VMD奇异值和FCM的转子故障特征提取与识别

为了准确、有效地提取转子故障特征,提出了变分模态分解(VMD)和奇异值特征提取的方法,并采用模糊C均值聚类(FCM)进行转子故障识别。首先,利用分解精度高、模态混叠问题少的VMD算法进行振动信号分解,形成初始特征向量矩阵,然后对该向量矩阵进行奇异值分解,将求得奇异值作为故障特征向量,最后通过模糊C均值聚类形成聚类中心,并计算海明贴近度以实现不同工况下的转子故障分类。将此方法进行转子实验台振动数据验证,实验结果表明:该方法能够有效实现不同工况下转子故障信号的区分,取得了理想的故障诊断结果。     

基于改进密度峰值聚类的航空发动机故障诊断

针对快速搜索发现密度峰值聚类(CFSFDP)算法存在的密度中心选择不方便、聚类精度不高的问题,提出基于马氏距离的自动搜索发现密度峰值的聚类算法。该算法将马氏距离引入距离测定中,提高了聚类精度;提出聚类中心判定参数γ,自动获得了聚类中心。采集航空发动机转子模拟振动信号实验数据,分别采用传统CFSFDP算法、改进后的CFSFDP算法、K均值聚类和模糊C均值聚类进行分析,结果表明,所提算法能够很好地改善聚类精度,其聚类精度相比K均值聚类和模糊C均值聚类有很大优势,且在故障特征的分类与识别上均优于其他两种算法。     

基于振幅熵和功率谱重心的转子振动故障诊断

对信号进行特征提取是故障诊断的关键,为了提高转子振动故障诊断的准确性,根据转子振动的特点提出了基于振幅熵H(A)与功率谱重心C的转子振动故障诊断方法.通过计算功率谱的重心得到表征功率谱变化的功率谱重心特征,计算振幅的熵值得到反映幅值分布特征与振动集中程度的振幅熵特征,组成二维特征量(H(A),C).然后通过转子故障模拟实验采集数据,对其进行DBSCAN聚类、K均值聚类、层次聚类、网格聚类4种聚类分析.结果表明,基于振幅熵H(A)与功率谱重心C的二维特征量(H(A),C)能够作为评价转子振动状态的综合特征指标.通过对传统的二维特征量(偏度、均方根值)、(裕度、标准差)运用网格聚类法进行转子振动故障诊断识别,结果表明,(H(A),C)的选取较于传统特征量的选取能更好地对转子运行中出现的常见故障进行区分.     

基于熵聚类RBF神经网络的机械臂轨迹跟踪控制

为了提高机械臂轨迹跟踪控制的快速性和精确性,提出了基于熵聚类神经网络算法的机械臂运动控制器。分析了RBF神经网络原理,使用熵聚类算法得到原始数据的聚类中心数和聚类中心值,从而确定了神经网络结构和基函数中心值,避免了传统算法中使用K-means方法的重复迭代过程,使用梯度下降法调整神经网络传递权值;将神经网络辨识与神经网络控制相结合提出了机械臂运动控制器;经实验验证可以看出,相比于传统的RBF神经网络方法,基于熵聚类神经网络算法的控制器在轨迹跟踪快速性和精度上均具有明显优势。     

基于Rough set知识获取的故障数据表聚类离散化方法研究

为了从故障诊断实例的数据资源中知识获取,对具有连续属性值的故障实例数据表转化为Rough set(RS)理论离散数据类型的决策表的正确映射进行了研究.将改进的k-means聚类算法用于故障实例数据表的离散映射方案设计.在设置故障实例的导师决策类别数为聚类数k对论域划分的基础上,提出了根据均值聚类中心排序序号构造离散映射符号集、相对均值聚类中心由相似测度确定连续属性值映射编码的离散化方案.实例表明,该方法反映了转子振动故障特征的一般规律,断点设置具有动态自适应和抗干扰特性.获得的决策规则可用于构造和扩充故障诊断知识库.     

基于双阶自适应小波聚类的复合故障诊断

有效特征向量的提取与故障诊断方法是实现航空发动机转子故障快速正确诊断的关键。首先根据航空发动机转子振动信号的非平稳及非线性的特点,应用小波变换和Hilbert-Huang变换方法提取振动信号的有效值、边际谱重心和小波变换最大能量层的功率谱重心三个特征向量,然后应用双阶自适应小波聚类方法对航空发动机转子进行多类型混合故障诊断。结果表明双阶自适应小波聚类方法能快速准确地实现故障分类与识别,尤其对于密度分布不均匀的多类型混合数据,诊断精度显著高于传统的小波聚类方法。     

基于动态聚类的电力变压器故障诊断

本文提出了一种新电力变压器故障诊断的动态聚类方法，以人工免疫网络对故障样本进行免疫学习和记忆，提取表征故障样本的有用特征作为核可能性聚类算法的初始聚类中心，再用遗传算法动态选取聚类个数和中心实现故障样本的分类。该诊断方法经大量实例分析，并将其结果与BP神经网络等方法的结果相比，表明该算法具有较高的诊断精度。     

基于膜计算的水电机组故障识别

本文对水电机组振动故障进行识别研究,提出了一种基于膜计算的粒子群模糊聚类方法;该方法利用粒子群算法对模糊均值聚类算法的聚类中心进行优化,并利用膜计算增加粒子群的种群多样性;最后将所给方法成功应用于水电机组振动故障识别;并与粒子群优化的FCM算法、FCM算法、K-means算法进行比较,说明所给方法的优越性。     

用于转子故障诊断的改进小波聚类算法

为了快速准确地实现转子故障的模式识别与分类,提出了改进小波聚类方法。首先,从转子振动信号中提取峭度指标、功率谱重心和小波能谱熵三个特征向量;其次,量化特征空间,提取显著网格单元信息;然后,对显著网格单元内数据信息进行小波变换实现去噪处理;最后,应用广度优先搜索方法实现聚类。在改进小波聚类过程中,信息储存表的建立降低了空间复杂度,并使得原始数据与聚类结果建立了映射关系。应用广度优先原则搜索相邻的显著网格单元实现聚类,降低了聚类算法的复杂度。实验验证与比较说明,改进小波聚类算法能够扩展应用到高维数据空间,并且降低了高维数据空间的算法复杂度,提高了转子故障诊断的效率和正确率。     

基于粒子群优化模糊聚类的旋转机械故障诊断

提出基于柱子群优化模糊聚类分析的算法,并将其用于旋转机械的振动故障诊断。该算法以模糊C一均值算法（FCM）的聚类目标函数作为粒子群的适应度函数来衡量各聚类中心的优劣,并依据聚类有效性指标自动确定最优聚类数及聚类中心,有效的结合了FCM极易陷入局部最优的缺点以及粒子群算法全局寻优的优点。实践表明,该方法提高了旋转机械故障诊断的准确率,既可正确判断单一故障,又可有效诊断复合故障,从而证明了该算法的有效性。     

基于LabVIEW的旋转机械远程故障诊断系统研究

针对北京燕山石化炼油厂某烟气轮机进行旋转机械远程故障诊断的研究,设计并开发了远程故障诊断系统原型.首先通过转子实验台模拟烟机的振动信号,以LabVIEW为平台对转子振动信号进行获取和分析;然后利用BP神经网络的方法对其进行故障诊断;最后通过B/S结构网络体系的构建,完成整个远程故障诊断原型系统的开发.     

模糊Kohonen神经网络的旋转机械故障诊断

针对传统故障诊断方法不能解决旋转机械故障诊断的模糊性问题,提出一种基于模糊Kohonen神经网络的故障诊断模型,通过模糊量化处理故障样本模式和在Kohonen网络中使用邻域函数自动调整权重程度的改进学习算法,较大提高了网络的学习速度和聚类能力,能对具有模糊性的复合故障进行诊断,是一种适合于复杂旋转机械故障诊断的有效可行的方法。     

基于模糊神经网络的高阶频段振动信号故障诊断研究

将模糊神经网络技术应用于机械故障高阶频率振动信号的研究,参考齿轮和转子故障模式并结合专家经验建立了螺杆压缩机转子故障诊断专家系统知识库,利用振动频谱特征就螺杆压缩机的几种故障模式结合一种模糊神经网络故障诊断模型进行了模糊神经网络识别。算例诊断结果为压缩机阴阳转子型线加工误差,与试验结果一致。     

基于神经网络的齿轮故障诊断专家系统

基于齿轮典型故障机理及其信号特征,采用时域、幅值域与频谱分析相结合的诊断方法,建立了齿轮故障诊断神经网络模型,试验验证模型诊断结果具有较高准确性。基于Windows平台和Visual C＋＋语言,开发了基于神经网络的齿轮故障诊断专家系统,将传统的时频信号分析理论与现代小波分析、神经网络和专家系统技术融入齿轮故障诊断之中,形成一个更加完善基于神经网络的齿轮故障诊断专家系统。     

基于局部切空间排列和K-最近邻分类器的转子故障诊断方法

为了解决大型机械设备故障数据难以准确快速提取的问题,提出了一种基于局部切空间排列(LTSA)和K-最近邻分类器的转子故障诊断模型。首先基于转子的振动信号构造一个高维多征兆矩阵,利用LTSA提取高维矩阵的低维特征向量,映射在可视空间里;然后将提取的低维特征向量输入K-最近邻分类器进行故障模式识别。试验和数据降维仿真过程表明,该模型的准确度和快速性均优于LTSA和神经网络以及LTSA和支持向量机组成的故障诊断模型。     

EMD方法在转子局部碰摩故障诊断中的应用

针对转子系统局部碰摩故障振动信号的特征，将经验模态分解方法（Empirical Mode Decomposition，简称EMD）应用于转子局部碰摩故障诊断中。采用EMD方法对转子振动信号进行分解，实现碰摩、背景和噪声信号分离，从而提取转子系统局部碰摩振动信号的故障特征。试验分析结果表明，对具有局部碰摩故障的转子振动信号进行EMD分解得到的基本模式分量（IMF）具有明显的调幅特性，而其他状态下的转子振动信号经过EMD分解后得到的IMF分量没有明显的调幅特性。因此，EMD方法可以有效地应用于转子系统局部碰摩故障诊断中。     

基于优化分簇贝叶斯网的转子振动故障诊断

针对柴油发动机的充电发电机结构及振动的复杂性导致其转子振动故障具有多层次性、耦合性和随机性,以及故障信息不完整性等特点,提出了一种基于振动频谱分析和贝叶斯网络的转子振动故障诊断方法。该方法将故障源和故障现象根据专家经验数值化表示并离散化,运用改进的优化分簇算法,构建特定振动故障类型的贝叶斯诊断网络,利用贝叶斯网络推理算法诊断出故障概率分布,并利用具体的故障证据、设定值对该方法进行验证。仿真及实验结果表明,该方法能在故障信息不完整情况下,依据不完整证据信息更新各网络节点的概率状态,实现对不确定信息的推理和估计,得到较好的诊断结果,提高了转子振动故障的诊断准确度。     

基于RBF神经网络的转子-轴承系统故障诊断

提出一种用FFT和RBF神经网络实现转子-轴承系统故障诊断的方法。使用FFT提取旋转机械的故障特征向量,再结合RBF神经网络强大的自学习和分类能力,实现转子-轴承系统的故障诊断。在故障试验台上模拟转子-轴承系统正常、轴承内圈故障、转子不平衡故障1和2以及混合故障1和2,试验结果验证了该法对转子-轴承系统故障诊断的可行性和有效性。     

基于EMD和分形维数的转子系统故障诊断

提出了一种基于EMD方法和分形维数的转子系统故障诊断方法。利用EMD方法将转子振动信号进行分解,得到若干个基本模式分量,然后将包含主要故障信息的几个基本模式分量相加得到降噪后的转子振动信号,求得降噪后的转子振动信号的分形维数。试验数据的分析结果表明,在不同的故障状态下,采用EMD方法对转子振动信号降噪后求得的分形维数是不同的,从而可以通过分形维数的大小有效地判断转子系统的工作状态和故障类型。     

基于粒子群优化的神经网络电机故障诊断系统

提取电机定予电流信号及转于振动信号,构成用于电机故障诊断网络的训练及测试样本.用BP神经网络建立诊断输入征兆与故障输出间的映射关系,引入改进粒子群优化的策略,对神经网络权值和阀值进行优化,提高了网络系统诊断的可靠性.仿真对比研究表明,经粒子群优化后的BP网络收敛速度显著提高,更适合于电机类故障诊断的要求.