基于包络线算法改进EMD的旋转机械故障诊断方法研究

针对经验模态分解（EMD）中包络线拟合算法存在的过冲/欠冲以及端点问题,提出采用分段三次Hermite插值解决包络线过冲/欠冲问题,并结合基于斜率再优化的极值点延拓加窗函数的端点效应抑制方法,来优化EMD分解中包络线拟合的结果,得到更准确内禀模态函数（IMF）的同时也可以通过Hilbert变换得到更准确的边界谱和Hilbert谱,提高EMD分解质量。通过仿真分析和滚动轴承内圈故障诊断实例研究表明,该方法有良好的效果,实现旋转机械故障的有效诊断。     

基于多神经网络多参数综合的旋转机械故障诊断系统研究

本文提出并建立了基于多神经网络多参数综合的旋转机械故障诊断系统。在多层多输出前向神经网络的算法基础上,对多个征兆域分别建立相应的诊断网络,然后利用加权方法进行综合评判,并且该诊断系统具有自学习、自适应能力,以便能够适应大型旋转机械,特别是汽轮发电机组等实际产生故障的振动原因的复杂性及诱发的振动征兆的多元性等特点,从而提高了故障诊断的可靠性和诊断精度。本系统对工程应用具有较高的实用价值。     

用于彩色图像分割的改进遗传FCM算法

本文提出了一种适用于彩色图像分割的遗传模糊C均值聚类(GAFCM)算法.该算法使用Ohta等人提出的彩色特征集中的第一个分量作为图像像素的一维特征向量,并利用由像素空间到特征空间的映射来改进目标函数,从而大大降低了运算量;使用对特征空间结构没有特殊要求的特征距离代替欧氏距离,从而克服了特征空间结构对聚类结果的影响;使用引入FCM优化的遗传算法来搜索最优解,从而提高了搜索速度.实验表明,该算法不但能很好地分割彩色图像,而且具有运算量小、收敛速度快的优点.     

改进的FCM聚类算法的实现和有效性研究

模糊c-均值(FCM)聚类算法是非监督的模式识别方法,在模式识别等领域中有着广泛的应用,但是该方法仍然存在着不少的问题,针对FCM算法中加权系数m对聚类效果的影响讨论基于模糊决策确定m的方法,并由此出发,通过求解最优m确定最佳聚类数c。     

面向基因数据分类的旋转森林算法研究

针对基因表达数据高维和小样本的特点,介绍一种基于主成分分析的决策树集成分类算法——旋转森林.首先通过对数据属性集的随机分割,再对子集进行主成分分析变换,保留全部的主成分系数,重新组成一个稀疏矩阵.然后对变换后的数据利用非剪枝决策树集成算法进行分类.再结合ReliefF算法,选用3组基因表达数据验证算法,对比Bagging决策树和随机森林两种集成方法.结果表明旋转森林算法对基因数据具有更好的分类精度,同时验证旋转森林在较低的集成数的情况下,可以取得良好的效果.     

基于改进变分模态分解的旋转机械故障时频分析方法

变分模态分解(variational mode decomposition,VMD)算法作为一种新的多分量信号分解方法,采用频域迭代的求解方式,具有明确的理论基础和高的分解精度,为了自适应确定其分解分量的个数,以互信息为判据对原方法进行了迭代停止条件的改进,并结合Teager能量算子具有对单分量信号解调速度快、精度高的优点,提出了Teager-VMD时频分析新方法。仿真信号分析表明该方法能将含有变频、频率突变和频率相近的多分量信号进行有效的分离;实测转子系统局部碰摩、油膜振荡信号分析表明,该方法能够精确提取各分量的清晰时频特征,能准确地辨别碰摩故障的严重程度和诊断油膜振荡故障,较HHT方法精确有效,具有一定的工程应用价值。     

基于有限元模型的旋转机械故障诊断方法研究

研究一种对透平机械常见故障进行在线和定量识别的方法。准确预测透平机械在整个转速范围内的振动响应对系统的故障诊断和平衡优化至关重要，然而它依赖于对系统不平衡、对中状态以及支撑系统动力学参数的精确识别。首先引入故障自愈的概念，并用有限元法建立转子-轴承-基础系统动力学方程。然后，根据工程实际，对方程进行简化，并进行了实验研究。结果表明，如果系统在一定转速范围内的振动响应是周期性的，并且轴承处转子的振动是已知的，从理论上能够在线地识别出系统的故障及动力学参数。     

旋转机械故障诊断中的神经网络改进算法研究

就ＢＰ神经网络学习收敛速度慢和易出现局部最小点的不足，采用了自适应学习率和绝对误差等距离逼近方法，引入了控制因子常数，就控制因子常数，惯性因子常数以及隐层单元数对网络收敛迭代次数的影响进行了研究。并将改进算法应用于旋转机械故障诊断中。     

EWT与加权多邻域粗糙集结合的旋转机械故障特征提取方法

针对邻域粗糙集(NRS)特征选择算法中邻域半径需要多次迭代调整、无法自动确定的问题,提出一种加权多邻域粗糙集(WMNRS)的特征选择方法;将该方法与经验小波变换(EWT)结合应用于旋转机械中,提出了一种旋转机械故障特征提取方法。利用EWT对非线性、强噪声振动信号进行分解,根据相关性选择一组最优模式分量进行重构,计算重构后信号的时域特征并构造高维原始特征集;在不同邻域半径下,利用NRS对原始特征集约简得到特征子集;统计原始特征集中各个特征在多邻域属性约简中出现的概率,将其作为权值与特征进行加权提取便于分类的敏感特征集;该方法最显著的特点是实现了邻域粗糙集的自动化特征提取,并且提取出的特征更具可区分性。试验结果表明:该方法能够有效提取旋转机械的振动信号特征,并且根据提取的特征向量可以正确辨识出旋转机械的故障类型;该研究可为解决非线性、强噪声、高维机械故障数据集的分类问题,提供理论参考依据。     

基于局部主成分保持投影的旋转机械故障数据降维方法

针对旋转机械高维故障特征集存在的特征冗余导致的分类困难问题,提出一种基于局部主成分保持投影(locality principal component preserving projection, LPCPP)的故障数据集降维算法。该算法将类间可分性判据、主成分计算两种思想与局部保持投影(locality preserving projection, LPP)相融合,使得算法具有剔除冗余特征、减小降维盲目性的能力,从而可以更好地保留能够反映机械运行状态的高价值密度的故障信息以及特征的主要成分。通过两个不同型号的双跨度转子系统的振动信号对所提算法进行验证,并分别以可分性指标和3种不同分类器的识别准确率对本算法的降维性能进行评价。结果表明,本算法能够达到降低故障分类难度与提高故障分类准确率的功能,其可为积累高价值密度的数据资源和基于“工业大数据”的旋转机械智能决策技术工程实现,提供一种数据运算的理论依据。     

基于LabVIEW的旋转机械故障诊断系统的研究与开发

以基于美国NI公司的LabVIEW为开发平台,针对广泛应用于石油化工、电力、冶金等行业的旋转机械的常见故障,利用国产数据采集卡,结合信号处理中的时域分析和频域分析,开发了转子故障诊断系统,并在柔性转子实验台上得到实践,同时实现了不同PC机的移植。由于LabVIEW采用的是G语言的开发环境,因而缩短开发周期,降低成本。     

一种改进的一致性多传感器数据融合算法

采用阵列脉冲涡流技术对腐蚀缺陷进行检测,提出了改进的一致性多传感器数据融合算法.通过重新定义置信距离测度,保证了置信距离矩阵的对称性,最后采用加权平均法对通过了一致性数据检验的多传感器数据进行了融合,实验结果表明该算法具有较高的精度.     

数据转换算法在异构数据集成中的研究与应用

在构建异构数据库集成系统时,主要会面对数据源的异构性、完整性、语义冲突和集成内容的限定等方面的问题。只有进行数据格式和数据内容的统一转换后,来自不同数据源的异构数据才能被集成系统使用。因此,本文着重研究了异构数据集成中的数据转换算法。     

基于局部质心均值最小距离鉴别投影的旋转机械故障数据降维分析研究

针对旋转机械故障特征集非线性强、维数过高导致分类困难的问题,提出一种基于局部质心均值最小距离鉴别投影（Local Centroid Mean Minimum?distance Discriminant Projection,LCMMDP）的故障数据集降维算法。该算法在考虑样本的内聚性和分离性的同时,能够保持样本局部几何结构信息,反映样本与局部质心均值之间的近邻关系。从多个角度提取机械振动信号的混合特征,构建原始高维特征集,通过 LCMMDP 提取出低维敏感特征子集,利用改进的基于局部均值与类均值的 k?近质心近邻分类算法（k?nearest Centroid Neighbor Classification Based on Local Mean and Class Mean,KNCNCM）进行故障模式识别。所提方法集成了 LCMMDP 在维数约简和 KNCNCM在模式识别的优势,可得到较高的故障识别准确率。分别使用一个双转子系统数据集和仿真数据集验证了该方法的有效性。     

基于自适应多小波与综合距离评估指数的旋转机械故障特征提取

旋转机械设备故障诊断主要包括信号采集、特征提取和故障识别,而特征提取是进行故障诊断的基础和保证诊断结果正确的关键,为了提高特征参数对故障的敏感性,提出了基于自适应多小波与综合距离评估指数的旋转机械故障特征提取方法。该方法以综合距离评估指数最大值为目标函数,利用遗传算法从CL3自适应多小波库中选择最优多小波,并将该最优多小波用于转子振动信号的特征提取。通过对正常、不对中、不平衡、碰摩四种设备状态下采集的振动信号进行特征提取,并将所提出的方法和传统特征提取方法提取的特征参数输入到K-最邻近分类器进行分析,结果表明,所提出的方法能够大大增强特征参数对故障的敏感性,获得更高的故障诊断准确率。     

面向不平衡数据的云模型旋转机械故障识别方法EI北大核心CSCD

因正常数据丰富、故障数据匮乏而引起的数据不平衡,已经成为工业大数据智能决策技术面临的关键问题之一。因此,针对机械设备故障诊断研究中经常遇到的不平衡数据集中少数样本类别识别精度偏低的问题,提出一种基于云模型的集成学习方法并将其用于旋转机械不平衡数据的模式识别。该方法首先将提取出的轴承故障特征数据集通过ReliefF算法计算各特征的权重,依据特征权重值降序排列的结果提取出权重趋大的特征构成低维特征集,并将低维特征集划分为不平衡训练集、测试集两部分;其次通过云模型理论中的正向云发生器、逆向云发生器对低维特征集中各个特征分别绘制云图,得到单一特征下各状态的训练数据与测试数据云图;然后通过距离公式判别与待测样本距离最近的训练数据云图,判断出单一特征下待测样本的类别;最后通过集成学习方法将各个特征下的识别结果进行整合,以相对多数投票法识别出待测样本的所属类别结果。与传统的BP神经网络、支持向量机两种分类器进行对比的试验表明,该方法不仅对不平衡数据的待测样本识别精度较高,而且具有一定的泛化性能。     

基于改进人工鱼群算法的机械故障聚类诊断方法

发展新的理论或方法快速准确地实现机械故障信号的聚类诊断是众多学者研究热点。由于人工鱼群优化算法具有结构简单,良好的并行性、快速性等特点,把人工鱼群优化算法引入机械故障诊断中。基于人工鱼群算法的基本原理提出了一种改进的人工鱼群追尾聚类算法,定义了相似度因子和聚类判别因子,建立了模拟人工鱼群追尾行为的机械故障聚类诊断模型,并将之应用于机械故障特征信息的聚类分析。实例分析表明了本文方法的有效性。     

使用“分裂-合并"策略改进文本聚类集成算法的研究

探讨了"分裂-合并"(DM)策略对文本聚类集成算法改进的效果。首先在聚类成员生成阶段运行使用DM策略的超球K均值(SKM)算法r次,每次生成较多的文本子簇,并根据子簇的相似性使用凝聚层次聚类方法合并这些子簇,得到r个聚类成员,随后在聚类集成阶段采用两个快速的谱聚类算法进行集成。在6组真实文本集上进行了实验,使用DM策略的两个聚类集成算法获得的平均标准化互信息(NMI)分别比改进前的算法提高了4.6和7.9个百分点,证明了DM策略可以有效提高文本聚类集成算法的聚类质量。     

基于拉普拉斯特征映射的旋转机械故障识别

针对旋转机械故障特征信号复杂且难以提取有效特征量的问题,提出一种基于拉普拉斯特征映射算法(Laplacian Eigenmap,LE)的旋转机械故障识别方法。对旋转机械三类典型故障的监测信号进行提取和转换得到26个时域和频域特征量,在由此构建的高维特征空间中,利用LE算法进行特征融合,提取隐藏在高维特征空间中的故障本质和规律进行故障样本分类识别。利用二维或三维图像表示提取出的低维结果,以样本识别率及聚类分析中的类间距Sb和类内距Sw作为衡量指标,从模式识别的角度进行分析。结果表明:较之主元分析法(principal component analysis,PCA)和核主元分析法(kernel principal component analysis,KPCA),LE方法能够更好地从高维特征空间中提取出有效特征量表征设备运行状态,实现旋转机械典型故障的分类识别。