基于ICA和SVM的滚动轴承声发射故障诊断技术

以滚动轴承为研究对象,提出了应用独立分量分析(ICA)和支持向量机(SVM)相结合进行滚动轴承故障诊断的方法.首先,对声发射信号(AE)进行自相关预处理,突出声发射信号的非高斯成分,使AE信号较好地满足独立分量分析的前提条件.然后,应用独立分量快速算法分离故障轴承的声发射信号,提取其状态特征向量,利用支持向量机的模式识别和非线性回归功能来完成滚动轴承故障的识别.试验结果表明,利用独立分量分析方法提取的故障状态特征向量与支持向量机相结合可以有效、准确地识别滚动轴承的故障模式,为滚动轴承故障诊断提供了一种新型的方法.     

基于DS–PCA模型的包装设备滚动轴承故障诊断方法研究

目的 针对包装设备长期连续工作的工作特性,对其滚动轴承的常见失效故障进行分析,提出一种基于DS–PCA模型的滚动轴承故障诊断方法,构建滚动轴承DS–PCA故障诊断模型,实现包装设备中滚动轴承的在线故障诊断。方法 先运用DS证据理论对采集到的滚动轴承径向振动数据和轴向振动数据进行融合,使得信息具有整体完备性,同时对采集信号进行决策规则下的去噪处理,剔除干扰噪声信息;然后利用主成分分析法(PCA)将融合后的振动信号数据进行Q与T²的统计量计算,并通过对故障轴承振动信号的Q与T²统计量计算,确立故障时的经验阈值;最后,依据实时统计量与经验阈值对比,判断滚动轴承是否发生故障。结果 通过对西储大学公开的滚动轴承试验数据分析计算,得到滚动轴承故障诊断准确率达到94%。结论 该方法满足包装设备故障诊断的要求,其应用将有利于提升包装企业的生产质量和效率。     

EEMD联合SOM的电机滚动轴承故障诊断

针对电机轴承振动信号的非平稳性、提取的信号不精确的特点,提出一种集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)、能量矩的特征提取方法与自组织特征映射网络(Self-organizing Maps, SOM)相结合的故障诊断方法。首先利用EEMD处理原始振动信号,将其分解成一系列具有不同特征时间尺度的固有模态分量(Intrinsic Mode Function, IMF)。由于轴承状态变化,在不同频带下IMF的特征随时间尺度和能量分布的不同而不同,由于能量矩能准确得到IMF的变化能量,故计算出各阶IMF的能量矩构造故障特征向量。其次,利用故障特征向量作为输入来构建SOM网络进行故障识别。最后通过轴承实验验证该方法的正确性。结果表明,该方法采用有限的训练样本就可以快速、准确地诊断滚动轴承故障。     

面向质量目标的Q控制图设计

针对大批量生产开始阶段的过程监控,提出了一种基于预定质量目标的Q控制图监控方法.其基本思路是利用面向质量目标的统计公差技术与Q控制图相结合应用,以实现大批量过程开始阶段均值和方差未知时面向质量目标的过程监控.基于质量目标建立统计公差(CP*,k*),并将该统计公差转化为基于给定置信概率的对CP和k的估计值的判定条件.通过案例分析,面向质量目标的Q控制图能够在过程保持受控状态的前提下以一定置信概率保证质量目标.     

基于MSET重构模型整体优化的轴承性能退化评估方法EI北大核心CSCD

针对传统单域特征指标无法充分表征轴承性能退化的状态信息,而基于多域高维特征向量的重构评估模型存在信息冗余且易受到不一致优化目标的影响而导致模型次优性能的问题,提出一种基于多元状态估计(multivariate state estimation technique, MSET)重构模型整体优化的轴承性能退化评估方法。首先,提取轴承振动信号的多个时域和频域特征、自回归模型系数和三层小波包Renyi熵组成高维多域特征向量,同时将健康状态的高维特征向量构建MSET重构模型的历史记忆矩阵;然后,利用遗传算法对轴承高维特征向量和MSET模型中的历史记忆矩阵进行同步联合优化,从而实现特征优选和重构评估模型的整体自适应优化,进一步提高降维后特征向量与重构模型的匹配性;最后,利用余弦相似度作为故障程度指标构建轴承性能退化评估曲线。西安交大-昇阳科技联合实验室滚动轴承疲劳试验全寿命数据分析结果表明,所提方法具有一定的有效性和可靠性。     

基于深度 Q 学习和连续小波变换的旋转机械故障诊断方法

针对旋转机械故障诊断中深度神经网络特征学习能力强、决策能力弱的问题,利用卷积神经网络拟合强化学习中的 Q 函数,通过 Q?learning 算法学习策略实现故障诊断,提出了基于深度 Q 学习和连续小波变换的旋转机械故障诊断方法。对振动信号进行连续小波变换得到时间尺度矩阵,构建出环境状态空间,实现智能体与环境间的交互;用 CNN 拟合 Q?learning 中的 Q 函数得到深度 Q 网络,将环境返回的状态输入到深度 Q 网络中学习故障数据具体的状态特征表示,并据此表征学习策略,智能体采用 ε?贪婪方式决策出动作,利用奖励发生器对动作进行评价;通过智能体与环境间不断交互学习以最大化 Q 函数值,得到最优策略实现故障诊断。这种方式融合了深度学习的感知能力和强化学习的决策能力,从而有效提高了诊断能力。通过不同工况及不同样本量下齿轮箱故障诊断实验证明了所提方法的有效性。     

基于多尺度形态分解谱熵的电机轴承预测特征提取及退化状态评估

由于预测特征提取与退化状态评估直接关系故障预测可信性,结合数学形态学与信息熵理论,针对电机滚动轴承,提出基于多尺度形态分解谱熵的预测特征提取方法,用灰色关联分析对退化状态进行评估。对不同损伤程度轴承振动信号进行多尺度形态分解,分别计算其在不同尺度域内的复杂性度量能谱熵、奇异谱熵,以其作为预测特征向量。建立标准退化模式矩阵,对待检测样本信号特征向量与标准模式进行灰色关联分析,据关联度大小对样本信号退化状态进行评估。并仿真与实例数据验证该方法对电机轴承退化状态评估的有效性。     

基于随机矩阵谱分析的特高压输电通道隐患自动检测方法研究

特高压输电通道隐患具有随机性,传统方法存在通道隐患检测准确率低、隐患种类鉴别能力差等问题,为此引入了随机矩阵谱分析法,检测特高压输电通道隐患.采用模块化设计方案完成隐患检测硬件框架设计,针对框架中节点能级间距难以计算的问题,引入随机矩阵谱分析方法计算节点能级间距;选择平均特征向量的谱半径作为线性统计特征向量,构建特征向量的随机矩阵,利用特高压输电通道故障区和非故障区电流信号频谱存在差异定位故障点,解决特高压输电通道隐患的随机性与位置不确定问题.仿真结果表明,所设计的基于随机矩阵谱分析的特高压输电通道隐患自动检测方法具有更高的通道隐患检测准确率,且能够准确地鉴别出隐患的类别,说明本文方法具有较好的监测效果.     

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。     

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Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于声场听觉感知的变压器故障诊断方法研究

精准的变压器故障诊断方法,对于保证变压器可靠运行具有重要意义.该文提出一种基于变压器声信号并考虑人耳听觉感知的变压器故障诊断方法.首先,通过模拟变压器不同工况条件,采集变压器正常工况和不同故障条件下的噪声样本;然后,基于人耳传声集总参数模型,计算各个样本的基底膜位移响应的统计平均值(statistical mean v...     

基于EMD的奇异值熵在转子系统故障诊断中的应用

提出了一种基于EMD（Empirlcal Mode Decomposition）和奇异值熵的转子系统故障诊断方法。该方法首先用EMD方法分解转子系统的振动信号，得到若干个基本内禀模式函数（Intrinsic Mode Function，简称IMF），然后利用IMF分量形成初始特征向量矩阵，并对初始特征向量矩阵求奇异值熵，奇异值熵的大小反映了转子系统运行状态的差别，从而可以通过奇异值熵的大小判断转子系统的工作状态和故障类型。对实验数据的分析结果证明了该方法的有效性。     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

基于分形维数和GA-SVM的风电机组齿轮箱轴承故障诊断

对风机齿轮箱轴承故障诊断进行了研究,提出一种基于分形维数和遗传算法支持向量机(GA-SVM)相结合的故障诊断算法。基于常用的时域特征参数作为支持向量机的识别参数,引入分形维数特征参数来提升支持向量机的识别精度。提出了基于遗传算法(GA)的支持向量机参数优化的模型,通过GA的寻优自动获得最优的支持向量机参数。采用某风场的风电机组齿轮箱轴承数据进行故障诊断,实验表明,所提出的GA-SVM模型很好地解决了参数选择的问题,同时基于分形维数的特征参数也提高了风电机组轴承故障的识别准确率。     

基于声成像模式识别的故障诊断方法研究

利用非接触式声学故障诊断技术的工作优点,发展了基于支持向量机的声成像模式识别技术,并引入到故障诊断领域。针对某种机械故障特点,在利用波束形成算法得到声像进行噪声源识别与定位的基础上,对声像进行图像处理,提取声像的纹理特征和奇异值特征,采用支持向量机进行训练分类,进而用于机械工作状态的诊断。通过仿真及实验,得到了较好的诊断效果,表明基于声像的图像特征提取技术在结合支持向量机后可应用于机械故障诊断,为声成像方法在故障诊断领域的应用提供参考。     

Adaptive Bearing Fault Diagnosis based on Wavelet Packet Decomposition and LMD Permutation Entropy

Bearing fault signal is nonlinear and non-stationary,therefore proposed a fault feature extraction method based on wavelet packet decomposition( WPD) and local mean decomposition( LMD) permutation entropy,which is based on the support vector machine( SVM) as the feature vector pattern recognition device.Firstly,the wavelet packet analysis method is used to denoise the original vibration signal,and the frequency band division and signal reconstruction are carried out according to the characteristic frequency. Then the decomposition of the reconstructed signal is decomposed into a number of product functions( PE) by the local mean decomposition( LMD),and the permutation entropy of the PF component which contains the main fault information is calculated to realize the feature quantization of the PF component. Finally,the entropy feature vector input multi-classification SVM,which is used to determine the type of fault and fault degree of bearing.The experimental results show that the recognition rate of rolling bearing fault diagnosis is 95%. Comparing with other methods,the present this method can effectively extract the features of bearing fault and has a higher recognition accuracy.     

Feature selection and fault‐severity classification–based machine health assessment methodology for point machine sliding‐chair degradation

In this paper, we propose an offline and online machine health assessment (MHA) methodology composed of feature extraction and selection, segmentation‐based fault severity evaluation, and classification steps. In the offline phase, the best representative feature of degradation is selected by a new filter‐based feature selection approach. The selected feature is further segmented by utilizing the bottom‐up time series segmentation to discriminate machine health states, ie, degradation levels. Then, the health state fault severity is extracted by a proposed segment evaluation approach based on within segment rate‐of‐change (RoC) and coefficient of variation (CV) statistics. To train supervised classifiers, a priori knowledge about the availability of the labeled data set is needed. To overcome this limitation, the health state fault‐severity information is used to label (eg, healthy, minor, medium, and severe) unlabeled raw condition monitoring (CM) data. In the online phase, the fault‐severity classification is carried out by kernel‐based support vector machine (SVM) classifier. Next to SVM, the k‐nearest neighbor (KNN) is also used in comparative analysis on the fault severity classification problem. Supervised classifiers are trained in the offline phase and tested in the online phase. Unlike to traditional supervised approaches, this proposed method does not require any a priori knowledge about the availability of the labeled data set. The proposed methodology is validated on infield point machine sliding‐chair degradation data to illustrate its effectiveness and applicability. The results show that the time series segmentation‐based failure severity detection and SVM‐based classification are promising.