建立B细胞探测器物元和抗原物元。根据故障样本数据,利用免疫系统自己一非己识别机理训练产生B细胞探测器,其B细胞探测器与抗原物元的亲和度,采用可拓学中的关联函数作为度量函数。对产生的探测器利用样本数据进行检测。该方法在对汽轮发电机组进行故障诊断时,正确地识别出了故障成份,证明是有效的。并给出了进一步研究的方向。     

基于支持向量机的故障诊断方法研究

针对故障诊断中存在的故障样本不完备问题,提出一种基于支持向量数据描述(SVDD)与支持向量机(SVM)相结合的故障诊断方法。该方法首先以正常状态下的数据样本与已知故障数据样本为整体建立数据描述模型、依据已知故障数据样本建立支持向量分类机模型,然后对输入的测试数据样本采用SVDD进行拒绝与接受处理,被接受的样本再利用支持向量分类机进行具体类别诊断;被拒绝的样本则为未知故障类型。数值试验表明,该方法可以有效处理故障样本不完备的故障诊断问题,能够对已知故障类型进行准确判断,并对未知故障类型给出提示,具有一定的实践意义。     

可拓学——研究“矛盾转化，开拓创新”的新学科

可拓学是以蔡文研究员为首的我国学者们创立的 ,研究事物的可拓性与开拓规律 ,探索矛盾转化、开拓创新方法和技术的新学科。经过可拓学研究者们多年的艰苦创业、共同奋斗 ,可拓学已初具规模 ,包括可拓论、可拓方法、可拓工程等。在理论和方法上都取得了创新性、突破性的研究成果 ,在实际应用中 ,具有多领域、多类型的成功事例。可拓学及其应用已引起国内外学术界的广泛关注 ,具有一定的影响。可拓论　可拓学的理论基础是物元理论、可拓集合理论和事元理论 ,统称为可拓论。物元理论　提出了描述事物基本元的物元概念与性质、定性与定量相结合…     

基于EEMD排列熵的高速列车轮对轴承故障诊断方法

高速列车轮对轴承的可靠度对高速列车的安全运行具有重要意义,其故障特征主要体现在轴箱振动信号中。该文提出基于聚合经验模态分解排列熵的轮对轴承特征分析方法,提取高速列车轮对轴承振动信号的非线性特征参数,并用于故障状态的分类识别。首先,对高速列车轮对轴箱振动信号进行聚合经验模态分解,得到一系列窄带本征模态函数;然后,对原信号和主要本征模态函数分别计算,得到多组排列熵,形成多尺度的表征信息复杂性高维特征向量;最后,将高维特征向量输入最小二乘支持向量机分类识别出轮对轴承的故障状态。台架试验分析结果表明:该方法针对高速列车轮对轴承故障尤其是轴承复合故障具有较高的识别率,验证通过聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性。     

基于噪声辅助信号特征增强的滚动轴承早期故障诊断

针对滚动轴承振动信号特征提取在滤除干扰噪声的同时会将部分有用信号滤除,造成特征信号丢失的问题,提出了一种基于噪声辅助信号特征增强的滚动轴承早期故障诊断方法。采用广义多尺度排列熵筛选准则筛选振动信号,并通过粒子群优化算法优化Duffing振子系统参数,实现Duffing振子系统、输入信号与噪声间的最优匹配,从而提高随机共振效果,将部分背景噪声能量转移到滚动轴承早期微弱故障信号特征上,实现了早期微弱故障信号特征的增强。将所提方法应用于滚动轴承全寿命状态早期故障诊断,并与基于VMD的自适应形态学方法相比较,结果表明了该方法的有效性和可行性。     

数据特征选择与分类在机械故障诊断中的应用

针对机械故障数据的高维性和不平衡性,提出基于格拉斯曼流形的多聚类特征选择和迭代近邻过采样的故障分类方法。对采集到的振动信号,提取时域和频域相关特征,利用多聚类特征选择将高维数据以局部流形结构映射到低维特征集合。无标签样本借助迭代近邻过采样以恢复最大平衡性为目标进行样本分类,并对剩余无标签样本进行模糊分类。选取滚动轴承正常、外圈、内圈以及滚动体的故障数据,并与支持向量机、基于图的半监督学习算法进行对比。结果表明,提出的方法能有效识别出少数类故障,并在整体上有显著的分类效果。     

基于最优广义S变换和脉冲耦合神经网络的轴承故障诊断

针对滚动轴承故障信号具有明显的非线性和非平稳特征,提出一种基于最优广义S变换和脉冲耦合神经网络(PCNN)的故障特征提取方法。首先采用基于时频聚集性最优化的广义S变换获取轴承故障信号的时频表示,然后利用脉冲耦合神经网络对最优广义S变换时频图进行二值分解,提取二值图像的捕获比序列用于表达故障信号的故障特征。对滚动轴承4种状态信号进行分析,验证方法的有效性。结果表明该方法能够提取出更加有效的轴承故障特征参数,有利于提高轴承故障诊断的精度。     

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。     

基于EMD-DCS的滚动轴承伪故障特征识别方法

伪故障特征是健康零部件振动信号中具有的故障特征,伪故障特征是由系统内故障零部件引起的。由于滚动轴承伪故障特征与故障特征具有相似性,针对转子-轴承系统中滚动轴承伪故障特征识别问题,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)和循环平稳度(Degree of Cyclostationarity,DCS)的伪故障特征识别方法。利用滚动轴承健康信号和伪故障信号对比分析基于单通道伪故障信号进行滚动轴承故障诊断的技术难点;建立了考虑滚动轴承打滑率的转子-轴承系统动力学模型;利用时频分析方法和循环平稳分析方法对滚动轴承伪故障特征进行分析;给出了基于EMD-DCS的滚动轴承伪故障特征识别流程;在滚动轴承故障模拟实验台上开展了滚动轴承伪故障特征识别实验。实验结果表明:基于EMD-DCS的滚动轴承伪故障信号识别方法可以有效区分滚动轴承故障特征与伪故障特征。该研究工作对于提高滚动轴承故障诊断准确率、保障设备安全运行具有理论意义和实际应用价值。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

基于复合多尺度模糊熵的滚动轴承故障诊断方法

为了精确地提取滚动轴承振动信号非线性故障特征,针对多尺度熵（Multi-scale entropy,MSE）中粗粒化方式的不足,提出一种新的衡量时间序列自相似性和复杂性的方法--复合多尺度模糊熵（Composite multi-scale Fuzzy entropy,CMFE）。与MSE相比,CMFE综合同一尺度下多个粗粒化序列的信息,随着尺度因子的增加,熵值变化更加稳定,一致性更好。在此基础上,结合Fisher得分特征选择和支持向量机模式分类,提出了一种新的滚动轴承智能故障诊断方法。将提出的方法应用于滚动轴承实验数据分析,通过对比结果验证了所提出方法的有效性和优越性。     

基于非广延小波特征尺度熵和支持向量机的轴承状态识别

摘要：为了对轴承的运行状态进行有效的识别,以便进一步评估和预测轴承的寿命,提出了基于非广延小波特征尺度熵和Morlet小波核支持向量机（Morlet wavelet kernel support vector machine, MWSVM）的轴承运行状态识别的新方法。对采集到的轴承振动信号进行小波分解,得到相应的小波分解系数,在此基础上结合非广延熵理论提出了沿尺度分布的非广延小波尺度熵特征提取方法。但是通过小波特征尺度熵分析后获得的特征信息存在维数较高,特征信息间冗余严重的问题,因此,引入了流形学维数约简算法(locality preserving projection, LPP)进行敏感特征信息的提取,减少在特征信息提取过程中人为因素的干扰。以约简后的特征信息作为MWSVM的输入进行训练,建立轴承的状态识别模型,从而实现轴承状态的识别。通过对某轴承内圈正常状态和几种故障程度不同的状态进行识别,试验结果表明了方法的有效性。