基于小波分析的风机故障诊断

根据故障信号特征和小波变换多尺度分解性质选取小波分解层次，得到能正确地反映风机运行状态的特征向量；参照特征向量的组成方法，提出并构建基于小波分析的韶钢4号风机典型故障特征表。对待检信号选用db10波进行6层小波分解，利用待检状态的特征向量与典型故障特征表，通过模糊模式识别方法进行风机故障诊断。结合傅里叶分析方法进一步找出风机存在的倍频微弱信号。实际诊断结果表明：振动信号与故障特征表中典型不平衡故障的模糊贴近度达到0．958，从而诊断出实例中风机存在不平衡故障；风机存在0.5倍频微弱信号，据此有利于发现风机与该频率相关的早期微弱故障征兆。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于EMD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,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;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。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

幅值域无量纲指标对液压泵故障敏感性的实验研究

有效地提取故障特征向量,找到故障敏感因子是进行液压泵故障诊断的关键。采集轴向柱塞泵松靴、滑靴磨损、斜盘磨损以及中心弹簧失效等故障情况下的端盖振动信号,通过包络解调得到各故障的包络信号,在此基础上利用幅值域无量纲特征指标对每种故障进行敏感性分析,找到了各故障的无量纲敏感因子。为液压泵的故障诊断提供了可靠的敏感特征信息,增加了故障特征信息的完备性,对提高故障诊断系统的故障确诊率具有重要的意义。     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.     

基于层次化混合分类器的含未知故障风机轴承故障诊断方法

为提高风机轴承故障诊断精度,针对含未知类型故障信号的误识别问题,提出一种风机轴承故障诊断新方法。首先,将风机轴承振动信号进行经验小波变换（EWT）,对分解得到的固有模态分量（IMF）提取15种时-频域特征,构建特征向量集;然后,通过基尼（Gini）指数评价特征分类能力,构建最优特征集合;最后,采用单类支持向量机（OCSVM）与极限学习机（ELM）组合的层次化混合分类器进行故障诊断。对比单纯采用ELM、SVM分类器,新方法能够更好辨识含未知故障类型的风机轴承故障信号。     

基于多尺度样本熵与PCA-FCM的滚动轴承故障诊断

针对滚动轴承故障诊断中多尺度样本熵特征向量维数高及其维度难以确定问题,提出了一种基于多尺度样本熵的主成分分析的模糊聚类故障识别模型。该模型首先使用多尺度样本熵方法提取滚动轴承正常、内圈故障、外圈故障、滚动体故障的振动信号特征。其次对多尺度样本熵特征向量使用主成分分析方法进行降维。然后通过累积贡献率来确定其特征向量的维度,并利用选定的特征向量属性作为模糊C均值聚类模型的输入并进行故障识别。最后通过分类系数和分类熵这两个聚类评价指标进行聚类效果的检验。实验结果表明该模型能较好的区分滚动轴承的正常与内圈故障、外圈故障、滚动体故障这4种信号。     

基于K-L变换和支持向量机的滚动轴承故障模式的识别

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征,采用K-L变换对其提取状态主特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明,K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径。     

基于改进深度信念网络的燃气轮机故障诊断

针对传统智能诊断方法使用的浅层模型难以准确挖掘信号特征量与对应故障原因之间复杂的映射关系,导致故障诊断精度不高的问题,提出了一种基于深度信念网络(DBN)的燃气轮机故障诊断方法。采用Apriori关联度分析法分析燃气轮机故障模式与故障特征向量之间的关系,生成关联度矩阵;根据关联结果筛选出满足精度的特征向量作为输入,同时结合遗传算法(GA)对深度信念网络的结构参数进行优化,建立了基于GA-DBN的燃气轮机故障诊断模型。最后通过诊断实例验证了所提方法的有效性。     

基于Hermitian小波的时间-小波能量谱滚动轴承故障诊断方法

针对滚动轴承早期故障微弱特征难以提取的问题,提出了一种基于Hermitian小波时间-能量谱的滚动轴承故障诊断方法.该方法针对轴承故障振动信号具有奇异性的特点,首先利用Hermitian小波对原始信号进行连续小波变换;再根据小波变换的结果求取信号能量在时间轴上的分布情况,利用谱峭度指标作为选择最佳累积尺度的标准,得到时间-小波能量分布;最后对时间-小波能量分布进行谱分析得到时间-小波能量谱以提取故障特征.利用时间-小波能量谱对仿真信号和轴承外圈及内圈点蚀故障信号进行分析.结果表明:该方法可有效地提取出强噪声环境下微弱故障的特征成分,并与普通的时间-小波能量谱作对比,特征提取效果更为明显,非常适用于滚动轴承早期故障诊断.     

基于提升小波变换和Hilbert调制技术的故障识别方法

齿轮局部发生故障后,非线性振动信号频谱中齿轮啮合频率及其二、三次谐波附近的边频带均出现显著增长.由于提升小波算法预测和更新原理与故障信号紧密相关,利用提升小波对振动信号进行时频特性分析和信息预处理,通过预测器和更新器的设计取代小波基函数选取过程;随后对蕴含大量故障特征信息的高频细节信号实施Hilbert变换,调制信号的包络谱中彻底剔除常规振动分量仅保留故障信息,该方法可高效识别振动信号频谱中的齿轮故障特征频率.最后用实例验证基于提升小波变换的Hilbert调制分析在齿轮故障诊断中的有效性.     

基于双树复小波包和AR谱的滚动轴承复合故障诊断方法

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于双树复小波包和自回归(autoregressive,AR)谱的故障诊断方法.首先,利用双树复小波包变换将复杂的、非平稳的复合故障振动信号分解为若干个不同频带的分量;然后,对包含故障特征的分量进行希尔伯特包络;最后,对包络信号求其AR功率谱,由此实现对复合故障特征信息的分离和故障识别.实验结果表明:该方法可有效地分离轴承复合故障的特征频率,验证了该方法的可行性和有效性.     

机械振动信号分块自适应压缩感知算法

压缩感知技术通过构造满足约束等距性质(restricted isometry property,RIP)的观测矩阵,能够实现数据的有效降维(即压缩测量),但与之相伴的是如何从压缩信号中高质、高效地重构原始信号. 为了规避烦琐的重构流程,提出了一种基于压缩域特征辨识的故障诊断方法. 在压缩感知的基本框架下,以行阶梯观测矩阵替代主流的高斯随机测量矩阵,实现对原始信号的压缩测量. 针对随机噪声对于压缩观测信号的干扰,建立基于最大相关峭度反卷积(maximum correlation kurtosis deconvolution, MCKD)与1.5维谱的微弱故障特征提取方法,即通过MCKD增强压缩信号中的周期冲击成分,剔除传递路径与背景噪声的干扰,进而采用1.5维包络谱提取故障特征频率. 结果表明：该方法不但规避了经典压缩感知的复杂重构过程,而且在受到强噪声干扰的条件下,也能获得准确的故障诊断结果.

     

基于支持向量机的转子振动故障融合诊断技术

针对某些大型复杂旋转机械振动信号特征提取和故障样本获取难的问题,提出了一种基于小波包特征谱熵支持向量机（SVM）的转子振动故障融合诊断方法.通过转子实验台模拟了转子振动的4种典型故障,并采集其振动故障数据.用小波包对振动故障信号进行分解,提取故障信息含量大的频带并计算出其小波特征谱熵作为故障特征,建立故障诊断模型.通过对故障类别的区分和故障严重程度的判断,验证了该方法在解决转子振动故障信号的特征提取及小样本情况下的故障诊断问题等方面是有效的.     

HHT方法在轴承故障诊断中的应用

为研究滚动轴承故障问题,将HHT（Hilbert-Huang transform）分析方法应用于轴承信号故障的提取。用HHT对复合信号进行了仿真分析,表明此方法分析信号的有效性。将HHT方法应用于轴承内外圈的故障诊断,结果表明,所求出的轴承故障的信息特征与理论计算吻合,表明了HHT方法能够有效的提取轴承故障的特征信息,提高轴承故障诊断率。这为类似机械零部件的故障诊断提供了参考。     

基于时间-小波能量包络谱的滚动轴承特征提取

研究了传统包络谱方法在滚动轴承故障诊断中不能准确提取故障特征的问题,提出了一种基于能量和包络谱相结合的时间-小波能量包络谱分析法。用两种方法对滚动轴承各部位采集到的数据进行了分析对比,结果表明,时间-小波能量包络谱分析法比传统包络谱方法能更好和准确地提取出滚动轴承故障的特征频率。     

基于LabVIEW的风电机组滚动轴承故障诊断系统及其仿真

在LahVIEW8．5环境下实现了基于特征参数和希尔伯特包络谱分析的故障诊断方法,开发了风电机组滚动轴承故障诊断系统．故障诊断实验结果表明,该系统能够有效、快速、准确地对滚动轴承内圈、外圈、滚动体故障进行识别并报警．     

全谱分析技术及其在故障诊断中的应用

介绍了全谱分析技术的思路 ,研究了全谱分析技术与旋转机械回转信号之间的理论关系 ,导出了全谱分析基于复合信号的理论计算公式及简洁数值算法 ,并将其应用于实际故障诊断系统中 .研究及应用表明 :全谱分析作为对转子涡动信号综合处理的分析方法 ,能够清晰处理转子轨迹和正反进动之间的关系 ,经过简单换算也可识别转子的回转强度 ,表明全谱分析对于旋转机械故障诊断是一种非常实用的分析工具 .     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。