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。     

基于小波包和PSO-BP的风机滚动轴承故障诊断

为了识别风电机组运行过程中滚动轴承的运行状态并提高故障诊断率,该文提出了一种基于小波包分解和粒子群算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承4种故障状态下的振动信号为研究对象,首先,采用小波包对振动信号进行分解、重构,提取各故障状态下的故障特征向量,将其作为BP神经网络模型的输入值。其次,针对BP神经网络的缺点,通过粒子群算法优化BP神经网络的权值和阈值构建PSO-BP故障诊断模型,试验结果表明,基于小波包和PSO-BP的方法能够很好地提高风电机组滚动轴承故障模式识别的准确率。     

基于小波包变换和奇异值分解的柴油机振动信号特征提取研究

为通过振动信号识别柴油机的工作状态,提出利用小波包变换和奇异值分解提取振动信号特征的新方法。给出了小波包变换算法及奇异值分解算法,依据矩阵奇异值特征向量,定义了振动信号特征参数,并探讨了特征参数与柴油机运行状态之间的内在联系。结果表明：特征参数能够敏感地反映柴油机工作性能的变化。随着柴油机工作性能的恶化,振动强度的增加,特征参数变大。特征参数可作为柴油机状态监测和故障诊断的特征量。     

基于紧致型小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出基于紧致型小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号通过小波包分解来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断。通过对往复泵液力端多故障诊断实例的检验表明,该系统故障诊断正确率达到94 %以上。     

基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法

为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。     

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function, IMF),对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断     

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。     

基于改进BP的分子泵故障诊断研究

分子泵为EAST装置提供洁净的真空环境,其运行状态影响EAST实验的顺利开展。由于在EAST实验运行过程中,分子泵设备可能会出现异物坠入或者真空泄漏故障,对装置造成次生危害。针对分子泵故障数据集不平衡导致故障诊断精度低以及模型过拟合问题,提出一种基于时域频域预处理与改进BP相结合的算法,实现分子泵故障诊断。通过在BP神经网络的基础上,引入粒子群算法(PSO)并结合五折交叉验证优化模型。首先在模拟分子泵故障的破坏性测试平台上,采集正常态、真空泄漏以及异物坠入故障振动信号,然后对数据进行时域频域特征提取融合,将得到的特征向量集作为优化算法的输入,对模型进行训练,实现分子泵故障诊断。经实验验证,所提出改进BP算法在诊断精确率上可以达到96.84%,优于支持向量机(SVM)、K近邻（KNN）和BP算法。     

基于噪声辅助信号特征增强的滚动轴承早期故障诊断

针对滚动轴承振动信号特征提取在滤除干扰噪声的同时会将部分有用信号滤除,造成特征信号丢失的问题,提出了一种基于噪声辅助信号特征增强的滚动轴承早期故障诊断方法。采用广义多尺度排列熵筛选准则筛选振动信号,并通过粒子群优化算法优化Duffing振子系统参数,实现Duffing振子系统、输入信号与噪声间的最优匹配,从而提高随机共振效果,将部分背景噪声能量转移到滚动轴承早期微弱故障信号特征上,实现了早期微弱故障信号特征的增强。将所提方法应用于滚动轴承全寿命状态早期故障诊断,并与基于VMD的自适应形态学方法相比较,结果表明了该方法的有效性和可行性。     

基于NIC-DWT-WOASVM的齿轮箱混合故障诊断

由于齿轮箱中振动信号的复杂性和非平稳性,致使齿轮箱混合故障诊断工作具有一定难度。针对这一问题提出基于NIC-DWT-WOASVM的齿轮箱混合故障诊断方法。首先通过窄带干扰消除(Narrow Band Interference Canceller, NIC)滤除原始信号中齿轮啮合和转轴等窄带干扰信号,接着对信号进行离散小波变换(Discrete Wavelet Transform, DWT),重构小波系数得到小波分量,提取分量的方差作为特征参数构成特征矩阵样本。针对传统优化支持向量机收敛速度慢及容易局部最优等问题,提出鲸鱼算法优化的支持向量机(Whale Optimization Algorithm Support Vector Machine, WOASVM),运用训练样本对WOASVM进行训练得到优化分类模型,将测试样本输入到优化模型中得到诊断结果。为验证方法的有效性,开展了变工况下齿轮箱混合故障实验,通过实验分析及与其他方法的比较,证明方法对于齿轮箱混合故障诊断是有效的。