有监督不相关局部Fisher判别分析故障诊断EI北大核心CSCD

针对现有流形学习理论用于旋转机械故障诊断存在识别精度不高的问题,提出基于有监督不相关局部Fisher判别分析(Supervised Uncorrelated Local Fisher Discriminant Analysis,SULFDA)的新型故障诊断方法。首先构造全面表征不同故障特征的时频域特征集,再利用有监督不相关局部Fisher判别分析将高维时频域故障特征集化简为区分度更好的低维特征矢量,并输入到K-近邻分类器中进行故障模式辨识。有监督不相关局部Fisher判别分析在类标签指导下最小化同类流形的离散度并最大化异类流形的离散度来实现类判别,还施加了不相关约束条件使所提取的特征统计不相关,提高了针对旋转机械的故障诊断精度。深沟球轴承故障诊断实验验证了该方法的有效性。     

基于伪标签半监督核局部Fisher判别分析轴承故障诊断

针对轴承故障诊断应用中多特征融合导致的维度高、相关性强、信息冗余等问题,提出一种基于伪标签半监督核局部Fisher判别分析(Semi-supervised Kernel Local Fisher Discriminant Analysis, SS-KLFDA)轴承故障诊断方法。为了能利用大量无标签样本提高算法判别性能,该方法首先采用密度峰值聚类算法对样本进行聚类分析得到伪标签,然后通过增加规范化项到局部FDA算法的类内散度矩阵和类间散度矩阵中,以此保持无标签样本的聚类结构一致性,最后通过局部FDA算法来保持有标签样本类间散度最大化和类内散度最小化并求解最佳投影向量;为了能适应非线性数据降维,进一步给出了基于核的伪标签半监督局部Fisher判别算法。试验部分通过同其他流行降维算法在不同维度、不同特征集合以及不同分类算法条件下进行轴承故障诊断性能对比,结果表明基于伪标签半监督核局部Fisher判别分析方法的分类精度明显优于其他降维算法,投影后的系数向量具有更好的区分能力,使故障诊断性能得到了很大提升。     

基于半监督邻域自适应正交判别投影的转子故障诊断

针对故障特征集维数过高导致故障难以辨识的问题,提出一种基于半监督邻域自适应正交判别投影(SSNA-ODP)的转子故障诊断方法。提取原始振动信号的时域、频域、时频域特征构造混合域特征集;利用SSNA-ODP方法对混合域特征集进行维数约简,提取出有利于实施分类的低维特征子集;输入到支持向量机(SVM)中进行模式识别。典型故障数据样本的应用验证情况表明,该方法能够改善ODP方法在有标记样本较少时的泛化能力和使用全局统一邻域参数的数据流形特征,从而有效提高了故障识别的准确率。     

基于近邻元分析的滚动轴承故障诊断方法

提出基于近邻元分析（Neighborhood Component Analysis, NCA）的滚动轴承故障诊断模型。利用NCA技术对滚动轴承信号的时、频域特征向量降维,并对降维后向量分类,成功区分滚动轴承四种状态。通过Fisher判别函数定量分析目标维数对NCA降维效果影响,确定最佳特征约简目标维数。为突出NCA方法优势,将NCA与PCA两种不同降维方法进行对比。实验结果表明,NCA作为监督式降维方法,其聚类效果好于PCA。     

基于多传感器两级特征融合的滚动轴承故障诊断方法

针对单个传感器获取信息有限导致诊断精度不足的问题,提出一种基于多传感器两级特征融合的故障诊断方法,并将其应用于不同工况下的滚动轴承故障诊断中。首先,在第一阶段特征融合中,通过变分模态分解计算每个传感器振动信号的本征模态函数(intrinsic mode function, IMF),消除噪声等冗余信息;再根据IMF提取时域、频域和多尺度熵特征,在一维特征层面融合成一个多域特征集。其次,在第二阶段特征融合中,首先构建基于Swish激活函数和log(cosh)损失函数改进的深度自编码网络,在此基础上进一步融合多域特征集并进行故障分类。将所提模型应用于不同工况下的滚动轴承故障诊断数据集,试验结果表明,与现有方法相比,所提方法具有更高的分类准确率和鲁棒性。     

基于Tri-Training的制冷系统半监督故障诊断

针对以往制冷系统故障诊断需采用已知运行状态的有标签数据,导致大量无标签数据信息无法利用的问题,本文提出一种基于Tri-Training的制冷系统半监督故障诊断方法,改善制冷系统故障诊断性能。采用一台316 kW离心式冷水机组7类典型故障的实际数据对该诊断方法进行验证,结果表明：该方法具有有效性,挖掘无标签数据信息的Tri-Training半监督故障诊断模型相比支持向量机(SVM)、K近邻(KNN)、随机森林(RF)3种有监督诊断模型,性能显著提高,总体诊断正确率达到99.43%,对系统级故障的诊断正确率提升1.73%～3.90%,虚警率、漏报率、误报率均有不同程度改善。同时,表明该故障诊断模型中3个基分类器的故障诊断性能及其多样性是影响该模型对制冷系统中无标签数据利用的主要因素。     

基于半监督邻域自适应LLTSA算法的故障诊断

为了有效利用振动信号进行故障诊断,提出了一种基于半监督邻域自适应线性局部切空间排列(SSNALLTSA)算法的故障诊断方法。从多域提取振动信号的混合特征,构建原始高维特征集。利用半监督邻域自适应线性局部切空间排列算法对原始特征集进行维数约简,提取出辨识性较高的敏感特征子集。将得到的低维特征输入SVM分类器进行识别,判断故障类型。液压泵故障诊断实验结果表明,该算法克服了LLTSA无监督和使用全局统一邻域参数的不足,可更有效地寻找数据的低维本质流形,提高了识别准确率,具有一定优势。     

融合注意力机制的改进DBN变工况齿轮箱故障诊断方法

针对齿轮箱在交变工况下运行时导致的故障模式难以识别、分类精度降低的问题,提出融合注意力机制的改进深度置信网络(DBN)变工况齿轮箱故障诊断方法.为解决齿轮箱单一时、频域特征反应故障信息不全面、异常不敏感问题,提取时域、频域、小波包时频域特征形成高维特征集.利用深度置信网络具有的贪心学习优势分别对其进行挖掘,同时结合注意...     

基于多维振动特征的滚动轴承故障诊断方法

单独提取滚动轴承振动信号的时域或频域特征进行故障诊断,是目前常用的轴承诊断方法,诊断精度有待提高。以时域和频域的多维振动特征参量为指标,以历史诊断正确率作为特征参量权值,分别对滚动轴承的无故障和经常出现的滚珠故障、内环故障和外环故障工况进行特征提取和故障识别。多维时频域振动特征是单维特征依据诊断精度权重的集合。运用BP神经网络分别对信号的时域特征(TDF)、IMF能量矩(IEM)、小波包能量矩(WPEM),以及多维时频域特征进行智能故障判别。实验验证用多维时频域振动特征参量综合诊断的方法进行滚动轴承故障诊断,比单维特征的诊断结果精确且效率较高,该方法可以在滚动轴承故障诊断领域展开应用。     

基于滑动平均与相关向量机的齿轮早期故障智能诊断

早期故障及时检测与预防维护具有很大的经济与安全意义,提出一种基于相关向量机(RVM)的智能故障诊断方法用于检测齿轮早期故障。首先,小波包变换与Fisher准则结合,自动确定最优分解层次,并在小波包树节点能量中提取出具有最大分类能力的全局最优特征;其次,RVM用于训练故障诊断模型;最后,在线监控过程中,对连续监测的特征值做滑动平均滤波,再输入到故障诊断模型。实验表明,该方法具有很高的分类精度,RVM模型比SVM模型更适合在线故障监测。     

结构裂纹时序分析的几种识别法

本文利用随机时间序列模式识别技术对具有闭裂纹和开裂纹的工程梁结构进行了故障及其类型的诊断和判别。利用AR(n)模型建立并推导了Fisher 线性判别函数、广义残差方差判别函数、格林函数面积特征量和距离判别函数(即欧几里德距离、K—L 信息距离和广义残差方差距离)。对一悬臂梁在不同状态下的62组随机响应数据进行了故障诊断和判别分析。结果表明,本文所提出的识别方法具有良好的准确度和可靠性,可直接用于结构故障的实时在线诊断和状态监测。     

子域适应无监督轴承故障诊断

针对深度无监督轴承故障诊断网络仅对齐全局分布,未考虑源域和目标域每个类别细粒度信息的问题,提出了一种子域适应无监督端到端轴承故障诊断网络。该网络采用一维卷积神经网络进行特征提取,利用多分类函数构建分类器,通过最小化局部最大平均差异和分类器损失函数,进行相关子域的分布对齐。在江南大学轴承故障数据集对该方法进行有效性验证。结果表明,该方法在目标域数据无标签的情况下,识别正确率明显高于其他5种目前流行的领域自适应故障诊断方法,t分布随机邻居嵌入结果显示该方法有效对齐源域和目标域类别信息,验证了该方法的可行性和有效性。     

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     

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型

提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。     

基于L_(1)范数振动传递率的梁构件损伤识别研究EI北大核心CSCD

基于传递率函数在频域给定结构各测点输出响应间的函数关系而无需测量结构输入荷载信息的特点,提出了L_(1)范数归一化传递率函数结构损伤识别方法。首先,对加速度响应数据频域分析构建传递率函数矩阵,通过主成分分析法实现传递率频域特征的降维,提取与梁结构损伤特征高度相关的特征,以不同状态下的主成分有无发生偏离为依据来判断结构是否发生了损伤;其次,结构如果发生损伤,其损伤前后的传递率函数会发生变化;最后,将传递率函数进行L_(1)范数归一化,构建L_(1)范数归一化传递率函数损伤指标。数值仿真和试验结果表明,该方法可有效识别结构不同的损伤位置及程度,识别精度高,具有一定的噪声鲁棒性。     

基于WMRMR的滚动轴承混合域特征选择方法

为充分利用时域、频域以及时频域中的有效特征,提高滚动轴承故障诊断准确率,提出一种混合域特征集构建方法,利用原始信号分别生成时域和频域特征集,通过经验模式分解提取固有模态函数的排列熵和Hilbert谱的奇异值作为时频域特征集,使得混合域特征集比单域特征更能全面准确反映轴承运行状态。针对混合域特征集存在维数过高、特征之间冗余性严重的问题,采用加权最大相关最小冗余的特征选择方法,以支持向量机分类正确率为依据,选取7个有效特征向量。实验结果表明:基于WMRMR的混合域特征选择方法的分类准确率可达98%,能够有效的识别轴承故障信息。     

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。     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

支持张量机与KNN-AMDM决策融合的齿轮箱故障诊断方法

针对齿轮箱故障诊断时使用单一传感器进行信号获取过程中存在信息不完整的问题,导致故障特征信息及诊断推理方法具有随机性和模糊性。利用多传感器信息融合的二阶张量特征作为输入,构建了一个支持张量机和集成矩阵距离测度(Assembled Matrix Distance Metric,AMDM)的K最近邻分类器(k-nearest neighborhood classifier,KNN)决策融合故障诊断模型。首先,对多传感器信息时频域特征层进行融合,获得二阶张量的特征样本;其次,分别构建基于集成支持张量机、KNN-AMDM的故障诊断模型,并针对两类故障诊断模型的输入,设计了两种基本概率分配赋值的转化方法,通过不断调整参与的传感器数目获得6种不同的故障征兆张量集,进而得到12种不同的初步故障诊断结果;最后,采用D-S证据理论对12个证据体提供的基本概率分配值进行融合决策,得到最终的齿轮箱故障诊断结果。实验对比表明,该方法可提高齿轮故障诊断结果的可信度。     

基于深度置信网络的制动器故障诊断方法

针对吊车制动器故障诊断中故障机理复杂、先验知识欠缺、传统的故障诊断方法精度不高和人工依赖大等问题,本文提出一种基于深度置信网络(DBN)的制动器故障诊断方法。该方法通过柔性薄膜传感器阵列获取制动器不同工况的实时特征数据及信号,利用网络的无监督特征学习和有监督微调,构建制动器故障诊断的深层网络模型,从而实现了对制动器的故障诊断及预测。最后,分别与支持向量机(SVM)和遗传算法(GA)优化的BP神经网络(GA-BP)进行了对比研究,通过实验证明了本文方法的优越性。