基于FSVM改良隶属度的发动机振动故障识别

为了更好的对航空发动机整机振动进行故障诊断和识别,提出了改良的FSVM隶属度和多类隶属度与信息熵的融合定量分析方法,并且和传统的FSVM隶属度分析方法进行比较。对传统的FSVM的模糊隶属度函数改良后建立了多类模糊隶属度计算模型。通过实验实例验证了该多类模糊隶属度与信息熵相结合的技术对于航空发动机整机振动状态评估和故障诊断识别非常有效,计算出振动故障模式与故障原因之间的权值,建立了一个多参数的发动机振动状态分析模型;并对各类振动原因对发动机整体状态的影响进行定量分析,为发动机的振动抑制提供量化参考指标。     

基于紧密度FSVM新算法及在故障检测中的应用

针对传统的模糊支持向量机(FSVM)算法对边缘噪声敏感的不足,提出一种基于非线性紧密度和K最近邻方法(KNN)相结合的FSVM算法.该方法在计算样本隶属度大小时既考虑样本与类中心的距离,类中样本的紧密度,同时还考虑与其他类样本问的关系,其中紧密度的计算采用非线性数据分布描述方法进而使计算的隶属度更精确.实验结果同传统FSVM及其他改进的FSVM算法进行比较,对于国际标准测试数据及轴承故障检测问题,结果验证了建议算法具有很强的鲁棒性及高效的检测性能.     

航空发动机转子早期裂纹故障振动特征的维谱分析

针对航空发动机转子早期裂纹故障难以检测的特点首先,根据转子裂纹扩展机理,建立早期裂纹转子振动分析理论模型,提出利用112维谱对早期裂纹振动信号进行分析。然后,利用112维谱分析法对早期裂纹转子理论模型和早期裂纹转子故障实验数据进行了具体分析。理论模型和实验数据分析结果都表明:应用112维谱对实际发动机转子早期裂纹故障信号进行分析,不仅能够得到一般频谱分析法难以获得的故障特征频率,还能对混叠噪声信号进行降噪。因此,112维谱能够有效的诊断航空发动机转子裂纹故障,在航空发动机故障诊断中具有一定的应用价值。     

航空发动机整机振动问题中的高低压耦合振动研究

某航空发动机试验过程中出现振动大故障,通过试验过程中的频谱分析发现振动过程存在明显的高低压转子转速耦合频率,对发动机进行全面分解排查,查明振动原因是低压涡轮转子不平衡,低压涡轮转子不平衡的原因是平衡工艺存在不足,工艺过程中的重复拆装影响平衡质量,针对低压涡轮转子平衡工艺进行优化,保证低压涡轮转子的平衡质量,排除了振动故障。     

振动分析在离心泵空化监测中的应用

摘要：通过安装在不同测点位置的加速度传感器获取了离心泵的空化信号,利用时域和频域分析手段进一步探索离心泵空化的特点和规律。实验结果表明：位于泵壳上的测点B对空化更加敏感,更适宜作为空化监测点;空化前后,振动信号呈现出了先增大又逐渐减小的趋势,且在6kHz和8kHz出现明显的峰值; 5~8 kHz和8~12 kHz频带振动加速度级以及5~12 kHz宽带振动加速度级在空化后都有10dB左右的增大,能够明显的反映出空化的变化趋势,可以作为空化监测的特征量。     

双转子航空发动机整机振动建模与分析

针对实际的双转子航空发动机,建立了航空发动机双转子-支承-机匣耦合动力学模型.在耦合模型中,利用有限元方法对转子和机匣系统进行建模;支承系统采用了集总参数模型,计入了滚动轴承和挤压油膜阻尼器的非线性;定义了5种支承和连接方式,以适应复杂的双转子航空发动机转子-支承-机匣耦合系统建模.运用Newmark-β法和改进的Newmark-β法(翟方法)相结合的数值积分获取系统非线性动力学响应.最后进行了航空发动机的整机振动分析,分析了系统临界转速、应变能及不平衡响应灵敏度,研究了挤压油膜阻尼器的减振特性以及系统突加不平衡的瞬态响应.     

航空发动机整机振动信号分析

为了解决航空发动机的整机振动分析问题,提出一种基于谐波小波的振动信号分析方法。首选对振动信号进行谐波小波变换,得到信号的时频表示;根据时频图提取信号特征,得到信号的特征频率;根据与基频信号的对比,识别发动机的振动故障类型。实验结果表明,该方法可以准确地识别出发动机的三种典型振动故障。与传统基于小波分析方法相比,基于谐波小波的方法具有更准确的振动故障特征识别能力,适用于振动信号的分析。     

含裂纹故障的航空发动机转子系统动力学特性分析

针对某含有呼吸裂纹故障的航空发动机高压转子系统,研究了系统的动力学特性。考虑裂纹转子的时变特性,推导了裂纹转子的刚度矩阵,考虑重力及不平衡激励,采用转子动力学有限元法建立了系统的动力学方程。采用谐波平衡法对方程进行近似求解,给出了不同裂纹深度下的三维幅频图,表明在临界转速和1/n(n=2,3,4)倍临界转速处均有峰值出现;分析了裂纹深度、裂纹位置对系统振动响应的影响,表明位于跨中的深裂纹影响最大;计算了系统在升速过程中的三维频谱图,结果表明二倍频、三倍频、四倍频成分明显。用Newmark-β数值方法验证了计算结果的正确性。提出的空心轴呼吸裂纹的建模方法为航空发动机转子系统裂纹故障的非线性动力学分析提供了理论指导。     

改进的结构振动传递矩阵法

针对传递矩阵法中状态向量一阶导数计算复杂问题,改进状态向量的选取。不据边界条件而据方程选取状态向量,可大大简化状态向量一阶导数计算过程。在状态向量与边界条件之间引入关联矩阵,使传递矩阵求解过程更加简单。以圆柱壳振动方程为例,介绍改进的传递矩阵法并证明其正确性。通过求解约束阻尼圆柱壳表明,该方法求解多自由度复杂振动方程优点更显著。     

非线性复合FSVM在设备故障诊断中的应用

为了提高设备故障诊断的精度和准确性,利用模糊支持向量机（fuzzy support vector machine,FSVM）,处理设备故障样本中的噪声数据。单个核函数构成的FSVM可以处理单一特征的样本集,但不能满足现有设备故障分析实际应用的需求。本文在现有核函数的基础上,进行复合核函数构建,可以有效解决设备故障样本集异构和分布不规则的特征,并可以对于故障进行有效分析,得到较为诊断准确的研究结果。通过对滚动轴承故障实验数据的分析,证明基于复合核函数的FSVM方法,可以有效提高故障诊断的准确度。该方法相比传统FSVM的分析结果,其故障数据信息利用更加充分,故障诊断准确性有效提高,具有较好的有效性和可行性。     

基于PCA-GA-SVM的露天矿爆破振动速度预测模型研究

露天矿爆破振动速度受很多因素的影响,传统的经验公式和单一的神经网络模型无法满足现代爆破安全的要求。为提高预测爆破振动速度的精度,利用主成分分析(PCA)提取4个影响爆破振动速度的主成分作为模型的输入变量;结合遗传算法(GA)寻优获得支持向量机(SVM)惩罚系数c和核函数参数g为1.899 1和1.971 2,建立了基于PCA-GA-SVM的露天矿爆破振动速度预测模型,并成功应用于现场爆破工程。结果表明:该模型的平均相对误差为14.60%,建模时间为3.12 s,均方误差为0.131 5,与BP神经网络、传统SVM和GA-SVM对比,此模型具有更快的收敛速度和更高的准确率,为多因素影响下爆破振动速度预测提供了一种新的方法。     

基于进化蒙特卡洛方法的特征选择在机械故障诊断中的应用

特征选择可以从原始特征集中去除冗余特征,选择出优化特征子集,提高机械故障诊断精度和诊断效率。将进化蒙特卡洛方法引入机械故障诊断的特征选择。应用支持向量机(SVM)作为故障决策器,采用Wrapper式特征子集评价标准,并采用进化蒙特卡洛算法搜索最优特征子集。运用滚动轴承故障振动信号数据对提出的方法进行验证,实验结果表明该方法是有效的。     

基于振动分布特征的电力变压器绕组故障诊断

振动分析法是实现电力变压器带电监测与故障诊断的重要手段,而基于振动分析法的故障诊断方法的关键在于从复杂的油箱壁振动信号中提取出状态特征(值或矢量)。传统的状态特征提取方法大多选取单个测点的振动信号进行时域或频域特征的提取,往往忽略了各测点间的振动分布特征。从振动重心的角度对振动分布的幅值重心及重心轨迹进行研究与分析,能够提出四个量化参数。在四个量化参数的基础上结合支持向量机分类算法提出基于振动分布特征的变压器绕组故障诊断模型。实际变压器的绕组故障实验以及十余台台电力变压器现场实测数据样本的分析与测试结果均表明,提出的振动分布特征及量化参数能够有效反映变压器绕组变形、压紧力松弛等机械结构变化,而基于振动分布特征的绕组故障诊断模型也可准确的对变压器绕组机械结构状态进行检测与诊断。     

子类独立分量分析在声目标识别中的应用

针对已有的特征提取方法在多目标识别中的不足,提出了基于高阶统计分析的独立分量分析法特征提取方法,通过对多种目标的声音信号进行子类特征提取,并应用决策导向无环图支持向量机实现对多目标的有效分类。结果表明该算法在通过声音信号对多目标识别上,具有很好的应用前景。     

基于谱相关密度切片分析和SVM的滚动轴承故障诊断

为了对旋转机械中的滚动轴承进行故障分析,针对滚动轴承具有二阶循环平稳的特点,采用了谱相关密度组合切片分析方法进行特征提取,并将提取的特征作为输入向量,用"一对其他"多分类支持向量机进行故障识别,给出了基于谱相关密度组合切片分析和多类支持向量机的滚动轴承故障诊断流程图,该方法具有较高的计算效率和估计精度。最后通过对实验数据的分析与处理,验证了该方法在滚动轴承故障诊断中的可行性和实用价值。     

基于双隶属模糊支持向量机的中小企业信用评价

构建了中小企业信用评价的双隶属模糊支持向量机模型(DFSVM),使每个训练样本依双隶属度同时隶属于两个信用类别,并通过粗糙集的属性约简方法确定支持向量机的最优输入指标组合。考虑到银行对于信用风险的厌恶,在模型的训练阶段对样本进行了"非对称"处理。实证结果表明,与传统的判别分析方法相比,建立的企业信用判别模型精度更高,调整后的模型可以进一步降低银行的信用风险。     

内禀模态特征能量法在滚动轴承故障模式识别中的应用

针对滚动轴承振动信号和状态信息非线性映射关系,提出一种基于内禀模态函数（IMF）特征能量的轴承特征向量提取方法,并与支持向量机（SVM)相结合实现轴承的故障识别。该方法对滚动轴承振动信号进行经验模态分解（EMD）得到若干能反映轴承故障信息的IMF分量,选取包含主要信息的IMF能量作为振动信号的特征向量,并将其输入到SVM分类器中实现轴承故障模式识别。对滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障进行仿真试验,结果表明,该方法能够有效、准确地识别轴承故障。     

Mechanical Fault Diagnosis Using Support Vector Machine

The Support Vector Machine (SVM) is a machine learning algorithm based on the Statistical Learning Theory ( SLT), which can get good classification effects even with a few learning samples.SVM represents a new approach to pattern classification and has been shown to be particularly successful in many fields such as image identification and face recognition. It also provides us with a new method to develop intelligent fault diagnosis. This paper presents a SVM-based approach for fault diagnosis of rolling bearings. Experimentation with vibration signals of bearings is conducted. The vibration signals acquired from the bearings are used directly in the calculating without the preprocessing of extracting its features. Compared with the methods based on Artificial Neural Network (ANN), the SVM-based method has desirable advantages. It is applicable for on-line diagnosis of mechanical systems.     

HHT统计特征在航空发动机振动分析中的应用

航空发动机振动信号包含了多种振源的振动信号和大量的噪声分量。通过对其进行Hilbert-Huang变换, 将复杂信号分解为代表不同物理意义的单分量固有模态函数（Intrinsic Mode Functions, IMF）,然后对每一个IMF子带信号提取基于能量加权的广义粗糙度特征实现对振动信号的描述。最后将上述特征送入SVM分类器进行训练,根据分类器的输出结果确定航空发动机的工作状态和故障类型。通过对实测航空发动机试车时得到的振动信号的实验分析结果表明,该算法可以有效地识别发动机的振动故障。     

基于多尺度均值排列熵和参数优化支持向量机的轴承故障诊断

针对滚动轴承故障诊断中特征提取困难和模式识别准确率低等问题,提出了一种基于多尺度均值排列熵(MMPE)和灰狼优化支持向量机(GWO-SVM)结合的故障诊断方法。利用MMPE全面表征滚动轴承故障特征信息,选取适当维数特征构成样本数据集,采用GWO-SVM分类器进行故障模式识别。对所提基于MMPE和GWO-SVM故障诊断方法进行理论分析和研究,并利用滚动轴承试验数据进行相应对比试验分析,结果表明:MMPE能够有效提取滚动轴承故障特征信息;GWO-SVM识别准确率和识别速度优于滚动轴承故障诊断其它常用参数优化支持向量机;所提方法能够有效识别滚动轴承故障位置和故障程度,在滚动轴承数据集上取得了98.0%的故障识别准确率,高于基于MPE和GWO-SVM方法的97.0%准确率,并且在噪声背景下取得了93.5%的识别准确率,优于后者83.0%准确率,证明了所提MMPE具有更好的噪声鲁棒性。