基于相关向量EMD和GMDH重构的故障率预测方法

针对故障率数据的非线性非平稳特性及现有预测方法精度不足的问题,提出了一种基于相关向量经验模态分解(relevance vector empirical mode decomposition,简称RVEMD)和数据处理组合法(grouped method of data handling,简称GMDH)重构的预测方法。首先,通过RVEMD分离故障率时间序列的波动项和趋势项,分解产生序列的固有模态函数(intrinsic mode function,简称IMF)和残余函数(residual function,简称RF),通过相关向量机(relevance vector machine,简称RVM)预测端点局部极值的方法抑制传统经验模态分解(empirical mode decomposition,简称EMD)存在的端点效应,进一步利用RVM回归生成序列的上下包络,替代了常规三次样条插值法;其次,建立各IMF分量的RVM预测模型和RF分量的灰色预测模型,其中对标准RVM回归模型进行了改进,通过构建一种方差高斯核函数(variance Gauss kernel function,简称VGKF)来提高核函数的全局性能和泛化能力,利用H-Q准则对训练空间预测嵌入维数进行优化,避免了主观选取的盲目性,同时构建了一种基于背景值优化的灰色预测模型;最后,通过GMDH算法产生的最优智能组合模型得到最终的预测结果。仿真实例结果表明,相比常规EMD分解后叠加预测法和其他单一模型预测法,该方法具有更加优异的预测性能,能够对故障率的变化趋势进行准确预测。     

基于VMD-HHT边际谱的水工结构损伤诊断

为了准确识别水工结构的损伤,提出一种变分模态分解(variational mode decomposition,简称VMD)和Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)边际谱相结合的水工结构损伤诊断方法。首先,采用联合的小波阈值和经验模态分解(empirical mode decomposition,简称EMD)降噪方法对原始信号进行降噪,减小环境噪声对结构损伤特征信息的干扰;其次,运用方差贡献率数据融合算法对降噪后各测点信号进行动态融合,提取结构完整的振动特性信息;然后,采用VMD方法将动态融合信号分解为一系列固态模量(intrinsic mode function,简称IMF),对各IMF分量进行Hilbert变换,求出融合信号的边际谱;最后,在VMD边际谱的基础上提取一种新的损伤特征向量-损伤灵敏指数,将其与马氏距离相结合对水工结构的损伤类型进行分类,并将该方法应用于悬臂梁模型试验。结果表明:该方法能够有效提取水工结构的损伤特性,准确识别水工结构的损伤和运行状态,为水工结构的安全运行提供了基础。     

基于HHT的钢筋混凝土结构损伤检测新方法分析

针对混凝土结构损伤信号的特点,引入一种非平稳信号的时频分析新方法--希尔伯特-黄变换(Hilbert-Huang变换,简称HHT)用于混凝土结构损伤检测.该方法是通过经验模态分解(empirical mode decomposition, EMD)提取信号的固有模态函数(intrinsic mode function, IMF),再进行Hilbert变换,求瞬时频率、瞬时振幅,得到信号的Hilbert谱.试验中通过对无损伤和有损伤两种钢筋混凝土梁进行侧向激振检测,对无损伤信号和损伤信号谱特征进行比较分析,结果表明HHT方法能识别结构损伤,且优于常规的Fourier变换方法及小波变换(wavelet transform, WT)方法,值得推广.     

小波包去器械与改进HHT的微弱信号特征提取

为提取机械设备早期故障微弱信号特征频率,在对信号进行小波包降噪后,利用改进Hilb ert Huang变换(Hilbert Huang transform,简称HHT)进行特征提取,通过经验模态分解(em pirical mode decomposition,简称EMD)得到若干个固有模态函数(intrinsic mode functio n,简称IMF)后,利用IMF与EMD分解前信号的 相关系数作为判断标准,剔除分解中产生的多余低频IMF,选取有效IMF集进行边际谱分析。 改进HHT不仅可消除多余IMF的影响,还可节省Matlab计算内存,提高运算速度。     

基于马氏距离和EMD的损伤信息量化提升方法

结构早期微损伤和环境噪声导致监测数据中损伤信息难以有效提取和辨识,针对此问题,提出一种基于马氏距离（Mahalanobis distance,简称MD）和经验模态分解（empirical mode decomposition,简称EMD）的结构损伤信息量化提升方法。首先,结构健康监测数据通过EMD,得到多阶本征模态函数（intrinsic mode function,简称IMF）,利用IMF的能量变化提取损伤敏感分量;其次,以分段马氏距离累积量（Mahalanobis distance cumulates,简称MDC）作为损伤信息量化提升的评价指标,根据其概率密度函数面积建立马氏距离累积量的累积停止准则;最后,通过数值模拟和模型试验数据验证了本研究方法在结构损伤信息提取和量化提升上的适用性和有效性。研究结果表明：结构损伤发生后各阶IMF能量转移明显,选择转移能量占自身能量多的IMF及相对能量变化率为正的多阶IMF作为损伤敏感分量,能够实现比原信号更好的损伤识别效果;利用MDC值概率密度函数面积变化作为累积停止准则,可实现微小损伤的有效识别。     

基于经验模态分解与RBF神经网络的混合预测

为提高时间序列预测模型精度,根据各本征模态函数(intrinsic mode function,简称IMF)序列的变化特点,针对EMD-RBF神经网络隐含神经元数目及其中心数据选取问题,利用经验模态分解(empirical mode decomposition,简称EMD)的信号自适应处理能力和径向基函数(radical basis function,简称RBF)神经网络的非线性逼近能力,提出了一种基于EMD与RBF神经网络的混合预测方法。该方法将具有类似时频特性的本征模态函数分别建立RBF神经网络预测模型,采用基于统计分析的k-均值聚类方法自适应确定RBF模型参数,最后将各IMF-RBF神经网络预测结果进行重构得到最终预测结果。仿真结果表明,该方法充分考虑到各IMF本身的特性,增强了时序的可预测性,预测性能比传统反向传播(back propagation,简称BP)神经网络和小波BP神经网络更优越。将该方法应用在某装备温控系统性能监测中,其温度参数最大预测误差远小于传感器误差,说明将该方法在该装备故障预测中是可行的。     

VPMCD和模糊熵在转子系统故障诊断中的应用

针对转子系统的故障特征,提出了基于多变量预测模型（variable predictive mode based class discriminate,简称VPMCD）和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数（intrinsic mode function,简称IMF）分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。     

IMF分量的倒频谱分析在滚动轴承故障诊断中的应用

轴承局部损伤故障引起的振动响应往往会被较大的振动信号所掩盖,影响故障的正确诊断。本文提出IMF分量的倒频谱分析方法,首先将复杂的信号分解为有限的内禀模态函数（IMF）之和,对原始振动信号进行降维;再对IMF分量进行倒频谱分析,利用倒频谱方法准确地提取振动信号幅值谱上的周期特征。对EMD分解得到的多个IMF分量同时做倒频谱分析,可以相互验证,从而得到更可靠、更准确、更可信的诊断结果。通过对IMF分量的倒频谱分析法和Hilbert包络谱分析法诊断效果进行比较,结果表明,IMF分量的倒频谱分析方法比Hilbert包络谱分析提取的故障频率特征更精准、可靠。     

基于支持矢量回归机的Hilbert-Huang变换端点效应问题的处理方法

Hilbert-Huang变换的端点效应表现在两个方面,对信号进行经验模态分解(Empirical mode decomposition, EMD)和对各个内禀模态函数(Intrinsic mode function,IMF)进行Hilbert变换时都会产生端点效应。为了克服 Hilbert-Huang变换中的端点效应,采用支持矢量回归机对信号延拓后再进行经验模态分解,该方法可以有效地克服EMD方法的端点效应问题,得到具有物理意义的内禀模态函数;然后再次采用支持矢量回归机对IMF分量进行延拓后进行Hilbert变换,可有效地抑制Hilbert变换中的端点效应,获得准确的瞬时频率和瞬时幅值,从而得到具有物理意义的Hilbert谱。对仿真和实际信号的分析结果表明,基于支持矢量回归机的数据序列延拓方法能有效地解决Hilbert-Huang变换中存在的端点效应问题,而且其效果优于基于神经网络的数据序列延拓方法。     

基于EMD与GA-SVM的轴承故障诊断

特征提取与特征选择是实现轴承故障诊断的关键.针对特征提取,首先将轴承振动加速度信号进行经验模态(empirical mode decomposition,简称EMD),得到一组固有模态函数(intrinsic mode function,简称IMF),计算各IMF的能量和IMF矩阵的奇异值分布,采用Shannon熵、Rrnyi熵度量能量和奇异值分布,同时提取原信号的部分统计特征共同构成原始特征子集;针对特征选择,采用遗传算法(genetic algorithm,简称GA)和最小二乘支持向量机(least square support vector machine,简称LS-SVM)的Wrapper方法选择最优特征子集.在实际轴承故障诊断中的应用,表明文中所提方法的有效性.     

Application of relevance vector machine and logistic regression for machine degradation assessment

Degradation parameter or deviation parameter from normal to failure condition of machine part or system is needed as an object of prediction in prognostics method. This study proposes the combination between relevance vector machine (RVM) and logistic regression (LR) in order to assess the failure degradation and prediction from incipient failure until final failure occurred. LR is used to estimate failure degradation of bearing based on run-to-failure datasets and the results are then regarded as target vectors of failure probability. RVM is selected as intelligent system then trained by using run-to-failure bearing data and target vectors of failure probability estimated by LR. After the training process, RVM is employed to predict failure probability of individual units of machine component. The performance of the proposed method is validated by applying the system to predict failure time of individual bearing based on simulation and experimental data. The result shows the plausibility and effectiveness of the proposed method, which can be considered as the machine degradation assessment model.     

基于VMD和MRVM变负荷工况下的滚动轴承故障诊断

为了能够对变负荷工况下的轴承早期故障及损伤程度进行准确有效的诊断,提出了基于改进混沌果蝇优化算法的变分模态分解(variable mode decomposition,简称VMD)和基于嵌套一对一算法的多分类相关向量机(multi-class relevance vector machine,简称MRVM)的智能诊断模型。首先,使用改进混沌果蝇优化算法(improved chaotic fruit fly optimization algorithm,简称ICFOA)对VMD的本征模态函数(intrinsic mode function,简称IMF)个数和惩罚参数进行优化,搜索两个参数的最优组合值;其次,使用最优组合参数值对VMD算法的关键参数进行设定,并对已知的故障信号进行分解获得相应的IMF分量;然后,使用嵌套一对一算法构造高精度的多分类RVM学习模型,将IMF分量的二维边际谱熵值作为MRVM的输入特征向量;最后,使用不同载荷下的实验数据进行验证。实验结果表明,所提出的方法能够准确地对变载荷工况下的轴承故障进行诊断,其中轴承故障类型的诊断精度为100%,轴承故障程度的诊断精度为91.87%,诊断精度较高,鲁棒性强。     

Residual fatigue life prediction of ball bearings based on Paris law and RMS

Paris law can reflect the failure mechanism of materials and is usually used to be a method to predict fatigue life or residual fatigue life.But the variable which can represent the health of machine i...     

LS-SVM回归算法在刀具磨损量预测中的应用

提出了基于最小二乘支持向量机回归算法的刀具磨损量预测方法。该方法首先利用经验模态分解算法对非线性、非平稳的声发射信号进行平稳化处理,得到了若干个固有模态函数;然后建立了每个固有模态函数的自回归模型,并提取模型系数构造特征向量;最后采用最小二乘支持向量机回归算法实现了刀具磨损量的预测。该方法与神经网络预测算法相比,具有更高的预测准确率,可有效预测当前切削状态下10s后的刀具磨损量。     

移动荷载作用下时变简支钢桥损伤识别

针对移动荷载作用下桥梁结构振动响应信号呈现非平稳性的特点,构建新的一阶本征函数自功率谱最大值变化比和一阶本征函数小波能量变化率两个指标来识别时变结构的损伤。首先,采用小波阀值去噪法对时变结构响应信号进行去噪处理;其次,运用解析模态分解定理提取响应信号的一阶本征函数并构建一阶本征函数自功率谱最大值变化比指标来识别结构的损伤位置,在识别结构损伤位置的基础上,将损伤位置处的加速度响应信号的一阶和二阶本征函数进行线性混叠后,采用快速独立成分分析进行分离,得到更有效的一阶本征函数;最后,基于连续小波变换和时间窗思想,提出一阶本征函数小波能量变化率指标来预测结构的时变损伤。通过移动荷载作用下的时变简支钢桥试验验证所提出的损伤指标,研究结果表明,提出的两个指标能够有效识别结构的损伤位置和时变损伤。     

基于局部切空间排列和K-最近邻分类器的转子故障诊断方法

为了解决大型机械设备故障数据难以准确快速提取的问题,提出了一种基于局部切空间排列(LTSA)和K-最近邻分类器的转子故障诊断模型。首先基于转子的振动信号构造一个高维多征兆矩阵,利用LTSA提取高维矩阵的低维特征向量,映射在可视空间里;然后将提取的低维特征向量输入K-最近邻分类器进行故障模式识别。试验和数据降维仿真过程表明,该模型的准确度和快速性均优于LTSA和神经网络以及LTSA和支持向量机组成的故障诊断模型。     

改进粒子群优化的LSSVM结构损伤评定

为改善结构动力损伤的识别效果,提出了刚度变化指标构架下改进粒子群算法优化的最小二乘支持向量机的结构损伤评估方法。首先,通过由试验技术修正的有限元模型来计算刚度变化指标(stiffness variation index,简称SVI),并进行损伤定位;然后,在SVI基础上,利用改进粒子群算法优化最小二乘支持向量机的超参数,建立结构损伤评估优化模型,计算损伤大小。将该方法用于起重机主梁的损伤评定,研究结果表明,该方法具有较高的精度和效率,能准确地判断结构的实际性态,是一种有效的评估手段。     

锂离子电池循环寿命的融合预测方法

针对传统基于粒子滤波的锂离子电池剩余使用寿命预测方法的不足:过度依赖电池经验退化模型和模型输入变量单一的问题,提出了一种相关向量机、粒子滤波和自回归模型融合的锂离子电池剩余寿命预测的方法。通过相关向量机提取电池历史数据的退化趋势,构建趋势方程替换以往的电池经验退化模型,作为粒子滤波算法的状态转换方程。引入自回归模型的长期趋势预测值,替换观测值构建粒子滤波算法的观测方程。将3种方法相融合估计电池剩余寿命。实验结果表明:融合方法不仅预测精度高而且采用数据驱动的方法避免了构建复杂的电池机理退化模型,通用性强。