次序二叉树支持向量机多类故障诊断算法研究

构建二叉树支持向量机时,如果随机地将分类器分布在二叉树的各个结点上,是不能充分发挥其性能的。考虑到样本的分布情况对分类器推广能力具有较大影响,提出一种次序二叉树支持向量机多类算法,采用样本分布半径和样本分布距离估算各个类别的样本在高维特征空间中的分布情况,把分布半径较大的类别或者分布距离较大的类别较早地分出来,并且在特征空间中给其划分较大的分类区域。转子多故障诊断实验表明,该算法的诊断速度快,故障识别率高,推广能力强,更加适合于实际故障诊断应用。     

基于贝叶斯最优核判别分析的机械故障诊断

针对在该方法中,用核判别分析到机械故障诊断时核参数选取困难的问题,提出了一种基于贝叶斯最优核判别分析的机械故障诊断方法。首先采用梯度下降法优化同方差性准则确定最优核参数;然后采用最优核参数使用核判别分析将原始样本投影到一个最优子空间,在该子空间中各类样本具有最佳判别性;最后基于投影后的样本使用最近邻方法进行故障分类。将该方法应用于滚动轴承故障诊断,并与相关方法的诊断结果进行了比较,实验结果表明:该方法可获得与支持向量机同样的诊断正确率,并实现了最优核参数的自动选择。     

基于深度度量学习的轴承故障诊断方法

针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。     

基于最优Morlet小波和隐马尔可夫模型的轴承故障诊断

摘要：提出一种从信号时频域提取故障特征的新方法,先将振动信号作Morlet小波变换,再将小波系数顺序划分成多个子列,各子列协方差矩阵的特征值为所需的特征参数。为了更有效地提取信号的振动特性及周期性成分,使用了最小香农熵准则和奇异值分解技术选择Morlet小波参数,并用比较实验证明了参数优化的有效性。状态辨识使用了连续型隐马尔可夫模型,在三种故障程度下分别实现了轴承正常状态,滚动体故障,内圈和外圈故障的正确辨识,平均精度都大于93%。     

基于局部切空间排列与MSVM的齿轮箱故障诊断

针对齿轮箱故障特征重叠难以有效分离问题,提出基于局部切空间排列与多核支持向量机的齿轮箱故障诊断模型。在由振动信号时域统计指标及内禀模态分量能量构造的多元特征空间中,据局部切空间排列算法对多元特征进行非线性降维处理,得到初始低维流形结构,获取最优敏感特征向量;将该特征向量输入至多核支持向量机进行学习训练与故障辨识。局部切空间排列能克服传统降维方法的不足,多核支持向量机可实现复杂故障高精度、自动化智能诊断。通过齿轮箱故障模拟实验验证该方法的有效性。     

基于独立特征选择与相关向量机的变载荷轴承故障诊断

在线状态监控与故障诊断具有很大的经济与安全意义,提出了一种基于独立特征选择(IFS)与相关向量机(RVM)的智能故障诊断模型用于变载荷条件下识别多类轴承故障及其故障程度。首先混合空载(0hp)与满载(3hp)两种载荷状态下的实验数据作为训练样本;其次提取时域统计特征与全小波包域节点能量特征作为候选特征;接着采用一种改进的Fisher特征选择方法为每两类故障状态独立选择具有最大分类能力的最优特征子集;然后用“一对一”的方法训练多个RVM二类子分类器;最后采用“最大概率赢”的策略组合所有子分类器构成IFS_RVM多类故障诊断模型。用未知载荷(1hp,2hp)下的实验数据验证了模型的有效性,得到99.58%的极高诊断精度,实验结果表明,该模型精度高、鲁棒性强,满足变载荷条件下在线故障诊断的需要     

基于SVDD和距离测度的齿轮泵故障诊断方法研究

提出了一种基于支持向量域描述和距离测度的齿轮泵故障诊断方法。该方法首先对齿轮泵各种工况下的振动信号进行小波包分解,提取各频带能量百分比作为特征向量;然后仅利用正常工况下的特征向量训练SVDD超球模型,通过定义绝对距离测度检测齿轮泵状态是否出现异常;最后针对每类工况下的特征向量单独训练SVDD超球模型,通过定义相对距离测度准确定位齿轮泵的不同故障工况。试验结果表明,采用小波包频带能量降低了数据维数,有效浓缩了故障信息;基于绝对距离测度和相对距离测度的SVDD故障诊断方法既能检测异常状态,又能区分各种故障工况,达到了状态监测和故障分类识别的目的。     

噪声参数最优ELMD与LS-SVM在轴承故障诊断中的应用与研究

针对轴承振动信号的非平稳特征和现实中难以获得大量典型故障样本,提出基于噪声参数最优的总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)与最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)相结合的轴承故障诊断方法。首先对轴承振动信号进行噪声参数最优ELMD分解并得到一系列窄带乘积函数(Product Function,PF),然后计算各PF分量能量以构造能量特征向量,最后将高维能量特征向量作为最小二乘支持向量机的输入来识别轴承故障类型。通过对轴承故障振动信号分析,结果表明噪声参数最优ELMD方法能有效地抑制模态混叠,与LS-SVM结合可以准确地识别轴承的工作状态和故障类型。     

基于特征处理的MVU算法在齿轮故障诊断中的应用

针对不同故障类别齿轮的故障信息难以有效获取、齿面多类故障难以准确聚类的问题,提出一种基于特征处理的最大方差展开(Maximum Variance Unfolding,MVU)维数简约的齿轮故障诊断模型。首先对获取的振动信号进行最小熵反卷积(Minimum Entropy Deconvolution,MED)预处理,将高低频段进行分离并筛除不确定信号,并在多域上提取信息熵作为特征指标;而后,利用样本点分布矩阵筛选高效表征特征指标并构建高维特征空间,并利用改进的MVU算法对其进行维数简约,获取低维的真实子空间;最后,将其输入到超球多类支持向量机中进行超球构造与分类识别。通过实验数据的分析对比验证模型的有效性。     

基于谱相关密度切片分析和SVM的滚动轴承故障诊断

为了对旋转机械中的滚动轴承进行故障分析,针对滚动轴承具有二阶循环平稳的特点,采用了谱相关密度组合切片分析方法进行特征提取,并将提取的特征作为输入向量,用"一对其他"多分类支持向量机进行故障识别,给出了基于谱相关密度组合切片分析和多类支持向量机的滚动轴承故障诊断流程图,该方法具有较高的计算效率和估计精度。最后通过对实验数据的分析与处理,验证了该方法在滚动轴承故障诊断中的可行性和实用价值。     

不均衡数据下基于SVM的故障检测新算法

针对传统支持向量机(SVM)算法在数据不均衡情况下无法有效实现故障检测的不足,提出一种基于过抽样和代价敏感支持向量机相结合的故障检测新算法。该算法首先利用边界人工少数类过抽样技术(BSMOTE)实现训练样本的均衡。为减少人工增加样本带来的噪声影响,利用K近邻构造一个代价敏感的支持向量机(CSSVM)算法,利用每个样本的代价函数消除噪声样本对SVM算法分类精度的影响。将该算法应用在轴承故障检测中,并同传统的SVM算法,不同类代价敏感SVM-C算法,SVM和SMOTE相结合的算法进行比较,试验结果表明当样本不均衡时,建议算法的故障检测性能较其它算法有显著提高。     

基于独立分量分析与相关系数的机械故障特征提取

提出一种基于独立分量分析与相关系数的机械故障特征提取方法。首先对不同工况的机械振动信号分别进行独立分量分析,获得各种工况信号的独立分量,这些独立分量中蕴含了该工况的一些内在特征;接着利用样本与不同工况信号提取的独立分量的相关系数绝对值的和作为该样本的特征,与直接利用相关系数作为特征相比鲁棒性与区分程度都得到提高;最后使用支持向量机作为分类器进行识别。分别进行了齿轮故障特征提取与轴承故障特征提取实验,实验结果表明,此方法可以很好地提取机械故障特征信息。本文方法的优点在于直接从振动信号的原始数据中进行特征提取,获取机械故障蕴含的一些特征,应用范围广,具有较高地工程应用价值。     

基于小波域隐马尔可夫模型故障诊断方法

针对基于小波能量谱和能量谱熵的故障诊断方法要求小波分解系数基本符合高斯分布这一不足,提出一种基于多尺度小波域隐马尔可夫模型(WHMM)参数特征的故障诊断方法.该方法分析了信号多尺度小波分解系数的统计特征,利用隐马尔可夫模型描述小波变换域系数在尺度间,尺度内的统计相关性.采用最大似然估计方法确定的模型参数作为信号特征实现故障诊断.试验结果证实了设计思想的正确性和算法的高效检测性能.最后从小波基、窗口宽度和分类器三个层面对建议方法诊断性能的影响进行分析,结果表明本文方法具有很强的稳定性和鲁棒性.     

基于双树复小波包峭度图的轴承故障诊断研究

针对传统包络谱和峭度图分析技术的缺陷,提出了一种基于双树复小波包峭度图的轴承故障诊断方法。该方法综合利用了双树复小波包变换和峭度图分析技术,克服了原峭度图方法只采用FIR和短时傅立叶变换滤波器的缺点,提高了从强噪声环境中提取瞬态冲击特征的能力。首先利用双树复小波包变换,将振动信号分解成不同频带的分量,然后计算各小波分量的谱峭度,再利用谱峭度的滤波器作用,计算最大峭度值对应分量信号的包络谱,根据包络谱就可识别齿轮箱轴承的故障部位和类型。齿轮箱轴承故障振动实验信号的研究结果表明：该方法不仅提高了信噪比和频带选择的正确性,而且能有效地识别轴承的故障。     

基于近场声全息的故障诊断方法及系统实现

针对基于振动信号故障诊断存在的接触式测量弊端及传统声学故障诊断只反映部分声学信息问题,将近场声全息技术引入故障诊断克服该缺陷。基于LabVIEW平台开发出的非接触式机械故障诊断系统,利用近场声全息重建机械声源面附近声压场,得到可视化声源的声像图;从声像图中提取反映声场空间分布的灰度共生矩阵特征,结合支持向量机模式识别实现智能故障诊断。该系统具备智能诊断测试、声源可视化、数据分析等功能,操作方便,可用性强。通过对齿轮箱故障诊断,正确率达97.3%。与传统声学诊断方法的对比,证明该系统可靠、实用。     

基于信息融合与FastICA的轴承故障提取方法

针对振动传感器监测信号易受噪声干扰的问题,提出一种基于FastICA算法与信息融合的轴承故障诊断方法。算法对各通道测得的信号采用FastICA算法进行降噪处理,采用自适应线性加权算法对降噪后信号进行数据层信息融合,最后基于谱峭度指标设计自适应带通滤波器,进行特征提取。此方法解决了低信噪比条件下的轴承故障特征提取问题。使用了仿真和实验轴承故障信号验证了算法的有效性。     

相关向量机及其在机械故障诊断中的应用研究进展

相关向量机是一种基于贝叶斯稀疏理论的新型机器学习算法,近年来被应用于多个行业,并得到了国内外学者的不断关注和研究,然而在机械故障诊断领域还未得到足够的重视。简述了相关向量机的特点,通过与支持向量机相比较,阐述了相关向量机的优缺点,综述和分析了近年来相关向量机的国内外研究现状,重点关注相关向量机在机械设备状态监测与故障诊断领域的研究进展。在此基础上,分析了相关向量机研究所存在的一些问题,并展望了相关向量机在机械故障诊断领域应用的未来方向。     

基于卷积神经网络图像分类的轴承故障模式识别

针对传统的基于数据驱动的机械故障模式识别方法中需要人工构造算法提取特征以及人工构造特征提取算法繁琐的问题,结合卷积神经网络(CNN)在图像特征自动提取与图像分类识别中的广泛应用,提出了一种基于CNN图像分类的轴承故障模式识别方法。首先,利用集合经验模态分解(EEMD)方法对轴承振动信号进行自适应分解并用相关系数对得到的本征模函数分量进行筛选。其次,对筛选得到的本征模函数分量进行伪魏格纳-威利时频分析(PWVD)计算得到信号的时频分布图,并对时频图进行预处理。最后,将轴承15种不同工况预处理后的时频图利用CNN进行特征提取与分类识别。将该方法与同类方法进行了对比,分类正确率提高了4.26%。     

基于最优广义S变换和脉冲耦合神经网络的轴承故障诊断

针对滚动轴承故障信号具有明显的非线性和非平稳特征,提出一种基于最优广义S变换和脉冲耦合神经网络(PCNN)的故障特征提取方法。首先采用基于时频聚集性最优化的广义S变换获取轴承故障信号的时频表示,然后利用脉冲耦合神经网络对最优广义S变换时频图进行二值分解,提取二值图像的捕获比序列用于表达故障信号的故障特征。对滚动轴承4种状态信号进行分析,验证方法的有效性。结果表明该方法能够提取出更加有效的轴承故障特征参数,有利于提高轴承故障诊断的精度。