基于EWT与改进D-S证据理论的燃气调压器故障诊断

针对传统单一燃气调压器故障诊断模型存在诊断精度较低和结果误判别率高等问题,提出一种经验小波变换(EWT)与改进D-S证据理论结合的故障诊断方法,对燃气调压器故障状态进行诊断。使用EWT对传感器采集数据进行预处理并计算各分量能量熵,将其作为以广义回归神经网络、Elman神经网络和灰关联熵分析3种模型为基础构建的混合诊断模型的输入变量。根据D-S证据理论建立3个模型的基本信度函数,实现故障信息的决策融合,并引入证据关联系数法对证据体决策重要度和冲突问题加权修正。实验结果表明：EWT与改进D-S证据理论模型的故障诊断准确率达95.0%,在平均误差、均方误差、最大误差百分比等方面均优于单一的广义回归神经网网络、Elman神经网络和灰关联熵分析模型。     

基于BP神经网络和D-S证据理论的刀具磨损监测方法

将BP神经网络和D-S证据理论相结合的方法运用于刀具磨损监测中,采用小波包分解法对刀具磨损过程中产生的声发射信号进行特征提取,构建特征向量,利用BP神经网络识别判断刀具磨损状态;通过BP神经网络的输出结果和训练误差计算D-S证据理论的基本概率赋值,并用D-S证据理论对BP神经网络的识别结果进行决策级融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了整个刀具磨损监测系统识别的准确性和可靠性。     

样本熵改进小波包阈值去噪的轴承故障诊断

为了准确诊断出轴承故障,提出了样本熵改进小波包阈值去噪算法的轴承故障诊断方法。分析了样本熵与噪声大小、数据长度、信号固有特征的关系,得出了样本熵可以很好表征噪声大小、与数据长度、信号固有特征相关性极小的结论。使用样本熵从三个方面改进了小波包阈值去噪算法:提出了自适应阈值函数,使阈值函数随噪声分布情况进行自适应调整;以噪声信号样本熵值最大为依据,提出了最优阈值估计方法,使阈值随噪声大小自适应调整;以相邻分解层数的样本熵均值差值为依据,提出了分解层数确定方法。将样本熵改进小波包阈值去噪算法应用于轴承故障信号去噪中,去噪信号功率谱中轴承转动频率及倍频、外圈故障特征频率及倍频、两者的调制频率显露明显,能够明确判处出轴承为外圈故障,体现了极好的去噪效果。     

基于自适应加权和D-S证据理论的风电机组故障诊断

由于风电机组系统相当复杂,故障原因及其现象不成简单或线性对应关系,单一检测不能够满足诊断需要。针对这一问题,将无线传感器网络(Wireless Sensor Network)中信息融合的理论和方法应用于风电机组状态监测和故障诊断中,使采集到的海量数据分别进行信号层与特征层两个层次的信息融合,运用自适应加权融合算法降低网络的数据冗余和传输能量消耗,利用高斯隶属度函数获得基本概率的赋值,提高了D-S证据理论数据的可靠性,改进的证据组合方法提高了故障识别能力。最后,对风电机组齿轮箱的故障诊断进行仿真实验,实验结果验证了该方法具有较高的诊断精度,明显提高诊断的可信度。     

基于Db4最优提升小波和T-K能量近似熵的轴承故障诊断

将Db4提升小波和Teager-Keiser能量算子结合分别对仿真信号和滚动轴承信号进行分析,用Db4提升小波根据小波系数最小熵原则获得最优细节信号,求其T-K能量谱提取特征信息,计算T-K算子的近似熵对轴承故障分类。结果表明:仿真和真实轴承信号经提升小波提取的细节信号,其T-K能量谱都可以提取故障特征,且T-K能量近似熵基本能对实验故障信号分类,效果较好。     

基于BP神经网络和D-S证据理论的滚动轴承故障诊断方法研究

针对单一传感器对滚动轴承故障信息的识别具有不确定性的缺陷,提出了基于BP神经网络与D?S证据理论的多传感器信息融合的方法。将BP神经网络的输出结果进行归一化处理作为各焦元的基本概率分配,轴承的5种故障类型作为系统的识别框架,根据Dempster合成法则进行决策级融合。试验结果表明,利用该方法对轴承的内圈磨损、外圈磨损、滚珠磨损等故障进行试验诊断,提高了故障诊断的准确率,验证了该方法的可行性。     

基于多特征提取和LSSVM的轴承故障诊断

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。     

基于小波熵和ANFIS的轴承故障诊断方法

提出一种基于小波熵和自适应神经模糊推理系统(ANFIS)的滚动轴承故障诊断方法.对原始振动信号进行小波包分解,提取小波熵特征,然后用ANFIS作为分类器进行故障模式识别.比较人工神经网络(ANN)与ANFIS的故障诊断效果.结果表明,该算法诊断准确率高于神经网络.     

基于CEEMDAN能量熵和马氏距离的齿轮箱轴承故障诊断方法

针对齿轮箱轴承信号非平稳性及其故障特征难以提取的问题,提出一种自适应白噪声平均总体经验模态分解（CEEMDAN）能量熵和马氏距离相结合的故障诊断方法。首先采用CEEMDAN方法对非平稳的轴承故障信号进行分解,获得若干阶表征信号特性的固有模态函数（IMF）分量;然后计算各IMF分量的自相关函数和相关系数,以滤除信号内的噪声干扰和对故障特征不敏感的IMF分量;最后计算各敏感故障特征分量的能量熵,将其作为特征参数形成状态特征向量,并使用马氏距离判别方法对轴承的工作状态和故障类型进行诊断。通过对实测不同工况以及不同故障程度的齿轮箱轴承信号的分析,证明了所提方法的有效性。     

神经网络和改进D-S证据理论相结合的滚动轴承复合故障诊断研究

提出了将神经网络与D-S证据理论相结合的故障诊断方法,实现了故障信号的特征级和决策级融合,并应用于轴承的复合故障诊断研究。将BP、RBF、GRNN 3种神经网络的输出结果作为3个证据体,滚动轴承的4种复合故障特征作为系统的识别框架,引入聚类系数作为权值分配,重新计算基本概率赋值,对D-S证据理论进行改进,以提高轴承复合故障诊断的准确性。     

基于小波包能量谱的工业机器人智能故障诊断

实际工业机器人在恶劣工作环境中易出现故障,传统的故障诊断大多都是通过振动信号进行,但是振动数据在实际工厂难以采集,给工业机器人的故障诊断造成了极大困扰。针对这一问题,提出一种基于小波包能量谱(WPES)与卷积神经网络(CNN)的工业机器人电流数据的智能故障诊断模型。该模型通过小波包将原始电流信号分解为多个子频带,计算每个子频带对应的能量特征,当工业机器人出现故障时,能量特征会发生变化,并将能量谱特征转化为二维矩阵用于设计、训练和测试所提出的模型。实验结果表明:采用WPES-CNN模型进行故障诊断,故障识别率达到了99.9%以上。     

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K-S和加权证据理论的复合故障诊断方法

针对复合故障难以识别的问题,提出双样本组合Kolmogorov-Smilnov检测对两条量纲一的指标曲线进行匹配,并通过加权证据理论方法对故障信息进行融合的新方法。实验结果表明:在双样本K-S检验中,峭度指标累积分布函数曲线匹配的准确率高于其他指标;通过D-S证据理论融合故障信息后,准确率虽无明显提高,但可以有效减小复合故障的范围,因此通过再分类可以提高准确率。     

基于小波包能量分布特征的齿轮故障诊断方法研究

齿轮的裂纹故障不仅影响机械系统的整体性能,还会导致机器损坏,因此,研究了齿轮裂纹长度的故障诊断方法。以多传感振动信号为研究对象,将小波包各个频段的能量比系数作为齿轮裂纹的故障特征,并通过改进的神经网络模型进行特征分类,实现齿轮裂纹长度的故障诊断。研究结果表明:所提出的故障诊断方法识别率高(97.5%),通用性好,能有效辨识不同工况下的齿轮故障。     

基于小波包与SVM的滚珠丝杠故障诊断

采取小波包方法对数控机床滚珠丝杠故障信号进行分析,结合时域分析,提取不同故障状态下的特征值,得到支持向量机（SVM）的输入特征向量;研究并确定了应用二叉树算法与RBF核函数,采用遗传算法对SVM的参数寻优,建立了SVM多故障分类器,实现了滚珠丝杠的故障诊断与分类。最后通过实验结果证明了多故障分类器的可行性与有效性。     

基于小波包分析的滚动轴承故障诊断研究

理论分析和实例证明,峭度指标等滚动轴承振动时域统计参量可以判定轴承工作是否正常,但不能给出更多信息。通过小波包分析对振动信号进行分解,并有针对性地对包含有故障特征频率的频段信号进行重构,能有效地滤去各种干扰信号,显示故障特征信息,为滚动轴承的故障诊断提供了一种快速有效的途径。     

基于ALIFD模糊熵和GK聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号具有非平稳性及非线性的特点，提出一种基于自适应局部迭代滤波分解（ALIFD）模糊熵和GK聚类的滚动轴承故障诊断方法。首先对滚动轴承故障振动信号进行ALIFD分解，得到若干个本征模态函数（IMF）分量，然后通过相关性分析筛选出前3个包含主要特征信息的IMF分量，并将筛选的IMF分量的模糊熵作为特征向量，最后利用GK聚类对所得的特征向量进行识别分类。将该方法应用于滚动轴承实验数据分析，并使用分类系数和平均模糊熵对分类性能进行评价，结果表明，与基于经验模态分解模糊熵和GK聚类的故障诊断方法进行对比，该方法具有更好的分类性能。