基于局部平衡判别投影的旋转机械故障诊断方法

针对旋转机械故障数据的多类别、高维复杂特性导致的分类困难问题,提出一种基于局部平衡判别投影(LBDP)的故障数据集降维方法。从时域、频域和时频域多个角度提取转子振动信号的混合特征,构建原始高维故障特征集;通过LBDP选择出其中最能反映故障本质的敏感特征子集;将得到的低维特征子集输入到K近邻分类器(KNN)中进行故障模式辨识。通过一个双转子系统的振动信号集合验证了所提出方法的有效性,证明了该方法能够全面地提取出局部判别信息,使故障类别之间的差异性更清晰。     

基于图嵌入概率半监督判别分析的故障辨识

针对现有旋转机械早期故障辨识方法在训练样本稀少条件下辨识性能极易衰退的关键问题,提出基于图嵌入概率半监督判别分析(Graph-implanted probability-based semi-supervised discriminant analysis,GIPSSDA)维数化简的早期故障辨识方法。该方法在训练样本稀少条件下用GIPSSDA将训练和待测样本的高维时、频域早期故障特征集化简为类区分性更好的低维特征矢量,提高了终端学习机优化证据理论K近邻分类器(Optimized evidence-theoretic k-nearest neighbor classifier,OET-KNNC)对早期故障的辨识精度。GIPSSDA集成了半监督邻接图嵌入技术,能同时利用待测样本的类判别信息和局部几何结构搜索分类的最优映射子空间,因此在训练样本非常稀少的情况下也能产生较好的分类效果。深沟球轴承早期故障辨识试验验证了该早期故障辨识方法的有效性和优越性。     

基于Bagging改进算法变压器油中气体故障诊断研究

针对变压器故障征兆与故障类型间映射关系的不确定性及模糊性问题,以变压器油中溶解气体数据作为变压器故障类型的判断依据,利用Bagging算法把弱分类器变为强分类器的特点,提出了Bagging的改进算法,并对该算法的性能进行了测试,测试结果表明该方法具有较好的分类精度。将Bagging改进算法应用到变压器油中气体故障诊断中,仿真实验结果表明,基于Bagging的改进算法优于boost集成算法及BP神经网络和支持向量机等最新方法。该方法精度达到90.67%。     

基于支持向量机集成的模拟电路故障诊断

为了解决模拟电路故障诊断复杂多样难于辨识的问题,有效提高分类的准确度,提出了一种支持向量机集成的故障诊断方法.首先,该方法对采集信号进行Haar小波变换,提取1~5层小波变换的每层第1个低频系数构成特征集.然后将特征集输入集成支持向量机,实现对不同故障类型进行识别.将该方法应用于Sallen-Key带通和4运放双二次高通滤波电路进行故障诊断实验,结果表明,该方法比单一支持向量机、径向基神经网络、BP神经网络和集成K-NN分类器有更好的分类和泛化性能,故障诊断准确率更高.     

发动机缸盖振动信号特征提取与优化选择算法

为了从发动机缸盖振动信号中提取出完备的、高质量的状态特征,并选择出最优特征子集进行分类,建立了缸盖振动信号集成特征提取模型,提出了一种基于样本分散度的最优特征子集选择算法。集成特征提取模型选取多个完整工作循环数据处理,用提升小波包对其进行快速变换,消除波动影响和噪声,求取所构造特征集的各特征值,得到包含完备发动机状态信息的特征向量;最优特征子集优化选择算法,建立了基于样本分散度的特征选择模型,解决了冗余分类信息的消除问题,结合分类器选择出最优特征子集,使其规模与分类效果综合最优,用欧氏距离分类法和支持向量基分类器进行测试,所有40个特征输入分类器正确率分别为67.86%和70%,优化选择后特征个数分别降低为6个和5个,而分类正确率提高到了90.71%和90%。     

基于MSKPCA和SVM的转子故障诊断模型及应用

为提高转子故障分类与辨识的准确率,围绕故障数据的降维问题开展了研究工作。在构造了多核函数的一种特殊形式多尺度核函数前提下,研究了多尺度核函数主成分分析(Multi-Scale Kernel Principal Component Analysis,MSKPCA)法在转子故障原始特征集降维中的应用途径。将获得的新的故障特征集输入到支持向量机(SVM)进行训练与辨识,建立了具有多尺度核多层核的转子故障诊断模型。研究结果表明,在多尺度核主成分分析法中合理地选用多尺度核函数,能够更好地提取转子故障不同尺度下的敏感信息,可为转子故障辨识提供更加精确的样本,能有效地提高转子故障诊断的准确率。该研究为转子系统故障数据特征降维提供了一种新方法,为核方法在转子故障诊断中的应用提供了新的思路。     

化工系统海量数据的扩散映射和异常辨识

为充分提取化工系统中的故障特征以辨识故障类型,提出针对动态系统海量数据的故障分类方法。该方法利用扩散映射算法与扩散映射的线性增量算法,对高维空间中的化工系统运行数据进行降维,提取出数据中的低维流形特征。利用降维后的故障样本训练支持向量机多类分类器,实现系统在线数据异常辨识。通过田纳西—伊斯曼仿真数据和实际生产运行数据验证了方法的可行性和高效性。与其他类似分类方法对比,该方法具有更高的分类精度。     

深度在线小波极限学习在旋转机械故障诊断中的应用

由于旋转机械故障诊断模型训练时间长,容易过拟合以及传统的极限学习机只能处理批量数据,实效性差等问题。提出一种基于深度在线小波极限学习机的旋转机械故障诊断方法。将自编码器的思想引入小波极限学习机中,堆叠形成WELM-AE,将底层的故障特征向更加抽象的高级特征转换。再采用在线极限学习机作为顶层分类器进行故障识别。实验结果验证：该算法在旋转机械故障诊断上的可行性,继承了极限学习机训练速度快的特点,相较于BP、SVM、SAE、CNN有更高的准确率。     

基于集成卷积神经网络的行星齿轮智能诊断方法

针对行星齿轮箱故障振动特征需要预处理、识别困难以及诊断模型收敛速度较慢的问题,提出基于集成卷积神经网络的行星齿轮箱智能故障诊断方法。首先,采用一维卷积对齿轮的原始时域振动信号提取特征,之后通过采用两个弱分类器,根据弱分类学习错误率的性能更新样本权重,调整权重后根据训练集训练弱分类器。重复此过程,最后通过设置策略整合弱分类器,形成集成卷积神经网络;建立一个稳定用于行星齿轮箱的智能故障诊断的模型。实验结果表明：集成卷积神经网络能很好地对行星齿轮原始振动信号进行快速诊断。相对于传统卷积神经网络对齿轮原始时域振动故障信号的诊断具有更强的辨识能力和更快的收敛速度;所建立的智能诊断模型可以有效地诊断齿轮不同的故障状态。     

基于敏感瞬态冲击特征提取与分层极限学习机的行星齿轮箱故障诊断研究

在行星齿轮箱故障智能诊断中,针对其振动信号特征"难提取"、构建的特征向量集"质量差"以及基于极限学习机的故障分类模型"精度低"的问题,提出一种如何捕获其振动信号中敏感瞬态冲击特征并据此构建高维特征向量集与提升极限学习机故障分类精度的行星齿轮箱太阳轮的状态辨识方法。首先,将所测取振动信号分别经快速峭度图求解和变分模态分解,筛选出与其最大峭度值对应中心频率fω相匹配的若干个本征模函数,然后,求其改进多尺度排列熵值来构建高维特征向量集;其次,利用去噪自动编码器使极限学习机隐含层节点的输入权值和阈值满足正交条件实现其隐含层的分层;最后,将上述特征向量集作为分层核极限学习机的输入,通过训练建立行星齿轮箱太阳轮的故障分类模型。结果表明,所提方法实现了太阳轮振动信号中敏感瞬态冲击特征的有效提取及其特征向量集的高质量构建,同时也提高智能诊断模型的分类精度。