基于模糊C均值算法的齿轮泵故障诊断技术

以CB-KP63齿轮泵为研究对象,提出了利用小波包频带能量提取齿轮泵的信号特征,用模糊C均值聚类算法得到齿轮泵的故障模式,然后用模糊贴近度进行故障模式的识别.实验结果表明,在此算法下,齿轮泵4种不同工作状态下的振动信号具有明显的可分性,并且该诊断方法对不同类型的齿轮泵故障诊断、维修保养等都具有一定的实用性.     

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。     

电机轴承故障的多尺度排列熵特征提取与GK识别

为了有效提取电机轴承故障特征并准确识别出故障类型,提出了复合多尺度排列熵偏均值的特征参数提取和GK聚类的模式识别方法。在故障特征提取方面,使用自适应局部迭代滤波对振动信号进行分解,选择与原振动信号相关性较大的前3个分量,计算分量信号的复合多尺度排列熵偏均值作为特征参数,则每个振动信号得到了一个三维特征向量;在模式识别方面,使用GK算法对特征参数进行聚类。使用美国某大学的电机轴承数据进行效果验证,与基于EMD分解的特征参数比,ALIF分解所得特征的聚类效果更好,类与类之间区分明显,不存在交叉混叠现象,且样本围绕类心的分布更加紧凑。实验结果证明了故障特征提取方法和故障模式识别方法的有效性。     

轴承故障的排列熵特征提取与GK模糊识别方法

为了提高轴承故障诊断准确率,提出了参数优化多尺度排列熵的特征参数提取方法和加权GK模糊聚类的识别方法。在特征提取方面,以多尺度排列熵序列偏度最小为优化目标,使用多作用力微粒群算法优化多尺度排列熵参数,实现了排列熵特征参数在轴承不同故障状态下的完全分离;在故障识别方面,提出了加权GK模糊聚类的识别方法,使用ReliefF算法计算特征参数权重,为高敏感度特征参数赋予更大的权值,从而提高GK模糊聚类的聚集度。经轴承故障实验验证,文章提出的排列熵特征参数提取和GK模糊聚类识别方法在此次实验中能够精准识别轴承故障类型,说明文中提出的特征提取和模式识别方法具有一定借鉴意义。     

基于小波包能量与模糊C均值聚类的轴承退化状态预测

滚动轴承在发生严重故障前会经历不同的退化状态,针对时域和频域故障特征不能表征早期故障的问题,提出了小波包能量结合高斯混合模型的轴承性能退化指标提取方法。该方法以小波包能量比例值向量作为原始特征,引入高斯混合模型,以计算出的小波包能量比例值对数似然概率作为性能退化指标,通过实验验证该方法能发现早期故障,还能很好的跟踪轴承退化趋势。在此基础上,由于退化状态难以界定识别,利用模糊C均值聚类对性能退化指标模糊聚类,从而识别轴承性能退化状态,通过滚动轴承退化实验验证了该方法的有效性。     

基于改进CEEMDAN和多尺度模糊熵的气阀故障诊断

针对往复压缩机振动信号非线性非平稳性的特点,文章提出基于改进CEEMDAN和多尺度模糊熵的气阀故障诊断方法。首先,利用单调的三次Hermite插值代替三次样条插值构造信号的包络线,可以有效提高CEEMDAN对非平稳性信号的分解精度;其次,对分解后的IMF分量采取相关系数和峭度作为评价指标进行筛选,对筛选后的IMF分量重构信号然后求解多尺度模糊熵;最后,提出了结合其变化趋势的指标-多尺度模糊熵偏均值,将其输入到SVM进行故障分类识别。实验结果表明,该方法能提高气阀的故障识别率。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

基于EMD-MPE与HMM的滚动轴承故障诊断

针对故障轴承的特征难以提取以及状态识别困难的问题,提出了基于经验模态分解(EMD)-多尺度排列熵(MPE)与隐马尔科夫模型(HMM)的滚动轴承故障识别方法。首先,运用EMD滤波降噪原理对滚动轴承振动信号进行降噪,而后将已降噪的信号进行多尺度排列熵分析并提取不同尺度下排列熵的较大值作为信号特征。最后,将特征信号向量输入已训练好的HMM模型进行故障类型判别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于EMD-MPE与HMM的滚动轴承故障诊断方法对滚动轴承的故障状态能够进行有效地识别。     

基于小波包样本熵及GA-BP网络的旋转机械故障识别

针对旋转机械故障信号具有非线性、非平稳性特点,提出一种基于小波包样本熵及GA-BP网络的故障识别方法。首先对故障信号进行小波包分解,计算重构节点信号能量较大的前4个子频带振动信号的样本熵作为特征向量;然后将特征向量输入GA-BP网络模型进行故障类型识别,并且与传统BP网络作对比。实验结果表明:转子实验台不同故障信号的小波包样本熵不同,该方法对转子故障区别度更有效果,故障识别率明显提高。     

基于SGMD敏感参数和KFCMC的滚动轴承故障诊断方法

针对滚动轴承的内圈和外圈故障诊断问题,提出了一种基于辛几何模态分解(SGMD)、敏感参数和核模糊C均值聚类(KFCMC)相结合的方法。基于SGMD研究了实际测量的液压泵多模态故障振动信号;基于所提出的相似性分析法,将含有丰富运行特征信息的模态分量进行重构,并将其作为数据源;基于数据源提取时域和频域参数,并利用流行学习法筛选出峭度、裕度指标和峰值指标等敏感参数作为特征向量;利用KFCMC实现对内圈和外圈不同故障的诊断。通过对滚动轴承内、外圈故障振动信号的仿真和实测,验证了该方法可以有效地诊断滚动轴承不同故障。     

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.     

变工况下采煤机故障诊断的迁移学习方法

针对采煤机故障诊断过程中有效故障样本不足问题,提出变工况下采煤机故障诊断的迁移学习方法。对原始振动信号作小波变换得到时频图,利用图像增强原理凸显故障的时频特征,并对图像进行归一化后组成故障样本;利用大量不同工况下的现有故障数据组成源域数据,对卷积神经网络进行训练,以初步获取故障诊断模型;将训练后的模型迁移至采煤机故障诊断实验台,以最大均值差异（MMD）作为优化指标,利用实验台中的样本继续训练模型,实现权值微调。结果表明：振动信号经小波变换和图像增强处理后,能有效凸显故障特征;利用实验台小样本微调权值,能有效实现采煤机故障诊断的模型迁移。     

基于DWT-DSCNN-SVM的轴承故障诊断

在故障诊断过程中,为了更好地提取特征以及提高故障识别率,提出了一种基于离散小波变换和深度可分离神经网络算法以及SVM分类器的滚动轴承故障诊断方法。首先,模型利用离散小波变换对原始振动信号提取特征,形成多通道样本;然后对样本进行深度可分离卷积神经网络训练,最后在全连接层后接SVM分类器实现对故障信号的分类。实验所用数据来自CTU-2实验平台,故障标签共有10类。实验结果表明,相比较单一使用小波变换提取特征或者CNN卷积神经网络分类的方法,该模型的诊断效果更加优秀。     

基于特征信息融合的离散小波SVM齿轮故障诊断方法研究

针对齿轮振动信号故障特征微弱及故障样本不足,提出基于特征信息融合的小波-SVM(支持向量机)故障诊断方法,用于多类齿轮故障诊断。该方法采用离散小波变换对齿轮的振动信号进行处理来构造特征向量,将多路信号融合后输入到SVM的多故障分类器中进行故障识别。实验结果表明:该方法能够在训练样本数量少的情况下,快速获得良好的分类结果,且其故障诊断准确率在96.67%以上;峰值和峰值因子对齿轮故障最敏感,以峰值或峰值因子为特征量的多传感器信息融合,其诊断准确率达95%。该方法更适合于实际齿轮故障诊断应用,并为多类齿轮故障快速诊断的进一步创新研究提供了理论基础。     

最小二乘支持向量机在电梯故障诊断中的应用(英文)

针对电梯故障诊断中特征提取困难和故障样本数量少问题,提出了应用小波包分解和最小支持向量机( LS-SVM) 相结合进行电梯急停智能故障诊断的方法。借助小波包分解,该方法首先提取电梯轿厢振动信号作为特征向量,然后利用 LS-SVM 分类模型对故障进行辨识。实验证明,小波包与 LS-SVM 相融合的故障诊断与识别技术可发挥两者的优势,该方法对电梯急停故障的诊断具有较好的诊断效果。     

基于HGWO-MSVM的齿轮箱故障诊断研究

针对齿轮箱多类故障信号非线性、不确定性难以进行有效识别的问题,提出了一种混合灰狼优化算法(Hybrid Grey Wolf Optimizer,HGWO)优化多分类支持向量机(Multi-class Support Vector Machine,MSVM)的齿轮箱故障诊断方法。首先利用小波包对齿轮箱故障信号进行降噪处理,并通过信号中各频带的能量,提取能量特征值,再将获取的特征值输入优化后的MSVM模型进行故障模式的识别。实验结果表明,相对于传统的诊断模型,基于HGWO-MSVM的齿轮箱故障诊断模型能够更有效地诊断齿轮箱的实际运行状态,提高识别效率和精度。     

基于VMD_IWT近似熵与PSO_SVM的转子故障诊断

针对转子故障振动信号的非平稳性、非线性特征,提出了基于变分模态分解_改进小波阈值(VMD_IWT)近似熵与粒子群优化支持向量机(PSO_SVM)的转子故障诊断方法。首先对振动信号进行VMD分解,对分解后的各分量进行改进小波阈值处理;然后,提取降噪后信号的近似熵作为特征值组成特征向量;最后,将特征向量输入PSO_SVM进行故障分类识别。将该方法用于实际转子实验数据,并通过对比分析,分别证明了VMD、IWT和PSO_SVM方法的有效性,且文中所提方法的故障诊断准确率高达95%,证明该方法具有一定的实际应用价值。     

基于T-S模糊神经网络的液压设备故障诊断

针对液压设备的故障数据具有非线性、不确定性以及信号噪声多等特点,本文提出一种基于T-S模糊神经网络的液压设备故障诊断,T-S模糊神经网络是将T-S模糊推理模型与神经网络相结合的机器学习方法。对于采集的液压设备振动数据提取相关特征构成特征矩阵,将特征矩阵输入建立的T-S模糊神经网络模型,利用其自适应提取能力,自主选择最佳故障特征进行分析,实现液压设备故障诊断。通过液压设备数据验证,说明该方法具有较快收敛速度、较高诊断精度高和稳定性。     

基于CEEMDAN与信息熵的液压泵故障特征提取方法研究

由于液压泵故障振动信号微弱和不平稳的特性,造成特征向量提取和故障诊断困难。针对这些问题,提出一种CEEMDAN与信息熵结合的特征提取方法。将传感器测得的液压泵的故障振动信号进行CEEMDAN分解得到多个固有模态函数(IMF),并计算其信息熵,然后筛选出信息熵最小的3个IMF分量重构信号,计算重构信号的多域熵作为特征向量来训练决策树模型。液压泵故障诊断实验结果证明了该方法的有效性和优越性。     

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。