基于稀疏编码空间金字塔匹配和GA-SVM的列车故障自动识别

针对货车运行故障动态图像中车辆挡键、集尘器和安全链锁紧螺栓的故障检测,提出一种基于稀疏编码空间金字塔匹配和遗传算法优化的支持向量机相结合的通用故障自动识别算法。首先在不同尺度空间对样本图像进行划分,对每个部分提取尺度不变特征变换特征,利用随机抽取样本的SIFT特征通过迭代学习生成字典并进行稀疏编码;其次利用主成分分析定义编码后的特征对故障识别准确率的贡献值,并据此对编码特征进行降维;然后利用编码降维后的特征结合遗传算法对线性SVM分类器进行训练;最后用训练好的分类器模型对挡键、集尘器和安全链锁紧螺栓的故障进行识别。实验结果表明,本文提出的算法能较好的应用于3种不同类型的故障识别,识别率分别为97.25%、99.00%和97.50%,同时对噪声和光照变化具有一定的鲁棒性,能满足车辆故障的实际检测需求。     

TFDS中螺栓故障的自动识别算法研究

近年来,已有300多套TFDS系统安装在我国铁路线上,以监视货运列车的安全.然而,TFDS系统只能采集、传输图像,列车故障的识别仍然以人眼观察为主.针对TFDS系统中人工识别螺栓故障效率低下的问题,提出了一种基于图像处理的螺栓故障自动识别算法.首先,根据先验知识,从原始图像中截取包括螺栓的感兴趣区域并使用模板匹配技术得到螺栓的精确子图.然后,使用改进的自适应LTP算子提取螺栓子图的特征直方图.最后,将螺栓特征直方图送入训练好的支持向量机实现故障螺栓的识别.不同光照的TFDS图像被用于实验.实验结果表明,该算法对螺栓故障识别取得了很好的表现(漏检率为0.36％,误检率为3.33％,准确率为90.88％),可以满足工程应用.     

基于支持向量机的车用燃料电池系统故障诊断

为了提高车用燃料电池系统的安全可靠性和可维护性,考虑到其大量完整的故障样本难以获取,提出了一种基于二叉树多分类器的支持向量机故障诊断方法.首先,以自主研发的60 kW车用燃料电池系统为研究对象,分析了其故障机理和特征;然后,融合15种故障征兆参数并进行归一化预处理作为支持向量机的输入,以14种典型故障作为输出,选取径向基核函数并利用粒子群优化算法对支持向量机的惩罚参数和核函数参数进行优化,利用310组样本数据对其进行训练,通过90组测试样本测试实现了其典型故障的识别;最后,将支持向量机和神经网络分别在不同训练样本数下的故障诊断性能进行了对比.仿真结果表明,支持向量机具有较好的故障正判率和泛化能力,可有效用于车用燃料电池系统的多故障诊断.     

基于MRE与特征类的轴承故障诊断方法

针对滚动轴承振动信号难以提取的问题,为实现故障特征准确分类目的。通过多尺度极差熵（MRE）和EigenClas融合,提出了一种MRE-EigenClass分类方法来诊断轴承故障模式。首先,MRE从不同状态下轴承的振动信号提取20个尺度的特征向量,最后将提取到的特征向量输入到EigenClass分类器,得到分类结果。实验证明,提出的MRE与EigenClass算法能有效提取滚动轴承振动信号的特征,并且实现高精度分类。与其他故障识别的分类器相比,本方法具有更高的故障识别准确率,识别精度达到98.86%。     

基于主成分分析和支持向量机的滚动轴承故障特征融合分析

为有效降低滚动轴承故障特征的维数并提高诊断准确率,将主成分分析（PCA）和支持向量机（SVM）方法应用到轴承故障特征的融合分析中,给出了相应的决策流程。应用基于小波包分解的特征提取算法及特征向量的构造方法对不同状态下的振动信号进行分解,得到用于表征轴承运行状态的8维特征集合;应用PCA提取累积贡献率达到95%的特征主成分并输入SVM分类器中进行识别。结果表明,将滚动轴承故障特征从8维降低到5维,仍可有效表征轴承的状态,但大大降低了计算的复杂性;故障诊断的准确率达到97%以上,诊断时间也相对较短;4种轴承状态识别的准确率从高到低依次为正常、外圈剥落、滚动体剥落和内圈剥落,可为确保设备安全运行和快速故障诊断提供理论依据。     

基于AdaBoost行人检测优化算法的研究

针对车辆辅助安全驾驶系统的道路行人检测和识别问题,对行人检测算法的实时性和检测准确性受光照影响等方面进行了研究。对行人检测识别算法进行了归纳,将在线训练和更新行人分类器技术应用到车辆前方行人检测和识别中。提出了改进的AdaBoost行人检测优化算法,应用该算法行人识别分类器训练时,根据正样本和负样本的错分率,实时调整级联分类器权重系数,在线更新分类器的错误率权重,在保证分类器整体准确率的前提下,降低了分类器的级数,优化了分类器结构,减少了计算的复杂性;采用扩展的类Haar特征,降低了算法对光线的敏感性,提高了环境适应能力。试验结果表明:在相同的检测率下,改进的AdaBoost算法需要的检测时间更少,系统具有更高的鲁棒性,可以满足道路行人识别的要求。     

快速特征金字塔和Soft-Cascade在折角塞门图像故障检测中的应用

为了提升列车折角塞门的故障检测效率,提出了一种基于快速特征金字塔和Soft-Cascade的故障图像检测算法。首先,构建快速特征金字塔模型来提取图像多尺度聚合通道特征;其次,利用向量化后的多尺度聚合通道特征来训练Soft-Cascade故障分类器;最后,利用训练好的分类器来判断待检折角塞门是否含有故障。实验结果表明:该算法的故障检测正确率为97.33%,离线检测速度高达43 fps(每张图像仅需23 ms),检测效率高于其他算法。该算法训练时间短,检测速度快,硬件要求低,能满足列车折角塞门的故障检测要求。     

基于概率神经网络的液压缸故障状态的识别

设计液压缸泄漏的模拟实验,分别提取压力、位移信号的时域频域组合特征,利用概率神经网络作为故障分类器,对＂无泄漏＂、＂轻微泄漏＂、＂严重泄漏＂三种故障状态进行识别与分类。采用Matlab仿真的方法测试了径向基传播率和训练样本变化时模型的训练效果。     

粗糙集-遗传算法-神经网络集成分类器及其在转子故障诊断中的应用研究

针对转子故障诊断问题,在综合粗糙集理论、遗传算法及神经网络学习算法各自优点的基础上,提出了一种新的粗糙集-遗传算法-神经网络（RS-GA-NN）集成分类器模型。在该模型中,利用粗糙集理论的离散和约简算法实现对样本数据的特征选取;利用神经网络实现样本特征向量与故障之间的非线性映射;利用遗传算法实现对神经网络的结构优化以使神经网络的泛化能力达到最优。利用转子故障实验台模拟了不平衡、不对中、碰摩及油膜涡动4种故障的127个样本,构建了多故障识别的RS-GA-NN集成分类器,进行了转子故障的智能诊断实验,获得了很好的效果。     

多特征信息融合的贝叶斯网络故障诊断方法研究

针对轴向柱塞泵故障特征的模糊性和不完备性特点,提出一种多特征信息融合与贝叶斯网络相结合的故障诊断方法。该方法从柱塞泵采集的振动信号中提取出频域和幅域的多个故障特征,并将这些特征当作来自多个不同传感器的多源信息。利用贝叶斯参数估计算法进行多特征信息融合。通过构造贝叶斯网络并建立贝叶斯分类器来简化融合后的结果,通过最大后验概率估计值的计算进行故障识别。经过轴向柱塞泵多故障模式的诊断实验,验证了该方法能够有效地实现柱塞泵柱塞松靴和脱靴故障的诊断。     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。     

[设备健康管理]基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号噪声干扰大、单一分类器泛化能力不强的问题,提出了一种基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法。利用多目标优化算法优化多个堆栈去噪自动编码器(SDAE)以获得多个性能优异的SDAE,并提取多样性的故障特征;采用多响应线性回归模型集成多样性故障特征实现信息融合,得到多目标集成堆栈去噪自动编码器(MO-ESDAE),最后将其应用于行星齿轮箱故障诊断。实验结果表明：该方法能有效提高故障诊断精度与稳定性,具有较强的泛化能力。     

小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法

针对部分风场因有标签故障样本数据稀少而导致风电齿轮箱故障诊断准确率不高的问题,提出了一种小样本下混合自注意力原型网络的故障诊断方法。首先,通过原型网络将振动信号映射到故障特征度量空间;然后采用位置自注意力机制和通道自注意力机制进行矩阵融合构建混合自注意力模块,建立原始振动信号的全局依赖关系,获取更具判别性的特征信息,学习风电齿轮箱各健康状态下的度量原型;最后通过度量分类器进行模式识别,实现小样本条件下风电齿轮箱的故障诊断。实验结果表明,所提出的混合自注意力原型网络故障诊断方法在不同小样本数据集上均能实现风电齿轮箱高精度故障诊断。     

基于改进ABC算法优化的LSSVM多分类器组机械故障诊断模型

为了提高复杂机械故障诊断的确诊率,提出了一种基于改进人工蜂群算法(improved artificial bee colony,IABC)优化LSSVM多分类器组的故障诊断模型。该模型利用多特征提取方法,获取了较为完备的时频域特征信息,同时选择具有较强搜索能力和快速收敛性的IABC算法优化了LSSVM分类器的参数,提高了分类效率,在诊断决策层,利用评估矩阵进行了多分类器诊断结果的融合决策。通过与传统方法的对比表明:该诊断模型不仅能获取完备的故障特征信息,而且能更快地获取LSSVM最优分类参数;同时,基于评估矩阵的融合决策能够充分考虑各子分类器的性能差异,保证了诊断决策的高效精确。多种数据仿真表明,该诊断模型适用于机械故障诊断。      

基于时频特征融合与 GWO-ELM 的棒控电源早期故障状态辨识方法

针对核电棒控系统电源(PWE)早期故障状态辨识问题,提出一种基于融合时域与时频域的故障特征和灰狼优化算法(GWO)的极限学习机(ELM)辨识方法。首先,根据棒控电源PWE工作原理和控制棒驱动机构的驱动电流,利用电流上升时间分析了早期波形形态与早期故障模式。然后,构建融合电流上升时间、均方根-差分和和小波包奇异熵的故障时频特征,分析了特征的可区分性。进而,采用GWO算法进行ELM分类器参数择优,建立GWO-ELM模型实现PWE早期故障状态的辨识,以提高辨识精度。最后,通过开展不同特征组合和辨识模型比对试验,结果表明所提方法能有效实现棒控电源早期故障识别诊断,且平均辨识准确度可达98.86%。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

Connected Components-based Colour Image Representations of Vibrations for a Two-stage Fault Diagnosis of Roller Bearings Using Convolutional Neural Networks

Roller bearing failure is one of the most common faults in rotating machines.Various techniques for bearing fault diagnosis based on faults feature extraction have been proposed.But feature extraction from fault signals requires expert prior information and human labour.Recently,deep learning algorithms have been applied extensively in the condition monitoring of rotating machines to learn features automatically from the input data.Given its robust per-formance in image recognition,the convolutional neural network(CNN)architecture has been widely used to learn automatically discriminative features from vibration images and classify health conditions.This paper proposes and evaluates a two-stage method RGBVI-CNN for roller bearings fault diagnosis.The first stage in the proposed method is to generate the RGB vibration images(RGBVIs)from the input vibration signals.To begin this process,first,the 1-D vibration signals were converted to 2-D grayscale vibration Images.Once the conversion was completed,the regions of interest(ROI)were found in the converted 2-D grayscale vibration images.Finally,to produce vibration images with more discriminative characteristics,an algorithm was applied to the 2-D grayscale vibration images to produce connected components-based RGB vibration images(RGBVIs)with sets of colours and texture features.In the second stage,with these RGBVIs a CNN-based architecture was employed to learn automatically features from the RGBVIs and to classify bearing health conditions.Two cases of fault classification of rolling element bearings are used to validate the proposed method.Experimental results of this investigation demonstrate that RGBVI-CNN can generate advan-tageous health condition features from bearing vibration signals and classify the health conditions under different working loads with high accuracy.Moreover,several classification models trained using RGBVI-CNN offered high performance in the testing results of the overall classification accuracy,precision,recall,and F-score.     

基于神经网络算法的故障检测技术

针对复杂的机电产品内部构件状态检测这一工程难题,本文介绍了一种自动在线检测系统.该系统采用X射线对产品成像,运用数字图像处理技术对射线图像进行预处理,由神经网络算法进行故障诊断.故障识别模型采用了改进的BP神经网络算法,以正常装配状态时的多幅图像经预处理后作为学习样本训练BP神经网络.检测时一般只需拍摄两幅不同方位的图像,经预处理后输入神经网络与样本图像进行比较判断,即可识别出关键元器件的状态.该系统将数字射线成像技术和图像处理技术相结合,并在故障识别算法中采用了神经网络算法,提高了产品故障的检测速度和可靠性,在工业无损检测领域具有一定的实用性.