基于KPCA-HSMM设备退化状态识别方法的研究

为消除多通道观测信息冗余,压缩高维故障特征,提出了基于核主元分析( KPCA)多通道特征信息融合的隐半马尔可夫模型( HSMM)设备退化状态识别的新方法。首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量;然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量;并以此融合特征向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器,从而卖现设备退化状态的识别。实验结果表明,该方法能有效的识别设备的退化状态,从而为多通道特征信息融合设备退化状态识别开辟新的途径。     

S变换相对谱熵及其在液压泵退化状态识别中的应用

为更好地表征液压泵的退化状态,对液压泵退化特征提取方法和退化状态识别方法进行研究。基于S变换分析非平稳信号的优异能力以及相对熵较好表征振动信号概率分布差异的特性,提出S变换相对谱熵的液压泵退化特征提取方法,对液压泵仿真信号分析结果验证了所提出的S变换相对能谱熵和S变换相对奇异谱熵作为退化特征的有效性和可行性。将两个特征指标组成退化特征向量,对滑靴磨损和松靴故障模式下不同故障程度的液压泵振动信号进行分析,进一步验证所提出的特征指标作为液压泵退化特征的有效性。将加权灰关联法用于液压泵退化状态识别,建立了液压泵的标准退化模式矩阵,对两种故障模式下液压泵待检测样本的退化特征向量和标准模式矩阵做加权灰关联分析,根据灰关联度的大小判定液压泵的退化状态,结果验证了所提出方法的良好性能。     

基于小波尺度谱重排与小波排列熵的自动机故障诊断

用小波包变换对自动机振动响应信号进行时频分析,提出了对每层小波包系数进行小波尺度谱重排处理,计算了每层小波系数的排列熵,并以此作为自动机短时瞬态冲击时微弱故障信号的特征量,使用支持向量机对特征量进行故障分类识别,结果表明,该方法能有效地提取特征值并识别微弱故障,可较好地解决自动机的故障诊断问题。     

基于局部特征尺度分解与复合谱分析的齿轮性能退化特征提取

针对齿轮性能退化过程中振动信号复杂、特征提取困难等问题,提出采用基于局部特征尺度分解与复合谱的退化特征提取方法。改进复合谱分析法,利用离散余弦变换代替复合谱分析法的傅里叶变换,以减少特征信息的遗漏,提高特征信息敏感度;利用局部特征尺度分解法对振动信号进行分解,并采用贝叶斯信息准则与峭度时间序列互相关系数相结合对内禀尺度分量进行筛选,以剔除不必要分量的影响,有效地提取特征信息;利用改进的复合谱分析法对所选取的内禀尺度分量进行融合,提取复合谱熵作为特征向量。该退化特征提取方法运用于齿轮全寿命退化试验中,对实测信号进行特征提取和退化状态识别,结果表明改进后的复合谱熵对齿轮退化状态具有较好的表征能力。     

基于支持向量数据描述的火炮自动机故障状态监测技术研究

针对火炮自动机故障状态监测问题,提出了一种基于支持向量数据描述的故障状态监测模型。利用搭建的自动机振动测试平台获取自动机振动信号,采用变模态分解方法将振动信号分解为多个本征模态分量,计算各个分量的样本熵值作为故障特征,并以正常状态下的自动机故障特征为训练样本进行SVDD模型的训练,训练过程中根据模型特点找到合适的模型参数,完成自动机状态监测模型的构建。在自动机测试平台上设置多种预制零件故障进行模型的验证,结果表明所建立的状态监测模型对异常状态的发生有很强的敏感性,具有较高的检测准确率;同时设计了关重件模拟性能退化试验,试验结果验证了所提出的模型具有良好的早期故障检测能力,可较为准确地反映自动机故障性能退化过程,可为火炮自动机故障状态监测提供一定的借鉴和指导。     

基于参数优化变分模态分解和多尺度熵偏均值的行星变速箱故障特征提取

针对某型装甲车辆行星变速箱行星轮故障特征难以提取的问题,提出了结合参数优化变分模态分解(VMD)和多尺度熵偏均值的故障特征提取方法。为克服VMD算法参数选取依赖经验的弊端,采用粒子群优化算法对VMD参数进行优化。使用参数优化后的VMD算法对信号进行分解,并依据互信息选取有效分量对信号进行重构。多尺度熵能反映信号在多尺度下的复杂度,偏均值可以反映多尺度熵的均值和变化趋势。采用基于多尺度熵的综合指标多尺度偏均值,以全面反映振动信号在多尺度下的特性,用于衡量行星变速箱运行状态,从而进行故障特征提取。行星变速箱实验数据处理结果表明,新方法可以更加有效的提取行星变速箱故障。     

基于熵值图的多功能雷达工作模式识别

针对多功能雷达工作模式多样且信号波形复杂多变,导致常规工作模式识别方法性能不佳的问题,提出基于小波变换的多功能雷达工作状态切换点检测方法,将雷达脉冲序列进行分割,得到单一工作模式脉冲序列样本。其次,基于近似熵、样本熵、模糊熵和排列熵设计了新的熵值图特征,并结合卷积深度神经网络模型,实现了多功能雷达工作模式的智能识别。仿真结果表明,该算法在虚假脉冲率或漏脉冲率为25%时,切换点检测正确率达85%;工作模式识别正确率在虚假脉冲率、漏脉冲率为20%和参数误差为8%时,识别正确率均在83%以上,识别性能皆优于两种对比文献方法,验证了该算法的有效性和优越性。     

变速箱典型故障奇异性指数的模糊神经网络识别

基于小波奇异性分析和模糊神经网络理论,建立变速箱故障识别模型,探讨将两种理论集成用于状态监测以提高故障识别准确度.通过小波变换提取车辆变速箱运行状态监测数据的奇异性指数,并据此训练模糊神经网络,计算表征变速箱技术状况的代码,判断部件是否发生故障及故障类型.对某型车辆变速箱监测信号的研究表明,本模型用于识别变速箱典型故障的误差仅为0.15384.     

基于数学形态分形维数与模糊C均值聚类的滚动轴承退化状态识别

针对滚动轴承的退化状态识别问题,融合数学形态学与模糊聚类理论,提出一种基于数学形态分形维数与模糊C均值聚类的退化状态识别方法。以数学形态分形维数作为滚动轴承的性能退化特征,从分形角度定量描述其复杂度与不规则度。鉴于不同退化状态边界的模糊性,将模糊C均值聚类方法应用于对退化状态的模糊聚类中,根据最大隶属度原则识别轴承性能退化状态。依托杭州轴承试验研究中心进行滚动轴承疲劳寿命强化试验,采集了滚动轴承从完好到失效的整套全寿命数据,将该方法应用于滚动轴承全寿命周期振动信号中,总体状态识别成功率达到96%. 研究结果表明：该方法计算代价小、效率高,能够有效地识别出滚动轴承的性能退化状态。     

基于隐半Markov模型的故障诊断和故障预测方法研究

隐半Markov模型(HSMM)是隐Markov模型(HMM)的一种扩展形式,通过在HMM结构中加入状态驻留时间分布参数,克服了HMM假设状态驻留时间服从指数分布的不足。HSMM不仅具有较强的模式分类能力,而且能对实际问题中的状态驻留时间进行合理建模,故既可用于故障诊断,又可用于故障预测。分析了利用HSMM进行故障诊断和预测的框架;并针对传统HSMM建模算法计算量和存储空间都比较大的缺点,引入并改进了一种快速递推算法,降低了计算复杂度和存储空间要求;最后将HSMM应用于直升机齿轮箱轴承故障诊断和GaAs激光器剩余使用寿命(RUL)预测,试验绪果证明了这种方法的有效性。     

基于系统状态信息的可靠性分析方法研究

在无失效的情况下如何对产品进行可靠性分析,对于建立在失效数据分析基础上的现有可靠性理论来说,是一个有一定难度的问题。考虑到设备使用中可以方便地监测其系统的状态参数,本文提出了一种利用设备状态信息进行可靠性分析的方法。通过系统参数漂移量的统计分析,推导出基于参数漂移量的可靠度分析模型,以一个具体电子系统为例,说明了方法的实用性。     

强背景噪声下的小波熵模极大值消噪方法

针对矿井提升机特征信号在强非平稳和强噪声背景下难以有效提取的问题,结合小波能量熵理论与小波模极大值的奇异性理论,提出一种有效的强背景噪声下提升机信号消噪方法。该方法利用信息熵能定量描述时-频域能量概率分布的特性,采用小波熵自适应确定噪声阈值,有效去除随小波分解尺度增大而不断减小的小波模极大值,保留随尺度增大而增大的模极大值,并重构经有效过滤的剩余小波模极大值,实现强背景噪声下噪声信号与真实信号的有效分离。通过对仿真信号和提升机实测信号的应用,表明了该方法消噪效果明显,消噪数据可靠,提高了强背景噪声下提升机故障诊断的数据可靠性。     

时频数据驱动的典型复杂供输机构健康状态软测量方法

复杂供输机构的运行环境恶劣,传感器采集到的振动信号中含有猛烈冲击、噪声等成分,属于典型的非平稳特征信号,难以直接评估供输机构健康状态.针对上述问题,提出一种基于时频数据驱动的供输机构健康状态软测量方法.利用Morlet小波变换得到振动加速度信号时频图作为输入特征,构建基于深度卷积网络的软测量模型.在深度卷积网络中引入D...     

基于双谱熵模型的故障模式识别

提出利用双谱计算信号的双谱熵,并作为特征参量进行故障模式识别的方法。分析了振动信号双谱的特征,在子空间分布概率下,推导了基于能量分布的双谱熵计算方法。在理论推导分析的基础上,进行了某齿轮箱在4种工况下的振动信号提取实验,建立了齿轮箱故障模式识别BP神经网络。最后将双谱熵特征参量作为输入,对设置了4种故障工况的齿轮箱进行了故障模式识别,成功地判别了4种工况,验证了方法的有效性。