基于多特征融合与GSA-SVM的滚动轴承故障诊断

滚动轴承在故障诊断过程中，存在着单一特征诊断准确率较低且无法充分表征故障信号所包含信息的问题。提出一种基于局部线性嵌入算法(Locally Linear Embedding, LLE)结合熵权法(the Entropy Weight Method, EWM)的多特征融合方法，结合引力搜索算法(Gravitational Search Algorithm, GSA)改进支持向量机(Support Vector Machine, SVM)实现滚动轴承的故障诊断。首先采用LLE-EWM对提取到的48维故障特征进行筛选融合，然后结合GSA-SVM模型对提取到的融合特征进行诊断，从而实现对滚动轴承变负载条件下的故障诊断。通过凯斯西储大学滚动轴承实测振动信号，对所提故障融合诊断方法的有效性进行验证。在特征筛选阈值设定为60%时，滚动轴承故障诊断的准确率达到99.7%。对比不同模型，所提方法具有最高的诊断准确率。试验结果表明，所提方法能够实现对故障信号特征信息的深度提取及提高故障诊断精度。     

基于特征融合与DBN的矿用通风机滚动轴承故障诊断

针对现有矿用通风机滚动轴承故障诊断方法仅提取时频分量特征和采用浅层网络结构,导致故障诊断精度不高的问题,提出了一种基于多域特征融合与深度置信网络(DBN)的矿用通风机滚动轴承故障诊断方法。该方法首先对轴承振动信号进行小波包降噪处理,对降噪后的轴承振动信号进行时域特征、频域特征、IMF能量特征提取,得到相对全面的高维特征集;然后通过基于类内、类间标准差的特征筛选方法剔除对分类无效及效果不明显的特征,筛选出高效特征;最后采用核主成分分析(KPCA)对高维筛选特征进行降维融合,消除特征间冗余,将融合特征输入至DBN中完成故障诊断。实验结果表明,相比于基于特征单一和浅层网络的诊断方法,基于多域特征融合与DBN的矿用通风机滚动轴承故障诊断方法平均准确率最高,平均诊断时间最少,对于不同损伤故障数据表现出良好的稳定性和泛化能力。     

基于Park变换的三电平逆变器开路故障诊断

针对现有二极管钳位式(NPC)三电平逆变器开路故障诊断方法存在计算量大、准确率受噪声和负载等影响的问题,提出了一种基于Park变换的三电平逆变器开路故障诊断方法。对三电平逆变器三相输出电流进行Park变换,计算平均电流Park矢量;利用滑动窗口取得单周期电流信号,根据逆变器电路结构分析IGBT故障时输出电流变化;采用迭代法确定平均电流Park矢量模值的阈值,结合相角和模值进行三电平逆变器功率管13种开路故障的识别和定位。仿真结果表明,该方法故障诊断准确率达到了98.31%。与传统的开路故障诊断方法相比,该方法不需要对13种开路故障数据进行学习和训练,大大减少了计算量,提高了故障诊断效率和准确率。     

三电平逆变器开路故障诊断研究

针对传统三电平逆变器开路故障诊断方法存在计算复杂、准确率低等问题,提出了一种基于小波分析与粒子群优化支持向量机的三电平逆变器开路故障诊断方法(WT-PSO-SVM).在分析三电平逆变器三相电流信号特征的基础上,利用三层小波对电流信号进行分解,提取各频带能量作为故障特征;小波变换提取到故障能量特征后,部分故障下所提取的能量十分接近,无法有效区分,进而引入正半周比例系数作为辅助特征;将归一化的能量和正半周比例系数作为特征向量输入支持向量机进行分类训练,同时利用粒子群算法优化支持向量机的参数以达到最好的分类效果,最终实现故障诊断.实验结果表明:WT-PSO-SVM方法可以有效识别三电平逆变器的开路故障,较其他故障诊断方法有更高的诊断精度和速度,在变负载和有噪声影响情况下仍有较高的故障识别准确率,准确率达到97.3%.     

基于电量参数特征分析的逆变器开路故障诊断方法研究

针对传统基于电压信号分析的和基于电流信号分析的逆变器开路故障诊断方法存在的缺陷,提出了一种基于电量参数特征分析的逆变器开路故障诊断方法。综合分析电压信号特征与电流信号特征,进行故障诊断。利用电压信号特征进行故障相诊断,同时利用电流信号特征进行故障开关管定位。在保留基于电压信号的逆变器开路故障诊断方法的优越性的同时,进一步克服了基于电流信号的逆变器开路故障诊断方法的可靠性低的缺陷。最终,利用MATLAB/Simulink软件搭建仿真模型,验证该开路故障诊断方法的有效性。验证结果表明,该逆变器开路故障诊断方法能够有效地进行故障相诊断以及故障开关管定位,可以广泛应用于电力、电动汽车、核电、航天等行业,能够避免由于逆变器开路故障带来的损失,提高了行业安全性和可靠性。     

基于DVMD降噪的旋转机械故障诊断

针对振动信号噪声难以剔除而造成故障诊断精度低的问题, 提出了一种基于深度变分模态分解(DVMD)的 旋转机械故障诊断方法. 首先, 利用麻雀算法(SSA)对变分模态分解(VMD)算法的参数进行优化. 然后, 通过SSA– VMD对信号进行自适应深度分解得到模态分量, 将每层深度的分量与原始信号作皮尔逊相关系数分析, 再对分量 进行奇异值分解(SVD)或者直接剔除, 将处理后分量重构后, 实现振动信号的深度降噪. 最后, 提取降噪信号的一维 多尺度排列熵特征和二维时频特征, 将特征依次放入轻量级梯度提升机(LightGBM)中进行训练, 实现故障诊断. 设 计方法在风力涡轮传动系统的齿轮箱故障信号上进行验证, 不仅能够剔除信号的大量噪声, 并且提高了故障诊断精 度, 具有良好的工程应用前景.     

PCA-SVM在模拟电路故障诊断中的应用

主元分析法(PCA)通过提取故障样本集的主元得到降维的特征空间,利于故障特征提取;支持向量机(SVM)应用于故障诊断时具有良好分类性能;结合两者优点,提出了基于PCA特征提取和SVM相结合的模拟电路故障诊断识别新方法:对电路输出响应信号进行PCA处理,提取故障特征的主成分,然后利用多类SVM对故障模式进行分类决策,实现故障诊断;仿真实验结果表明,该方法能够实现模拟电路故障的快速检测与故障定位,具有速度快、精度高、鲁棒性好的特点。     

自动扶梯链轮轴承的振动信号特征提取分类方法研究

为了提高自动扶梯链轮轴承故障诊断准确率,针对轴承振动信号特征提取方法的问题,本文使用经验模态对原始信号进行分解,通过包络谱方法选取优化分解后得到多个模态分量中的最优模态分量,引入多角度特征度量提取故障特征值.根据轴承振动信号数据的振动特性建立更趋向于故障特征类别信息的轴承信号特征组,避免了单一度量特征提取绝对化问题.使用模糊C均值聚类算法,让相似特性的样本数据聚类到同一簇区域,有效解决了单一度量分析无法表征出轴承振动信号复杂的内在特性问题.     

基于EEMD和GA-BP的列车辅助逆变器开路故障诊断研究

地铁列车随着运营年限增加,辅助逆变器故障频发,严重制约轨道交通安全运营,故障及时诊断至关重要。针对列车辅助逆变器典型的大功率器件开路故障,提出了一种基于集合经验模态分解(EEMD)和遗传算法优化的BP神经网络(GA-BP)的故障诊断方法,该方法以辅助逆变器输出的三相半波电压值为监测信号,通过EEMD分解采用能量矩的方法提取故障特征向量,基于GA-BP神经网络实现故障智能诊断。仿真实验结果表明该方法故障诊断准确率能达到95.5%。     

基于深度迁移自编码器的变工况下滚动轴承故障诊断方法

在实际工业场景下的轴承故障诊断,存在轴承故障样本不足,训练样本与实际信号样本存在分布差异的问题;文章提出一种新的基于深度迁移自编码器的故障诊断方法FS-DTAE,应用于不同工况下的轴承故障诊断;该方法首先采用小波包变换进行信号处理与特征提取;其次,采用提出的基于朴素贝叶斯与域间差异的特征选取(FSBD)方法对统计特征进行评估,选取更有利于跨域故障诊断和迁移学习的特征;然后,利用源域特征数据训练深度自编码器,将训练得到的模型参数迁移至目标域,再利用目标域正常状态样本对深度迁移自编码器模型进行微调,微调后的模型用于目标域无标签特征数据的故障分类;最后,基于CWRU轴承故障数据开展不同工况下故障诊断实验,结果表明,所提出的FS-DTAE方法能够有效提高不同工况下的故障诊断准确率。     

三相开环Z源逆变器短路故障诊断研究

以三相开环Z源逆变器为例,开展了三相开环Z源逆变器短路故障诊断的应用研究。在三相开环Z源逆变器发生功率开关管短路故障及短路故障后逆变器工作状态理论分析基础上,建立三相开环Z源逆变器故障仿真模型。通过仿真实验获得短路故障状态下的输出侧交流电流信号数据,根据故障特征提出一种针对性的短路故障诊断方法直观的得到短路故障功率开关管出现的位置,并通过仿真验证该方法的可行性。     

多传感器信息融合在滚动轴承故障诊断中的应用

针对单一传感器在滚动轴承故障诊断中存在故障识别率不高,敏感特征不易提取,诊断系统可靠性差等问题,提出了采用多传感器特征层、决策层信息融合的故障诊断方法.对振动信号采用经验模式分解(EMD)、小波包和局部均值分解(LMD)方法进行处理并提取特征向量,构建支持向量机分类器.经过特征层交叉诊断,得到初步诊断结果,在决策层采用D-S证据理论进行决策融合.试验表明:该方法可以提高滚动轴承故障识别率.     

经验模态分解与样本熵在并网型光伏逆变器故障诊断中的应用

摘要：针对光伏并网逆变器电路中故障信号的非线性、非平稳特点,提出一种基于经验模态分解(EMD)和样本熵(SampEn)的故障诊断方法。首先,利用经验模态分解对逆变器的三相输出电压进行分解,得到有限个本征模式分量(IMF),从中选取包含故障主要信息的前几个本征模式分量提取故障信息。然后,计算本征模式分量的样本熵,从而得到用于故障诊断的特征向量;最后,将逆变器开路故障进行分类和编码,将故障特征向量输入BP神经网络进行模式识别,从而达到故障诊断的目的。在Matlab环境下对光伏并网逆变器的故障诊断进行了实验,实验结果证明了文中方法能实现对光伏并网逆变器的故障诊断,且与小波包变换相比,该方法具有诊断效率高和准确度高等特点。     

基于WP-ICA及SVM的齿轮故障诊断研究

针对旋转机械设备齿轮故障诊断问题,为全面提取反映齿轮运行状态的特征信息,提出了基于WP(小波包)与ICA(独立成分分析)相融合的特征提取及SVM(支持向量机)相适配的故障诊断方法。用小波包对信号进行分析并提取其能量特征,采用独立成分分析方法对提取的能量特征进一步优化,进而得到反映齿轮运行状态的特征向量。最后采用支持向量机对齿轮运行状态的四种类型(正常、轻微故障、中等故障、断齿故障)进行诊断评估。通过纵向比较和横向比较研究表明,所提特征提取方法较单一的小波包特征提取方法更能全面反映齿轮状态信息。采用SVM方法进行齿轮故障模式诊断,较其它方法具有更高的分类准确率,达到了很好的诊断效果。     

基于高阶累积量的模拟电路故障诊断

结合信息融合技术,提出一种基于高阶累积量的模拟电路故障诊断方法.对待测电路施加正弦激励信号,从待测电路的输出终端提取原始电压和电流信号,求出峰度和斜度作为故障特征向量,将其输入改进的反向传播神经网络进行故障诊断.实例结果表明,该方法具有较高的诊断准确率.     

基于深度卷积网络的多传感器信号故障诊断方法研究

针对传统故障诊断方法中多传感器数据融合技术难度大、特征提取困难等问题,提出了一种基于深度卷积网络的多传感器信号故障诊断方法,通过构建测量数据帧进行卷积计算实现多通道数据的自然融合,利用深度网络结构实现高层特征的自动提取和分类,从而高效地实现了故障分类诊断;经分别采用小规模数据集REF和大规模故障数据集BI02进行实验验证,均取得了较高的故障识别准确率,具有很强的工程应用价值。     

一种面向噪声环境中旋转机械故障诊断的多模态耦合输入神经网络

旋转机械设备是工业生产中的关键性设备,对其进行高效故障诊断,对于保障工业安全生产具有重要意义.传统的旋转机械设备智能故障诊断方法采取人工特征提取策略,存在依赖专家经验知识、特征泛化性差、特征完备性不足等局限性,导致故障诊断模型精度差,特别是在噪声环境下性能下降明显.对此,提出一种用于旋转机械故障诊断的多模态耦合输入神经网络模型.首先,利用信号分解方法将原始输入信号分解为多个子信号,并将子信号与原始信号成对组成二维矩阵并输入到神经网络中,使得网络能够提取其间重要的相关特征;然后,利用双通道并行的卷积神经网络和长短期记忆网络分别提取信号中的时空间特征并融合,大大提高网络模型的特征表达完备性,实现对旋转机械设备的高精度故障分类.通过实验验证了所提出模型相较于传统故障模型具有更高的准确率,并且对于噪声干扰也有较好的适应性.     

基于深度学习与混沌特征融合的滚动轴承故障诊断EI北大核心CSCD

本文针对现有滚动轴承智能故障诊断方法在面向大噪声背景下鲁棒性能差的问题.基于混沌理论,提出采用相空间重构方法还原并丰富轴承振动的动力学特性,通过卷积神经网络(CNN)提取混沌序列中的高级抽象特征,又考虑故障信号具有长程相关性,将低维抽象故障特征引入长短期记忆网络(LSTM),以灰狼算法优化的支持向量机(OSVM)作为分类器,提出CCNN (Chaotic CNN)–LSTM–OSVM智能故障诊断方法.试验结果表明,在处理信噪比为-6 dB信号时,该方法仍具有89.96%的准确率,相比以Softmax作为分类器的CNN–LSTM和CCNN–LSTM方法分别高出15.36%和5.21%,且在收敛速度方面亦有较大优势.     

基于离散小波变换和随机森林的轴承故障诊断研究

针对不同工况下数据特征选择困难和单一分类器在滚动轴承故障诊断中识别率较低等问题,提出了一种基于离散小波变换和随机森林相结合的滚动轴承故障诊断方法。该方法首先利用离散小波变换分解振动信号,得到n层近似系数;然后创新性地采用sigmoid熵构造出n维特征向量,sigmoid熵能较好地提取非平稳信号的特征,提高诊断准确率;最后采用随机森林对滚动轴承不同故障信号进行分类。实验采用西储凯斯大学轴承数据中心网站提供的轴承数据,与传统分类器(KNN和SVM)以及单个分类回归树CART进行对比分析,结果表明该方法具有更好的诊断效果。     

基于可视化异类特征优选融合的滚动轴承故障诊断

针对故障诊断过程中基于简单的多类故障特征联合决策存在特征集维数多、数据冗余、故障识别率不高的缺点,提出了一种基于异类特征优选融合的故障诊断方法。该方法根据多类特征数据的轮廓图,分析各维特征数据的聚类特性,去除聚类性弱、对故障区分无益的冗余特征维度,仅保留聚类性强的特征维度用于故障识别。在轴承故障诊断实验中,选用故障信号时域统计量和小波包能量两类多维特征进行优选融合,并采用反向传播（BP）神经网络进行故障模式识别。故障识别率达到100%,显著高于无特征优选的故障诊断方法。实验结果表明所提出的方法简便易行,可以显著提高故障识别率。