基于EEMD模糊熵和GK聚类的信号特征提取方法及应用

提出了一种基于集合经验模态分解模糊熵和GK聚类相结合的方法,应用于滚动轴承的故障诊断中。首先,利用EEMD方法将故障信号分解成多个本征模态分量来消除模态混叠影响;其次,通过相关性对IMF分量进行筛选,并求取其模糊熵作为特征向量进行GK聚类分析进行模式识别。在实验分析中,通过模糊熵、样本熵、近似熵3种特征参数的对比,和GK聚类与FCM聚类的对比,证明了该方法的有效性和优越性。     

基于相似性传播聚类的航空发动机突发故障诊断

针对航空发动机突发故障,构建了一种基于相似性传播聚类的突发故障诊断方法。首先利用突发故障历史监测数据建立突发故障数据库,通过相似性传播聚类找到数据库中所有突发故障数据的中心,当诊断新采集数据的突发故障类型时,通过相似性传播聚类找到当前新采集数据的中心,经过与突发故障数据库中的数据中心进行匹配判断该新采集数据所对应的突发故障类型。将该突发故障诊断方法应用到发动机转子实验台的突发故障诊断中,仿真和实验结果表明该方法的可行性,并通过与其他方法比较,表明该方法具有诊断时间短和误差小的优点。     

多重分形近似熵与减法FCM聚类的研究及应用

提出了一种基于多重分形与近似熵相结合的信号特征量提取方法,应用于齿轮箱的故障信号诊断中。针对齿轮箱的故障信号的复杂性,先用减法聚类对提取到的信号特征量进行处理,得到初始聚类中心,然后再用模糊C均值聚类(FCM)作进一步处理,实现齿轮箱故障的自动诊断和识别。多重分形谱提取的特征量如谱宽,可以表示信号的波动程度,而近似熵可以表示信号的复杂程度。两者结合可以得到更加准确的齿轮箱故障信号模式。减法聚类可以有效解决FCM容易陷入局部最优的问题,还可以提高收敛速度。提取的特征参数作为聚类分析的数据,通过计算数据点与聚类中心的隶属度判定所属类型,实现齿轮箱故障类型聚类以及模式识别。通过风力发电机齿轮箱故障诊断实验,证明该方法的可行性和有效性。为齿轮箱故障诊断提供了一种新的有效途径。     

基于EEMD与FCM聚类的自动机故障诊断

针对自动机使用中常见的故障检测与识别问题,考虑到自动机振动响应信号非线性、短时、瞬态和冲击特性,提出基于聚合经验模态分解(EEMD)和模糊C均值(FCM)聚类结合的自动机故障诊断方法。首先,使用EEMD分解方法对自动机的振动信号进行分解,结合相关系数提取前5个固有模态函数(IMF)分量的能量百分比作为特征值,再用模糊C均值聚类对特征值进行聚类分析。通过对自动机不同工况分别用EEMD和EMD方法进行故障分类识别对比,结果表明:所有样本的诊断结果与实际情况基本符合,证明EEMD法有更好的分类效果,分类正确率达93.75%。从而验证该方法能有效应用在自动机故障诊断中。     

基于模糊理论的电源车故障诊断方法

电源车工作性能指标和工作可性直接影响着飞机起动和机动升空,其故障的判断、查找非常困难,针对这个问题,将基于模糊关系方程的故障诊断方法应用于电源车的故障诊断中,通过建立故障征兆与故障原因间的模糊关系方程,利用阈值原则和最大隶属度原则相结合的方法查找故障原因,通过电源车的一个具体故障案例验证表明,该方法可以准确定位故障,提高了电源车故障诊断的效率和准确性.     

一种基于半模糊聚类的故障诊断方法

为满足故障诊断的实时性和准确性要求,采用阈值化类内距离的方法,研究了一种快速收敛的半模糊c均值(SFCM)聚类诊断方法.证明了SFCM算法的模糊加权幂指数m在区间(0,1)取值时能实现半模糊聚类,讨论了阈值η对算法的影响并给出了算法步骤.以机载武器控制系统信息通道为诊断对象,采用该方法对通道进行了样本无监督分类验证和故障模式识别诊断试验.结果表明:SFCM算法能对信息通道故障模式进行快速准确的分类识别.     

一种基于EEMD-SVD和FCM的轴承故障诊断方法

提出了一种基于总体平均经验模式分解(EEMD)和奇异值分解(SVD)的模糊C均值聚类(FCM)相结合的轴承故障诊断方法。首先对轴承信号进行EEMD分解,得到若干个平稳的本征模函数(IMF),再通过相关性分析筛选包含主要信息的前几个分量进行奇异值分解,然后将得到的奇异值矩阵作为特征向量,通过FCM模糊聚类进行识别。实验结果表明,此方法可有效地对轴承故障类型进行识别。     

空调电路故障诊断的专家系统

阐述了构建空调电路故障诊断系统的目的,并以模糊理论为基础,结合空调电路的实际运行工况,专家经验等,构建了空调电路故障诊断知识库。同时,分析了故障原因与故障征兆之间的模糊关系,建立了空调电路模糊故障诊断数学模型。最后以一个故障诊断实例进行具体分析,验证了模糊理论在空调电路故障诊断中的可行性。     

基于EEMD的多尺度模糊熵的齿轮故障诊断

为准确利用振动信号进行故障诊断,提出基于EEMD多尺度模糊熵的齿轮故障诊断方法。利用集合经验模态分解(EEMD)对振动信号进行自适应分解,获得原始信号的不同尺度分量;据模糊熵能有效区分不同信号的复杂度,计算EEMD分解所得本征模态函数(IMF)分量模糊熵,获得原始信号多个尺度的复杂测度作为齿轮不同状态的特征参数;将该特征参数输入最小二乘支持向量机(LS-SVM)分类器判断齿轮故障。齿轮箱齿轮故障实验结果表明,该方法能提高齿轮故障诊断精度。     

时频特征降维和多层次聚类相结合的轴承故障诊断新方法

从含噪信号中判断滚动轴承是否发生故障,同时确定故障发生位置和缺陷程度,针对这一轴承工作状态监测的核心问题,提出一种结合小波频带剖分、主成分分析、多层次聚类的滚动轴承故障诊断方法。首先,利用小波最优分解层数将获取的原始信号进行小波包分解得到小波能量谱;然后另取18个时域频域特征指标共同构成特征参数集,再经主成分分析处理,将参数集降到合适的维数;最后利用最佳类间距、样本间距组合和聚类有效性评价建立多层次聚类挖掘系统。实验和应用案例表明：该方法能够准确有效地诊断滚动轴承的不同故障类型和损伤程度,准确率达99.3%,可为轴承状态监测与智能故障诊断提供有效的理论参考。     

基于粒子群优化聚类的汽轮机组振动故障诊断

针对模糊C-均值聚类算法(FCM)容易陷入局部极值和对初始值敏感的不足,提出了一种新的模糊聚类算法(PFCM),新算法利用粒子群优化算法(PSO)全局寻优、快速收敛的特点,代替了FCM算法的基于梯度下降的迭代过程,使算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极值的缺陷,同时也降低了FCM算法对初始值的敏感度。将该算法应用于汽轮机组振动故障诊断中,与电厂运行实际故障状态对照,仿真结果表明该算法提高了故障诊断的正确率。为汽轮机振动故障诊断方法的研究提供了一种新的思路。     

汽轮机启动故障的模糊诊断

为进行电厂汽轮机启动过程中故障的准确判断和快速处理,建立了汽轮机启动过程中的故障集和征兆集,依据模糊理论和MATLAB径向基函数形成了神经网络故障诊断模型,并进行了仿真机的模型验证.这种故障的模糊化处理,能使训练的收敛迅速,非常有利于汽轮机启动中的故障诊断.     

计算机硬件常见的故障与维护

在计算机使用操作过程中，一旦出现问题和故障，就要根据具体的情况分析故障产生的真正原因，进而做出准确的判断，并采用针对性的措施进行解决处理，解决办法要根据问题随机变化。一些故障需要有专业能力和实际经验的人员才能做出正确的分析和判断，这个过程要有专业的计算机知识作为辅助。     

基于VMD_MPE和FCM聚类的变转速工况下转子不平衡故障诊断方法EI北大核心CSCD

旋转机械在变转速工况下转子不平衡故障诊断问题一直是故障诊断领域的难点,为解决该问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与多尺度排列熵(multiscale permutation entropy,MPE)和模糊C均值(fuzzy C means,FCM)聚类结合的故障诊断方法(VMD_MPE-FCM)。首先,用VMD对转子的振动信号进行处理,得到若干本征模态分量(intrinsic mode function,IMF);然后,根据转子不平衡故障时一倍频(1×)处振幅剧烈增加的现象,从VMD得到的各IMF频谱图中筛选出最能表征转子不平衡故障特征的IMF;进而采用MPE法对筛选出的IMF进行量化;最后,将量化所得值作为特征向量输入FCM,得到各转速工况下的标准聚类中心,采用择近原则,运用模糊贴近算法计算出待识别数据与标准聚类中心的贴近度,从而实现变转速工况下转子不平衡的故障识别。在转子试验台上采用VMD_MPE-FCM法进行了变转速工况下转子不平衡故障诊断试验,试验结果表明:该方法是有效的,可以准确、高效地提取出转子故障特征,能够很好地识别出不同转速工况下转子的不平衡故障。     

改进AMD广义形态分形维数和KFCMC的液压泵故障诊断方法

针对液压泵故障诊断问题,提出了一种基于改进解析模态分解(AMD)、广义形态分形维数(GMFD)和核模糊C均值聚类(KFCMC)相结合的新方法。根据故障特征频率先验知识,在有效二分频范围内对实测液压泵多模态故障振动信号进行AMD分解,并基于欧氏距离法选定实现最优分解的二分频;将基于最优二分频所提取含有丰富运行特征信息的故障分量信号作为数据源,并提取GMFD作为特征向量;利用KFCMC实现对液压泵不同故障的诊断。此外,还利用原始AMD、经验模态分解(EMD)、集总经验模态分解(EEMD)、局部均值分解(LMD)、变分模态分解(VMD)和模糊C均值聚类(FCMC)方法对上述信号进行分析,结果表明所提方法效果要优于上述传统分解和诊断方法。通过对仿真和实测液压泵故障振动信号的实验验证,表明该方法可以有效地诊断液压泵不同故障。     

齿轮箱轴承故障诊断的应用实践

本文通过运用齿轮箱故障诊断的方法对齿轮箱轴承进行故障诊断，准确判断出齿轮箱轴承存在的故障，预防性的处理设备故障，取得了显著的经济效益和社会效益。     

基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断

提出了一种基于局部均值分解多尺度模糊熵和灰色相似关联度相结合的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数,并从中选取包含主要故障信息的PF分量计算多尺度模糊熵作为特征向量,通过计算待识别样本与标准故障模式的灰色相似关联度,对滚动轴承故障类型和损伤程度进行判断。将该方法与LMD模糊熵和灰色相似关联度相结合的方法进行了对比,实验表明,基于LMD多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断方法,能够有效地识别滚动轴承运行状态,实现对滚动轴承的故障诊断。     

基于排列熵与IFOA-RVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出基于排列熵与改进的果蝇算法(IFOA)优化相关向量机(RVM)的汽轮机转子故障诊断方法。将实验数据进行自适应完备的集合经验模态分解(CEEMDAN),并选取故障特征敏感的IMF分量计算排列熵,以此构造特征样本集,进而建立"二叉树"IFOA-RVM故障分类器对特征集进行分类,其中IFOA通过两个阶段来定义果蝇群体的搜索范围来提高搜索效率,同时避免RVM核函数陷入局部最优。通过ZT-3汽轮机转子模拟试验台获得的故障数据进行实验研究,结果表明与模糊熵对比,排列熵获得的特征样本集的聚类效果明显;IFOA-RVM分类器在故障识别准确率和效率上优于FOA-RVM等其它分类器;证明了基于排列熵与IFOA-RVM汽轮机转子故障诊断方法的有效性和可行性。     

滚动轴承故障模式识别方法现状分析

在提取滚动轴承故障特征后,如何设计合理的分类器对滚动轴承进行故障模式识别是故障诊断的关键步骤。分别介绍了粗糙集模式识别中的变精度粗糙集、统计模式识别中的最小二乘支持向量机、模糊模式识别中的模糊[C]均值聚类算法。分析各种方法的基本原理、应用和特点。研究发现,多种故障模式识别方法的融合运用是今后研究的重点方向。     

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。