基于邻域自适应局部保持投影的轴承故障诊断模型

为了有效利用振动信号进行故障诊断,提出了一种基于邻域自适应局部保持投影的轴承故障诊断模型。首先,利用EMD将轴承振动信号分解为若干个平稳的固有模态函数（IMF）,对IMF分量建立自回归（AR）模型,构建原始特征子集。然后,利用邻域自适应局部保持投影算法对原始特征子集进行降维处理,获得原始特征子集的低维特征向量和投影矩阵。以低维特征向量为输入,以最小二乘支持向量机（LS-SVM）为分类器,通过研究故障识别率和低维特征空间维数的关系确定最优降维维数和对应的最优投影矩阵。最后,根据最优降维维数完成降维处理过程,得到低维特征向量,输入LS-SVM分类器,识别轴承的工作状态和故障类型。实验结果表明,该模型提高了轴承故障诊断的精度。     

基于多尺度关联维数和流形学习的自动机故障诊断

针对自动机振动信号非平稳、非线性的特点,提出基于多尺度关联维数和线性局部切空间排列(linear local tangent space alignment,LLTSA)相结合的自动机故障诊断方法。首先,利用局部特征尺度分解(local characteristicscale decomposition,LCD)将自动机振动信号分解为不同尺度下的内禀尺度分量(intrinsic scale component),提取出反映状态信息的主要分量并计算各分量的关联维数。然后,利用线性局部切空间排列算法挖掘出可区分度更高的特征子集。最后,将得到的低维特征输入支持向量机进行识别,自动机故障诊断实验表明,所提方法具备较高的诊断准确率。此外,将LCD与经验模态分解(empirical mode decomposition,EMD)和局部均值分解(local mean decomposition,LMD)方法的诊断结果进行比较,验证所提方法的优势。     

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。     

多域特征在行星齿轮箱局部故障识别中的应用

行星齿轮箱运动复杂,其振动过程中的调幅调频特性使得振动信号成分复杂且呈非线性,增加了行星齿轮箱故障识别的难度。采用相空间重构法分别构建信号时域及频域空间;通过局部均值分解及瞬时频率计算构建信号时频联合域空间,解决了经验模式分解方法对噪音敏感、存在负频率及虚假模态问题;利用奇异值分解法提取信号多域空间特征;在局部切空间排列降维基础上,改进虚假近邻点法来估计本征维数及最优k邻域,并通过局部切空间排列法对多域奇异值特征空间进行降维,获取低维流形特征,从而识别太阳轮、行星轮和齿圈的局部故障。上述理论方法经行星齿轮箱试验台及工程数据验证,有效识别出齿轮的局部故障。     

带标志点的LTSA算法及其在轴承故障诊断中的应用

针对非监督式流形学习算法面临的增量式学习问题,提出一种带标志点的增量式局部切空间排列算法.该方法在局部切空间排列算法的基础上,利用最小角度回归算法从原始训练样本中选取标志点,以选取的标志点和新增样本建立所有样本的全局坐标矩阵,利用原始样本低维嵌入坐标和全局坐标矩阵对新增样本的低维嵌入坐标进行估计,并采用全局坐标矩阵特征值迭代方法更新所有样本的低维嵌入坐标.滚动轴承4种不同状态振动数据样本的增量式识别结果表明,本方法在实现局部切空间排列算法增量式学习的基础上,保持了对滚动轴承不同状态样本较高的类别可分性测度.     

基于独立特征选择与流形学习的故障诊断

为了有效利用特征集所包含的敏感特征进行故障诊断,提出基于独立特征选择(Individual Feature Selection,IFS)与流形学习的故障诊断方法。从多个角度提取振动信号的混合特征,构建原始高维特征集。采用一种改进的核Fisher特征选择方法为每两类故障状态独立选择敏感特征集,并通过线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)算法挖掘出可区分度更高的特征子集。采用"一对一"的方法训练多个二类分类支持向量机(Supported Vector Machine,SVM),将得到的低维特征输入多分类故障诊断模型进行识别。液压泵故障诊断实验表明,所提方法具备较高的诊断准确率。     

基于LTSA与K-最近邻分类器的故障诊断

针对局部切空间排列算法(LTSA)的效果受近邻数k值影响较大的缺点,提出基于聚类准则的LTSA与K-最近邻分类器的故障诊断模型。基于振动信号的时域特征构建高维特征矩阵;对高维矩阵进行标准化预处理,依据聚类准则确定局部切空间排列中的最佳近邻数k,运用LTSA提取高维矩阵的低维特征向量;将提取的低维特征向量利用K-最近邻分类器进行故障模式识别。采用轴承诊断实验系统进行验证,结果表明,基于聚类准则的优化方法可有效地克服近邻数k选择的盲目性,提高了局部切空间的降维精度和故障模式识别正确率,其在轴承时域特征维数约简方面,效果优于主成分分析(PCA)与拉普拉斯特征映射(LE),适用于轴承故障诊断。     

基于相空间重构和非线性流形的滚动轴承复合故障诊断

针对滚动轴承振动信号的非平稳以及非线性特点,提出了一种基于相空间重构和非线性流形的滚动轴承复合故障诊断方法。该方法首先将滚动轴承一维振动信号重构到高维相空间,然后计算重构信号协方差矩阵的特征值,以此组成轴承故障诊断原始特征集;采用局部切空间排列算法对原始特征集作特征压缩后,将获得的新的特征输入到K-means分类器中进行轴承故障的识别与聚类。实验结果表明,与经典的线性分析方法PCA相比,该方法的聚类效果更好。     

基于LCD-LLTSA的电动汽车电机轴承故障特征频率提取

为有效提取出电动汽车电机轴承故障特征频率,将局部特征尺度分解、线性局部切空间排列和包络分析进行结合,用于电动汽车电机轴承的故障特征频率的提取。首先利用局部特征尺度分解对电动汽车电机轴承故障信号进行分解,得到若干个内禀尺度分量;然后利用线性局部切空间排列对由内禀尺度分量构成的矩阵进行降维处理,得到低维矩阵并以此进行信号重构;最后对重构信号进行包络谱分析,获得故障特征频率。仿真信号和实验信号的实验结果验证了方法的有效性。     

一种根据时序数据预测机械故障的方法

本文提出基于核空间边距测度的特征选择方法,并进一步给出了基于流形学习的故障诊断方法流程。为使设备故障的模式识别结果更加准确有效,在对振动信号执行降噪处理之后需要从中提取大量故障特征,但是随之会出现混合域高维特征之间的冲突和冗余问题。本文利用基于核空间边距测度的特征选择方法获取加权敏感特征,同时综合基于邻域成分选择的谱分类方法、基于自适应局部切空间排列和加权重构的非线性降噪算法,得到了集非线性降噪、特征构造和特征约简为一体的故障诊断方法。     

基于局部切空间排列和最小二乘支持向量机的气缸压力识别

为了提高缸盖振动信号恢复气缸压力的识别精度,提出一种基于局部切空间排列(LTSA)和最小二乘支持向量机(LSSVM)的气缸压力识别方法。首先提取缸盖振动信号时域、频域及小波包能量域特征,组成高维特征集,利用LTSA算法提取高维特征集的低维本征流形特征,然后把降维后的特征参数集作为LSSVM模型输入,缸压信号作为LSSVM模型输出,通过多个样本对LSSVM模型进行训练,从而获得气缸压力的重构模型。试验结果表明:基于局部切空间排列和最小二乘支持向量机的气缸压力识别方法具有精度高、泛化能力强等优点。     

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VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。     

基于变分模态分解与流形学习的滚动轴承故障特征提取方法

提出了一种基于变分模态分解(VMD)和局部切空间排列算法(LTSA)相结合的滚动轴承早期故障诊断方法。首先利用VMD算法分解圆柱滚子轴承不同运行状态下的振动信号,通过求取瞬时频率均值并绘制特征曲线筛选出与原始信号最为相关的几个分量;然后,提取有效模态分量的时域指标和小波包频带分解能量所构成的频域指标,两者结合初步提取高维故障特征后,再应用LTSA对故障特征进行二次提取;最后输入到K-means分类器进行故障类型识别;通过对圆柱滚子轴承故障诊断的对比实验分析,发现:(1)与时频特征+LTSA、EMD+LTSA特征提取方法相比,VMD+LTSA方法在分类效果和识别精度上更具优势;(2) LTSA算法相比较于PCA、LPP、LE、ISOMAP和LLE这5种算法,其降维后的特征故障敏感性最好。研究结果表明所提出的方法在圆柱滚子轴承故障诊断方面具有一定的优越性。     

基于变分模态分解与流形学习的滚动轴承故障特征提取方法EI北大核心CSCD

提出了一种基于变分模态分解(VMD)和局部切空间排列算法(LTSA)相结合的滚动轴承早期故障诊断方法。首先利用VMD算法分解圆柱滚子轴承不同运行状态下的振动信号,通过求取瞬时频率均值并绘制特征曲线筛选出与原始信号最为相关的几个分量;然后,提取有效模态分量的时域指标和小波包频带分解能量所构成的频域指标,两者结合初步提取高维故障特征后,再应用LTSA对故障特征进行二次提取;最后输入到K-means分类器进行故障类型识别;通过对圆柱滚子轴承故障诊断的对比实验分析,发现:(1)与时频特征+LTSA、EMD+LTSA特征提取方法相比,VMD+LTSA方法在分类效果和识别精度上更具优势;(2) LTSA算法相比较于PCA、LPP、LE、ISOMAP和LLE这5种算法,其降维后的特征故障敏感性最好。研究结果表明所提出的方法在圆柱滚子轴承故障诊断方面具有一定的优越性。     

增量式监督局部切空间排列算法及齿轮箱故障诊断实验验证

针对局部切空间排列算法面临的无法利用样本标签信息和不能高效处理增量式维数约简问题,提出一种新的增量式监督局部切空间排列算法(Incremental Supervised Local Tangent Space Alignment,ISLTSA)。为充分利用训练样本标签信息,在LTSA算法的基础上加入散度矩阵,构造新的最小目标函数,使得高维样本的低维嵌入坐标同类聚集、异类分离。对于新增样本可能影响部分训练样本局部邻域,更新全局坐标矩阵,获取训练样本低维坐标和新增样本低维坐标,并作为初值进行特征值迭代实现所有样本全局坐标的更新。结合支持向量机分类算法,将ISLTSA算法应用于齿轮箱的故障状态识别,实验分析验证了该方法的监督学习能力,可提高故障状态识别率,并具备增量学习能力,可降低维数约简方法的复杂度。     

基于图像形状特征和LLTSA的故障诊断方法

针对滚动轴承故障诊断问题,提出了一种基于图像形状特征和线性局部切空间排列(LLTSA)的故障诊断方法。首先采用SDP(Symmetrized Dot Pattern)方法对时域信号进行变换,得到极坐标空间下的雪花图像,在分析图像特点的基础上,从图像处理的角度初步提取出图像的形状特征;然后利用LLTSA对初步提取的特征进行维数约简以提取低维特征;最后采用支持向量机(SVM)对低维特征进行分类评估。滚动轴承的故障诊断实验表明图像形状特征能够表征轴承的状态,经LLTSA约简后特征数据的复杂度得到降低,且具有更好的聚类效果,而SVM对轴承4种状态的识别率也达到了100%,验证了该方法的有效性。     

基于ASL-Isomap流形学习的滚动轴承故障诊断方法

针对滚动轴承故障特征集维数高及冗余问题,提出一种基于自适应自组织增量学习神经网络界标点的等度规映射(Adaptive self-organizing incremental neural network landmark Isomap,ASL-Isomap)流形学习的滚动轴承故障诊断方法。首先,从时域、频域、时频域以及复杂域提取振动信号的故障特征,构建高维混合域故障特征集;其次,采用ASL-Isomap方法对高维混合域故障特征集进行维数约简,提取出低维、敏感特征子集;最后,应用核极限学习机(Kernel extreme learning machine,KELM)分类器对低维特征进行故障识别。ASL-Isomap方法集成自适应邻域构建和SOINN界标点选取的优势,能够更有效挖掘数据的低维本质流形。圆柱滚子轴承故障诊断实验验证该故障诊断方法的有效性和优越性。     

基于局部线性嵌入和云神经网络的转子故障诊断方法

提出了一种基于流形学习的汽轮机转子故障诊断方法。利用振动信号构造一个能够表示该信号的矩阵作为流形学习的输入数据,使用局部线性嵌入算法对矩阵进行维数约简,实现了高维数据向低维空间的嵌入,从而有效提取了故障特征。文中使用云神经网络分类器测试LLE算法输出维数大于3时的故障诊断率,并分析了各个参数对诊断率的影响。该方法克服了在样本较少的情况下故障诊断的困难,能在有限的故障数据中发掘故障特征并进行故障诊断。     

基于多尺度时不可逆与t-SNE流形学习的滚动轴承故障诊断EI北大核心CSCD

为了精确地提取机械振动信号的非线性故障特征,提出了一种新的振动信号复杂性测量方法——多尺度时不可逆。同时结合t-分布邻域嵌入(t-SNE)流形学习和粒子群优化-支持向量机(PSO-SVM),提出了一种新的滚动轴承故障诊断方法。采用多尺度时不可逆提取复杂振动信号的特征信息;利用t-SNE对高维特征空间进行降维;将低维特征向量输入到基于PSO-SVM多故障模式分类器中进行识别与诊断。将提出的方法应用于试验数据分析,并与现有方法进行了对比,分析结果表明,该方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且优于现有方法。