基于ICEEMDAN与支持向量机的轴承故障诊断方法

针对DF4型机车轮对轴承不同健康状态的辨识问题，提出改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与灰狼寻优算法优化支持向量机(GWO-SVM)结合的故障识别方法。对机车轮对轴承不同故障信号利用ICEEMDAN方法分解为若干模态分量(IMF);根据相关系数准则将IMFs重构出典型的特征信号，并计算不同状态的特征信号在多尺度上的样本熵值，构成多尺度样本熵MSE特征向量；通过灰狼算法对SVM的核参数c和g进行全局寻优，增强SVM模型的分类性能，实现对轴承故障状态的准确识别。采用某局机务段JL-501机车轴承试验台数据验证所提模型的有效性，结果表明：ICEEMDAN-MSE与GWO-SVM结合的机车轮对轴承故障诊断方法能够准确地对轴承健康状态进行识别，准确率达96.86%;与参数自选的SVM模型和CEEMDAN-MSE+GWO-SVM等模型相比，文中所提方法的故障识别率分别提高了23.57%和3.48%。     

基于形态分形维数与改进ELM的轴承故障预测

将形态分形维数作为轴承故障预测特征量,形成轴承故障预测特征量序列。同时,为优化极限学习机(ELM)预测模型,综合考虑模型的精度、预测趋势及稳定性,提出一种序列关联度系数及其计算方法,对ELM预测模型进行优化,并利用提取的故障预测特征量序列对模型进行训练。用轴承全寿命数据进行验证,结果表明,形态分形维数的变化情况较好反映了轴承性能退化的过程,改进的ELM预测模型实现了对轴承故障的有效预测,且其精度及稳定性较原始ELM预测模型有一定提高。     

钢筋混凝土框架近断层速度脉冲地震响应分析

针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。     

SSAE和IGWO-SVM的滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。     

改进灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

针对灰狼算法易陷入局部最优和后期寻优能力不足等缺点,提出改进非线性控制因子以提高算法收敛精度及稳定性.采用美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)"Gearbox Reliability Collaborative"项目测试采集的风力机齿轮箱振动信号为分析对象,经集合经验模态分解后,计算各本征模态函数分量的模糊熵并构建高维特征向量,后利用等距映射进行降维.利用改进灰狼算法优化支持向量机,对降维后齿轮箱故障特征集进行诊断.结果 表明:改进灰狼优化算法相较于灰狼算法、粒子群算法和遗传算法可有效避免陷入局部最优并提高支持向量机诊断精度及稳定度,在不同测试样本下其准确率均最高,平均准确率达93.17％.     

基于IFOA-TCA的跨工况轴承故障诊断

为解决不同工况下轴承振动数据分布不一致且目标工况轴承诊断数据不足的难题，提出一种采用改进果蝇优化算法(IFOA)优化主题相关性分析(TCA)的跨工况轴承故障诊断方法。首先，通过联合混合模型挖掘源域与目标域轴承故障样本数据中的共有主题与领域独有主题；其次，以共有主题为桥梁，映射领域独有主题并共同构建一个新的特征空间；然后，选用逻辑回归模型，在新的特征空间里利用源域轴承故障样本数据训练模型，并通过训练好的模型输出对目标轴承的故障诊断结果；最后，调整果蝇优化算法中味道浓度判定值的取值方式并采用多种策略改进果蝇优化算法，将改进果蝇优化算法用于优化主题相关性分析中的超参数，提高对目标工况轴承的故障诊断精度。     

基于云理论及GG聚类的滚动轴承故障辨识方法

为了探讨不同特征对区分滚动轴承故障状态贡献的大小,在特征层面上使轴承的定性概念与定量数据建立关联,以达到敏感特征提取的目的,将云理论引入到滚动轴承的特征筛选中,并将所提方法结合GG(Gath-Geva,简称GG)聚类应用于滚动轴承的故障辨识。首先,对滤波消噪后的振动信号提取高维原始特征集,建立滚动轴承在不同运行状态下的云分布模型;然后,利用正向云发生器分别求出不同样本下各特征对轴承状态的确定度,设定阈值筛选原始特征集中对轴承运行状态贡献度大的特征,计算其出现的概率并作为权值,提出一种基于云理论加权特征选择方法,筛选出敏感特征集;最后,利用主成分分析（principal component analysis,简称PCA）对敏感特征集降维并输入至GG聚类中,完成故障辨识。实验结果表明,相较于传统的特征选择方法,所提算法在聚类评价指标及故障辨识率上具有明显的优势。     

基于ISVD多级降噪和SVM的轴承故障诊断研究

在强噪声背景下难以提取出滚动轴承的故障特征，导致对轴承的故障诊断准确率不高，针对这一问题，提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先，采用小波降噪对滚动轴承的原始信号进行了初始降噪，消除了部分的随机噪声；然后，主要通过改进相空间矩阵重构方式，对该信号进行了改进奇异值分解二次降噪，并提出了新的奇异值有效秩阶次确定方法，利用峭度对一维信号提取方案进行了优化，并对其完成了降噪；最后，通过提取了10个有效特征，结合支持向量机在MATLAB中进行了仿真实验，分析了不同特征对轴承的故障诊断结果的影响，并将方法与其他方法进行了对比分析。研究结果表明：采用多级降噪算法降低了轴承工作状态下的背景噪声，使其故障特征频率更为明显；支持向量机分类诊断器的故障识别准确率达到98.3%,能够有效地识别轴承故障发生的位置和严重程度。     

基于高阶统计特征实值阴性克隆选择算法的轴承故障检测

为解决轴承故障检测领域中异常样本数据不易收集的现实应用问题,提出一种基于实值阴性克隆选择算法(Real-valued negative clone selection,RNCS)的一类轴承故障检测模型。该模型只需要正常样本数据进行训练,利用改进的RNCS生成故障检测器集合以此实现轴承故障检测。该算法通过引入自适应变异算子和克隆成熟度判定算子,能够提高原有算法抗体的检测能力并加快算法收敛速度。为解决因高阶统计特征(Higher order statistics,HOS)信息繁多而无法有效实现智能检测的不足,模型利用HOS特征矩阵分解的奇异值谱为特征进行检测,该方法不仅有效地减少了数据维度及训练时间,同时还降低了噪声影响提高了检测性能。试验中对不同参数选择及不同正常训练样本个数情况下的检测器性能进行了分析,不同检测器个数之间的性能比较也在试验中给出。将建议的方法同原有算法进行比较,试验结果验证了设计思想的正确性和算法的高效检测性能。     

一种基于小波包变换和监督NPE的滚动轴承故障诊断方法

为提高滚动轴承故障诊断的性能,结合故障敏感特征的选择,提出了一种基于小波包变换(WPT)和监督NPE的滚动轴承故障诊断模型。首先,WPT对原始振动信号进行处理,利用终端节点的单支重构信号得到多域统计特征,构成原始特征集。然后,为减少特征集中的冗余信息和干扰特征,提出一种基于朴素贝叶斯的故障敏感特征选择方法(FSNB)。为了进一步降低冗余信息和运算复杂度,提出一种基于类别标签的监督邻域保持嵌入(SNPEL)方法,实现对高维特征集的低维表示。最后,利用K近邻(KNN)算法实现滚动轴承的故障诊断。采用12种轴承故障数据来验证提出的故障诊断模型的性能,结果表明,提出的模型可以实现较高的故障诊断准确度和较好的适应性。     

基于变分模态分解与灰狼算法优化极限学习机的滚动轴承故障诊断

提出了基于变分模态分解(VMD)和灰狼算法优化极限学习机(GWO-ELM)的故障诊断方法.采用变分模态分解对轴承振动信号进行分解,计算分解后本征模态分量的模糊熵并构建多尺度特征向量,将其输入灰狼算法改进极限学习机中进行故障模式识别.通过西储大学滚动轴承故障数据分析了变分模态分解及模糊熵算法中的参数选择问题,并随该算法进...     

变风速条件下风力机轴承故障特征提取

针对风速变化条件下风力发电机轴承故障特征的检测问题,提出了一种基于灰狼优化( GWO )和双稳态杜芬振荡器的随机共振( SR )的故障特征提取方法.首先,根据风速估计故障特征信号的频率,通过合适的采样频率采集风力发电机的振动信号并对采集的信号做归一化处理.随后,根据风速尺度引入变换系数对频率 时间尺度进行变换.此外,利用灰狼算法方法将杜芬振子的阻尼比和系统参数调整到最优值.最后,通过杜芬系统和尺度恢复获得可识别信号.结果表明,所提出的方法能提取原始信号中的故障特征信号.     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。     

基于SVD-LMD模糊熵与PNN的滚动轴承故障诊断

为了提高轴承故障特征信息提取的有效性,实现轴承故障模式智能识别,提高故障诊断效率。提出一种基于SVD-LMD模糊熵相结合的特征量化和PNN网络识别相结合的滚动轴承故障诊断方法。首先运用SVD降噪技术对原始信号降噪,运用LMD分解将降噪后的非稳定信号分解成若干个稳定的乘积函数分量(PF)。其次利用模糊熵能表征时间序列复杂程度并具有稳定的统计性,提取PF分量的模糊熵,组成N维特征向量,实现故障特征量化。构建PNN网络模型,将特征向量输入PNN训练,实现故障类型识别。最后对比PNN算法与BP算法性能,验证PNN算法的优越性。实验数据分析结果表明,所提方法在少量数据样本情况下故障诊断准确率高达93.75%。     

基于混合智能新模型的故障诊断

为了解决机械设备中早期故障和复合故障识别的难题,提高故障诊断的准确率,利用经验模式分解(Empirical mode decomposition,EMD)、改进的距离评估技术、自适应神经模糊推理系统(Adaptive neuro-fuzzy inference system, ANFIS)和遗传算法(Genetic algorithm, GA)等技术,提出一种综合运用多征兆域特征集和多个分类器的混合智能诊断模型。该模型在特征提取之前,利用滤波、EMD、解调等预处理技术挖掘潜藏在动态信号中的故障信息;从原始振动信号和预处理信号中,分别提取从不同侧面表征设备运行状态的时域和频域统计特征,得到6个特征集。采用提出的一种改进的距离评估技术选择特征,从6个原始特征集中相应地筛选出6个敏感特征集。将6个敏感特征集输入到基于GA组合的多个ANFIS分类器以得到最终的诊断结果。该模型在电力机车轮对轴承的故障诊断中实现了轴承不同故障类型、不同故障程度,以及复合故障的可靠识别,获得了满意的诊断结果。应用结果也验证了基于改进的距离评估技术的特征选择方法的有效性。     

航空发动机的IGWO-KELM故障诊断方法

为提高航空发动机滑油系统的故障诊断有效性，提出了一种改进的灰狼算法优化核极限学习机（IGWO-KELM）的航空发动机故障诊断方法，对航空发动机进行了故障诊断技术研究。首先对航空发动机滑油系统的参数数据进行预处理，利用核独立分量分析（KICA）将数据映射到核空间，消除原始特征向量间的相关性，并提取特征系数矩阵；其次，由提取的特征矩阵创建KELM故障模型，为减少人为调节网络参数的随机性对诊断结果造成的影响，采用IGWO算法优化KELM的网络参数，并创建IGWO-KELM故障诊断模型；最后，对所创建的IGWO-KELM故障诊断模型进行了试验验证。结果表明，所提出的IGWO优化KELM的故障诊断方法能有效提高航空发动机故障诊断准确率，诊断准确率达96%，具有很好的应用前景。     

基于奇异值差分谱与改进包络分析的轴承故障特征提取

针对滚动轴承振动信号故障特征难以提取的问题,提出了一种基于奇异值差分谱与改进包络分析的轴承故障特征提取方法。首先,通过奇异值分解将原始轴承振动信号分解为一系列能够线性叠加的分量信号,利用故障特征分量和噪声分量在奇异值上的差异,根据奇异值差分谱的性质筛选出有效奇异值,选择包含故障特征的分量重构信号。针对奇异值分解去噪后仍存在残余噪声,采用改进包络分析,在频域中进一步去除重构信号中的残余噪声。最后对实测轴承信号进行分析,准确地提取到故障特征明显、故障频率突出的轴承故障信号,完成故障诊断。     

基于LLTSA算法维数约简的滚动轴承故障诊断

针对滚动轴承高维故障特征集识别精度低的问题,提出基于线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)算法的维数约简故障诊断模型。首先结合小波包分解、时域、频域及时频域统计方法构造全面表征轴承不同故障特性的混合域特征集,通过敏感度的特征选取方法,从混合特征集中选取轴承故障的敏感特征集,再利用LLTSA算法将高维敏感特征集约简为故障区分度更好的低维特征矢量,并用模糊C均值(Fuzzy C-means,FCM)聚类算法进行故障模式识别,本研究方法能够突出不同特征对分类的贡献率,强化敏感特征,弱化不相关特征,提升了分类精度。最后用深沟球轴承不同部位故障诊断实例验证该模型的有效性。     

基于时频图与双通道卷积神经网络的轴承故障识别模型

采用传统的信号处理方法难以从轴承振动信号中提取能全面准确反映轴承运行状态的故障特征，并且实际工程中采集的数据量难以满足深度学习方法的要求(需要较大数据量),针对这些问题，提出了一种基于时频图与双通道卷积神经网络(CNN)的轴承故障识别模型(方法)。首先，基于样本熵和峭度，构造了新的目标函数，利用灰狼优化算法(GWO)对变分模态分解(VMD)方法进行了参数优化，当目标函数达到最小值时，得到了其最优参数组合；然后，使用经过参数优化后的变分模态分解(VMD)方法对轴承信号进行了处理，将处理后得到的模态分量进行了平滑伪Wigner Ville分布(SPWVD)计算，累加其计算结果后，最终得到了轴承的时频图；其次，利用连续小波变换(CWT)直接对原始信号处理得到了时频图；最后，将采用两种方式得到的时频图分别作为双通道CNN的输入，对网络进行了训练，由CNN提取了其时频图特征，并对轴承故障进行了识别分类和诊断。实验结果表明：采用该方法在轴承故障实验中得到的准确率为99.69%,在10次实验中的平均准确率达到了99.61%,相比于单通道CNN和支持向量机(SVM)等方法，该方法有着更高的准确率和更出...     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。