基于CNN-SVM和特征融合的齿轮箱故障诊断

针对以数据驱动的齿轮箱故障诊断过程中存在特征提取复杂、分类器对特征存在较强的依赖性等问题,提出了一种基于卷积神经网络(CNN)和支持向量机(SVM)相结合的齿轮箱故障诊断模型。该诊断模型以多传感器采集的原始振动信号作为模型的输入,通过卷积神经网络完成特征的自适应提取,然后在特征级上将各传感器的特征进行融合,最后将融合特征输入到支持向量机进行故障的分类。经过实验证明,该模型直接以原始信号进行故障诊断的准确率能达到96.3%,且提取的特征在经过融合过后有很高的区分度;相比于基于特征工程的特征提取方法,基于特征学习的特征提取方法提取的特征对齿轮箱故障诊断更有效。     

基于希尔伯特变换的风电机组齿轮箱故障诊断方法研究

齿轮箱作为风电机组关键部件,由于运行环境以及工况的复杂性,易出现故障,严重威胁机组安全稳定运行。因此,对齿轮箱进行故障诊断对确保风电机组稳定运行具有重要意义。在介绍齿轮箱结构特点、故障模式、振动监测的基础上,结合齿轮箱结构特点,给出齿轮与轴承故障特征频率的计算方法。同时采用希尔伯特变换与倒谱分析相结合的方法对齿轮箱振动数据进行分析,提取故障特征频率。经实例验证,该方法能够准确得到齿轮箱故障频率的同时定位齿轮箱故障,实现风电机组齿轮箱的故障诊断。     

基于DE-SVM的风电机组高速轴承故障诊断

为减少风电机组传动链故障造成的重大损失和安全隐患,保证机组健康平稳运行,针对风电机组传动链轴承的故障诊断问题,提出一种基于差分进化算法改进支持向量机的故障诊断方法。利用集合经验模态分解方法对原始数据进行处理,提取有效的故障特征,实现信噪分离;采用差分进化算法对支持向量机关键参数进行优化以提高模型的泛化能力和预测精度;利用训练好的模型进行故障诊断。结果表明：所提方法具有准确性和有效性。     

基于邻域粗糙集与支持向量机的大型风机齿轮箱故障诊断

大型风机的齿轮箱故障诊断是保证风机正常、稳定运行,避免突发性事故的有效手段。针对大型风机齿轮箱振动进行实时监测,对其振动情况进行分析、诊断。对采集的信号采用时域方法进行研究,获取时域指标属性,运用邻域粗糙集约简知识对各个信息属性进行约简,再结合支持向量机进行样本训练,并对待测数据进行故障诊断。     

改进的精细复合多尺度反向加权排列熵在齿轮箱故障诊断中的应用北大核心

针对多尺度加权排列熵(MWPE)的粗粒化处理易造成信息丢失,无法全面提取齿轮箱故障信息的缺陷,提出了基于改进的精细复合多尺度反向加权排列熵(IRCMRWPE)和支持向量机(SVM)的齿轮箱故障诊断方法。引入精细复合多尺度反向加权排列熵,将其粗粒化处理中的平均值替换为最小值来表征数据段信息,以缓解传统粗粒化处理的不足并强化故障特征的质量;将IRCMRWPE作为表征齿轮箱故障状态的特征向量,使用SVM分类器对故障特征进行识别。基于齿轮箱实验数据对所提方法进行了评估,结果表明该方法可准确地识别齿轮箱的不同故障型,相比于基于MRWPE、MRPE和MWPE的方法,能够更有效的提取齿轮箱的故障特征,增强故障识别的可靠性。     

基于CEEMDAN- EFICA去噪的风电齿轮箱故障诊断

针对风电齿轮箱实验样本较少,以及振动信号具有非平稳、非线性的特点,提出了基于完备集合经验模态分解(CEEMDAN)-高效快速独立分量分析(EFICA)的去噪方法。首先应用CEEMDAN与峭度-相关系数准则完成信号重构,对重构信号和原信号进行EFICA分离来获得去噪信号;然后提取去噪信号的时域特征、频域特征构建特征向量,使用核主分量分析(KPCA)对向量降维处理实现特征信息融合;最后采用复合神经网络对信号特征集进行分类完成故障诊断。通过实验数据对比,证明了该方法消噪效果更好且复合神经网络的诊断准确率最高,所提方法具有可行性和优越性。     

基于PSO参数优化的支持向量机齿轮箱故障诊断研究

为了解决支持向量机惩罚因子c和核函数g的确定只能依靠先验知识的缺点,提出了基于粒子群优化算法(PSO)的支持向量机参数优化的模型,通过PSO的寻优自动获得最优的支持向量机参数。并运用JZQ250型齿轮箱进行故障诊断,实验表明所提出的模型很好地解决了参数选择问题,使SVM性能有所提升。     

基于1D-RSLBCNN的齿轮箱故障诊断

针对传统故障模型参数多,训练和检测时间长的问题,提出了基于残差结构和局部二进制卷积(1D-RSLBCNN)的齿轮箱故障诊断方法。其利用局部二进制卷积层来替代传统卷积层,在减少模型参数的同时,加快了训练速度和收敛速度;同时在网络模型中引入残差结构,避免了由于网络深度的增加引起的正确率饱和甚至下降的问题。实验结果表明,局部二进制卷积层的参数量为传统卷积层的1/3,诊断准确率更是高达99.7%。与其他模型相比,具有更稳定、可靠的预测精度。     

基于能量熵和CL-LSTM的故障诊断模型

针对长短时记忆网络(Long Short Term Memory, LSTM)处理大数据集时运行时间长、存在维数灾难的问题,提出基于能量熵和CL-LSTM(Long Short Term Memory Network with Center Loss)的智能故障诊断模型。利用自适应白噪声的完整集合经验模态分解对原始信号进行分解;结合相关系数筛选IMF分量并计算其能量熵作为新样本输入到LSTM中,增强了样本间的差异性,减小了数据维度。将中心损失引入Softmax损失中,使类内距离更小,进一步提高分类精度。利用西储大学轴承数据集进行实验,验证了所提方法在识别滚动轴承故障状态时准确率高、稳定性好。     

基于虚拟仪器技术的齿轮箱故障诊断实验台设计

在齿轮箱故障诊断实验台的设计中,系统以工作台、传感器、信号调理器、数据采集卡、PC机为硬件开发平台,以LABVIEW为软件开发平台,将虚拟仪器技术运用到齿轮箱的故障诊断系统中,使得系统测试、显示和诊断功能更为强大.     

支持向量机在轴承故障诊断中的应用

支持向量机是建立在结构风险最小原理^[1]基础上，专门研究小样本情况下的学习规律。本文针对滚动轴承的加速度信号和声音信号的特点，选取识别能力好的时域无量纲指标作为支持向量机的特征矢量，对滚动轴承的四种典型故障进行模式识别。结果表明，支持向量机在滚动轴承故障诊断中有很出色的分类能力。     

GA-LSTM模型在数控机床故障预测中的应用

数控机床加工中的机床故障会影响加工精度。提出一种预测方法,在加工前预判机床的故障,避免机床在加工中发生故障影响加工精度。为了快速准确地预测数控机床故障,采用遗传算法优化长短期记忆神经网络模型,预测服役过程数控机床中可能出现的故障。采集不同状态下的故障信号作为网络训练样本,采用网络模型预测机床出现故障的状态。结果表明：GA-LSTM是一种精度较高的预测模型,在数控机床故障预测中具有良好的表现,可以避免机床出现故障而影响加工精度的情况。     

基于支持向量机的火车滚轴故障诊断

火车故障的60%都是由于滚轴问题引起的,现在的诊断方法都是基于知识的,但故障样本的不足从一定程度上制约了基于知识的方法在实际中的应用,针对这一问题,利用支持向量机在小样本情况下具有较强分类能力的特点,本文提出了一种基于支持向量机的滚轴故障诊断方法.该方法采用小波变换对齿轮的震动信号进行处理来构造特征向量,然后输入到支持向量机分类器中进行模式识别.     

基于粒化散布熵和SSA-SVM的轴承故障诊断

针对轴承故障振动信号在单一尺度下提取故障特征信息不完备,导致故障诊断识别率较低的问题,提出基于粒化散布熵(FIG-DE)和麻雀搜索算法(SSA)参〖JP2〗数优化的支持向量机（SVM）的轴承故障诊断方法。利用模糊信息粒化对轴承振动信号进行粒化处理,得到fLow、fR、fUp3个尺度下的模糊信息粒;分别计算3组信号的散布熵;将所得的熵值组成特征向量矩阵,输入SSA-SVM进行轴承故障分类。结果表明：利用SSA-SVM进行滚动轴承故障诊断,准确率有明显的提高。     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可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频域变化特征,采用小波包变换对其提取频域能量特征向量,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,支持向量机可以有效、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.     

基于平均影响值与SVM的滚珠丝杠故障诊断技术

针对滚珠丝杠故障诊断中存在大量冗余信息的特点,引入平均影响值法对故障信号特征进行筛选。该法可剔除冗余特征,保留对诊断结果影响较大的特征作为支持向量机(SVM)的输入,然后借助支持向量机实现对输入参量的训练以及故障模式识别。经实验验证,实例中所建立的滚珠丝杠故障诊断模型,能在更大程度上缩短诊断时间,提高分类精度,具有较传统诊断模型更好的诊断效果。     

基于LMD和RBF结合的齿轮箱故障诊断

局域均值分解(Local Mean Decomposition,LMD)是近年来出现的一种新的时频分析方法,在机械设备故障诊断领域中的应用日益广泛。针对齿轮箱振动故障信号的非平稳性和非线性,提出了一种基于局域均值分解和径向基函数神经网络(Radial Basis Function Neural Network,RBF)相结合的齿轮箱故障诊断方法。该方法利用小波包对原始信号进行消噪;利用LMD对处理后信号进行分解,得到一系列PF分量(Product Function,PF);选取包含主要故障信息的PF分量并从中提取偏度系数等特征参数对RBF神经网络进行训练,并对齿轮箱故障进行识别和分类。通过实例验证了该方法的有效性。     

基于近似熵与支持向量机的异步电机故障诊断研究

针对异步电机故障发生率高、故障类别难以有效识别的问题,提出一种基于近似熵与支持向量机的故障诊断方法。通过构造故障再现试验,分别测取4种不同状态类别的多测点振动信号样本。利用近似熵算法计算其近似熵样本值,得到4种不同状态类别的近似熵故障特征向量。结合支持向量机算法,构建支持向量机分类模型。近似熵特征量被划分为训练样本和测试样本,经验证其故障诊断准确率达97.5%,改进BP神经网络诊断方法的准确率为92.5%,结果表明：近似熵结合支持向量机方法具有更高的诊断精度。     

基于相关向量机的故障诊断方法研究

相关向量机(RVM)是目前最受关注的新一代模式识别技术之一,阐述了基于相关向量机的故障诊断方法、应用前景等。介绍相关向量机的分类、回归模型及其国内外研究进展;对RVM提出至今在故障诊断和退化评估与寿命预测中的应用研究进行综述;最后分析在故障诊断中RVM方法存在的弊端及其未来研究趋势。     

基于三维图形的T型逆变器故障诊断

为了进一步提升三电平逆变器的可靠性,提出一种利用三维图形进行故障特征提取的方法。以T型逆变器为研究对象,通过测量T型逆变器输出的各相电压,得到A、B、C三相电压波形,利用三相电压绘制三维椭圆环,通过计算三维椭圆环的质心、平均半径以及偏差向量的平均值和标准差来获得故障特征值;为了提升故障诊断的准确性,利用哈里斯鹰优化算法优化支持向量机分类器参数并进行故障诊断,从而实现对T型三电平逆变器单管及双管故障的准确诊断。通过仿真实验验证了提出的特征提取技术及故障诊断方法的有效性和准确性,实验结果表明：所提方法计算简单,故障诊断精度高。