基于人工免疫系统的复合故障诊断技术研究

鉴于多缺陷并存的故障对无量纲指标影响不明显这一特性,直接从各个单独故障的无量纲指标值诊断复合故障,得知无量纲指标值对复合故障的诊断整体不是太理想。针对这一点,先利用对单独故障比较敏感的无量纲指标结合人工免疫系统的阴性选择机制构建无量纲指标免疫检测器,再采用将复合故障特征直接生成无量纲指标免疫检测器的方法来诊断复合故障。该方法操作简单,仿真试验验证该方法的有效性。     

基于遗传编程的无量纲指标在行星齿轮箱故障诊断中的应用

针对传统的信号处理方法较难获取行星齿轮箱故障特征和有量纲指标在变工况情况下诊断失效的问题,提出将无量纲指标应用于行星齿轮箱故障诊断的方法。首先分别计算行星齿轮箱在不同故障模式下振动信号的七个无量纲指标,然后用遗传编程的方法构建新的复合诊断指标,最后将该复合诊断指标在变载荷、变转速工况下对不同的故障模式进行区分。实验结果表明,该方法可以识别行星齿轮箱在不同工况下的故障状态,验证了其有效性。     

一种采用无量纲指标免疫检测器的集成故障诊断方法

文章针对采用无量纲指标对低中频故障进行诊断时,每个无量纲指标对应不同故障取值均存在交叉、重复现象的不足,首先运用分类处理的方法生成了与独有故障一一对应的无量纲指标,然后借助人工免疫系统多样性原理,利用多个无量纲指标免疫检测器对故障进行集成诊断,通过仿真试验的结果证明了该方法的有效性。     

齿轮故障诊断模糊判据的研究

本文从选择诊断特征指标出发，探讨了利用散度指标建立齿轮故障诊断模糊判据的理论与方法。同时，通过多次实际振动监测，给出了在实际工作中建立该诊断判据的实例。     

旋转机械的并发故障诊断技术研究进展

实际工程中旋转机械转子系统并发故障是很普遍的,目前旋转机械故障诊断技术的研究主要集中在单一故障诊断方面,而多重并发故障（Multi-Concurrent Fault Diagnosis,M—CFD）由于其复杂的故障机理使得诊断技术的研究还处于起步阶段。阐述旋转机械并发故障诊断技术在神经网络,专家系统,人工免疫等智能诊断领域最新研究进展,并讨论上述领域在CFD技术中的优势和存在的问题,对CFD技术的发展趋势作进一步展望。着重讨论人工免疫结合无量纲指标在CFD中的应用及前景。     

利用阴性选择算法实现ISO-2372速度槛值国际标准

故障诊断的主要目的之一就是要根据某一槛值,给出设备有无异常的信息。将免疫系统的阴性选择原理与ISO-2372速度槛值国际标准结合,以K组旋转机组为例,应用人工免疫系统的阴性选择算法实现了该诊断标准中的“好,较好,允许,不允许”四种状态的判定。最后,给出了旋转机组进行实际检测时的应用流程和说明。     

Xgboost在滚动轴承故障诊断中的应用

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出一种基于分类与回归树的Xgboost(e Xtreme Gradient Boosting)轴承故障诊断算法。Xgboost是包含多个分类器的集成学习方法。通过Xgboost的"提升"思想来提高滚动轴承故障诊断的精度。首先,从滚动轴承的振动信号中提取时域特征参数;然后利用Xgboost算法对滚动轴承故障进行诊断。将SQI-MFS实验平台的轴承振动数据,与传统分类器(支持向量机、邻近算法和人工神经网络)以及单个分类回归树的诊断结果相比,结果表明Xgboost在轴承故障诊断率上优于上述几种算法,且计算时间比传统提升决策树算法短。     

发电机螺栓松动故障特征检测方法及试验研究

提出一种通过提取时域指标特征和运用主成分分析法(PCA)诊断螺栓松动故障的方法,将原始数据进行经验模式分解(EMD)后计算相应IMF的5个无量纲因子;利用主成分分析法(PCA)对数据向量进行降维和残基空间投影处理,计算数据样本的预测误差,在智能供水系统试验台架上开展螺栓松动故障诊断试验,试验结果表明,所建立PCA模型能...     

集成特征选择在VRF系统制冷剂充注量故障诊断中的应用

针对VRF系统故障诊断存在的数据量大、特征冗余等问题,本文提出一种前向搜索优化的集成特征选择方法,该方法将单一特征选择方法得到的特征子集进行整合,以获得预测性能更好的特征变量。首先分别利用mRMR算法、ReliefF算法、随机森林算法、Adaboost.M1算法和Boruta特征选择算法对实验数据进行特征选择,然后利用前向搜索策略得到集成后的特征排序,并与算术平均、众数投票两种集成方法形成对比。最后,分别采用上述特征选择方法获得的关键特征变量作为模型的输入变量建立相应的故障诊断模型,通过对比发现前向搜索集成获得了最高的预测准确率,选出了最具代表的特征变量。     

混合特征驱动的滚动轴承智能故障诊断方法

针对采用传统特征指标进行故障诊断准确率较低的问题,提出了一种基于混合标度律特征和改进支持向量机的滚动轴承智能故障诊断方法。首先,利用超阶分析得到指示故障的标度律指标,并将其与常规特征指标相结合构造混合特征指标矩阵,提升特征指标对故障的区分度。其次,采用支持向量机(support vector machines, SVM)对构造的混合特征矩阵进行分类,利用粒子群优化算法对SVM中重要参数进行优化。最后,利用滚动轴承试验台对提出的滚动轴承智能故障诊断方法进行验证。结果表明,与常规特征相比,利用构造混合特征指标得到的训练准确率提高了13%,测试准确率提高了23%。所提方法不仅能识别不同故障类型,而且能对同一故障不同损伤程度进行识别,有望进一步实现滚动轴承故障定量诊断。     

基于注意力BiGRU的机械故障诊断方法研究

为了解决机械故障诊断领域传统方法自适应性差、参数选择过于依赖人工的问题,提出了一种基于循环神经网络的机械故障诊断算法。该方法利用预处理后的机械振动信号,搭建了双向门控循环单元的故障诊断模型,并进行了基于注意力机制的模型优化,提高了特征提取效率。经过美国凯斯西储大学轴承数据集以及自采集的柴油机故障实验数据验证,相比于传统神经网络算法提升了计算效率和诊断准确率,并表现出了良好的抗噪能力。结果表明,该方法可以有效适用于基于机械振动信号的故障诊断,具有一定的工程应用价值。     

一种针对水泥回转窑故障诊断的贝叶斯网络模型

为了实现水泥回转窑的故障诊断,采用贝叶斯网络建立了水泥回转窑故障智能诊断模型。在模型建立 过程中,提出了一种基于数据样本、不依赖先验知识的贝叶斯网络结构学习改进算法。在利用改进结构学习算法 建立诊断模型贝叶斯网络的基础上,利用MLE算法和变量消除法完成了模型的参数学习和诊断推理。为了验证 水泥回转窑故障诊断贝叶斯网络模型的准确率以及可行性,利用现场数据进行了大量的测试实验。     

最大相关峭度解卷积结合稀疏编码收缩的齿轮微弱故障特征提取

针对强背景噪声环境下齿轮早期故障诊断问题,提出了最大相关峭度解卷积结合稀疏编码收缩的微弱故障特征提取方法。由于最大相关峭度解卷积算法的处理结果同时受滤波器长度参数及解卷积周期参数的影响,为自适应地实现最佳的解卷积效果,利用粒子群算法优良的寻优特性,对最大相关峭度解卷积算法的最佳影响参数组合进行搜索。原故障信号经影响参数优化的最大相关峭度解卷积算法处理后,冲击特征会明显增强,为剔除剩余噪声,对所获解卷积信号做进一步稀疏编码收缩降噪处理,并通过分析降噪信号的包络谱来识别故障特征频率成分。实例分析结果验证了该方法的有效性和可靠性。     

基于本征时间尺度分解和变量预测模型模式识别的机械故障诊断

基于变量预测模型的模式识别(variable predictive model based class discriminate,VPMCD)方法是一种充分利用特征值之间相互内在关系进行多分类模式识别的新方法。对VPMCD算法进行了研究,并采用交叉验证法来选择VPMCD模型。针对机械故障振动信号的特征值之间的相互内在关系,结合本征时间尺度分解(intrinsic time-scale decom-position,ITD),提出了一种基于本征时间尺度分解和VPMCD的机械故障诊断方法。该方法首先利用ITD方法将原始信号分解若干个PR(proper rotation,PR)分量,然后提取第一个PR分量的无量纲时域统计参数组成特征向量,最后采用VPMCD方法进行机械故障诊断。通过滚动轴承故障诊断实验验证了该方法能有效地应用于小样本多分类机械故障诊断。     

基于ICS-LSSVM的包装机械动力机轴承的故障识别

目的针对包装机械设备中动力机轴承的故障诊断识别率低的问题,提出一种基于参数寻优的故障识别方法。方法首先通过主元分析算法对包装设备动力机的振动数据进行主成分特征提取,减少各数据间的相关性,然后采用LSSVM对各类数据样本进行故障识别。为了克服LSSVM惩罚因子和核函数参数易出现局部最优、收敛精度差等问题,提出一种ICS算法优化LSSVM的状态参数,提高包装机械动力机轴承故障诊断的识别率,以实测糖果厂包装机械振动数据为例验证所提方法的有效性。结果实验结果表明,在包装机械动力机轴承故障类别确定的情况下,算法能够高精度地识别各类动力机故障。结论该算法实现了分类器参数的自适应选择,为提高包装机械动力机轴承故障诊断的识别率提供了可靠的方法。     

基于GA-SVM的刚性罐道故障诊断

针对刚性罐道故障类型识别精度低这一难题,提出了一种基于遗传算法(genetic algorithm,GA)和支持向量机（support vector machine,SVM）的刚性罐道故障诊断方法。搭建了立井提升系统实验台,模拟2种典型的罐道故障,并采集提升容器振动加速度信号。运用经验模态分解（empirical mode decomposition,EMD）方法对振动加速度信号进行分解,选取前4个固有模态函数（intrinsic mode function,IMF）,然后运用奇异值分解（singular value decomposition,SVD）方法计算出每个IMF的奇异值作为故障特征参数,将得到的故障特征参数作为SVM的训练集,通过GA参数寻优方法得到SVM关键参数c和g的最优值,并选取新的测试样本检测SVM的诊断效果。实验结果表明:基于GA-SVM的刚性罐道故障诊断方法的平均分类准确率达到93%。研究结果表明该方法能精确地识别刚性罐道的典型故障类型,为立井提升系统等非线性非平稳复杂系统的故障诊断提供一种通用可行的解决方法。     

层次离散熵及其在高压共轨喷油器故障诊断中的应用

随着非线性科学理论的飞速发展,信息熵方法已广泛应用于工程机械的故障诊断中.提出了层次分析和离散熵结合的层次离散熵(HDE),研究其参数变化对熵值计算精度和计算效率的影响,并与多尺度熵(MSE)、多尺度模糊熵(MFE)、多尺度离散熵(MDE)、层次样本熵(HSE)和层次模糊熵(HFE)进行对比研究,研究结果表明,HDE在...     

使用GA初始化CGHMM参数的轴承故障诊方法

连续高斯混合密度隐马尔可夫模型(Continuous Gaussian Mixture Hidden Markov Model,CGHMM)在故障诊断领域得到了广泛应用,取得了较好效果。CGHMM训练模型较大、局部最优,但模型参数初始化值会直接影响迭代收敛速度和模型效用。全局最优的遗传算法(Genetic Algorithm,GA)初始化CGHMM模型参数,为CGHMM训练提供了一个好的初始值,不仅可以加快收敛速度,还可以得到一个更好的模型。通过GA初始化CGHMM、CGHMM训练和CGHMM诊断过程等三个方面的仿真实验和比较分析可以得出,该方法具有训练速度快和CGHMM模型好的优点。在最后的CGHMM诊断仿真实验中,该方法诊断精度为100%,高于经典方法的96%,表明GA确实可以成功应用于CGHMM参数初始化,是一种可行的故障诊断方法。     

基于决策树算法的多联机气分插反故障诊断

本文将决策树算法应用于多联机气分插反故障诊断中,搭建了多联机实验平台采集数据,根据专家知识及数据变化模型验证选取了建模的特征变量,采用决策树C5.0算法构建气分插反故障诊断模型,进一步对由模型分类规则生成的最优变量即过冷器的EEV（电子膨胀阀）进行深入分析和验证。结果表明：将决策树算法应用于多联机气分插反故障诊断的方法,准确率为96%,有较高的准确性和可靠性,此诊断方法能满足多联机故障诊断实际运用的需要。由于多联机发生气分插反故障时,系统过热度降低,为保证多联机系统的制冷效果和能效比,可通过增大过冷器EXV开度调节。     

基于人工鱼群算法的轴承故障随机共振自适应检测方法

针对传统的自适应随机共振以单个参数为优化对象忽略参数间交互作用的不足及采用遗传算法优化参数在种群数量增加时算法收敛速度明显减缓的缺陷,提出基于人工鱼群算法的自适应随机共振新方法。该方法利用人工鱼群算法对初值、参数设定容许范围较大、具备并行处理能力及人工鱼个体数目增加时鱼群算法收敛速度能提高的特性,自适应实现与输入信号最佳匹配的随机共振系统。仿真数据与轴承滚动体故障数据分析表明,基于该算法的自适应随机共振方法可有效实现微弱特征检测与早期故障诊断。