正交局部保持投影早期故障特征提取方法

针对轴承早期故障特征难以提取,提出了一种基于正交局部保持投影的轴承故障特征提取方法。由时域指标和小波频带能量组成高维特征空间。运用正交局部保持投影方法通过训练样本数据求出正交转换矩阵,测试样本经正交转换矩阵转化后得到低维向量。利用不同故障样本的类间散度和同种故障样本的类内散度两个指标来衡量该方法的有效性,通过滚动轴承故障数据的仿真,证明提出的正交局部保持投影的特征提取方法是有效的。     

基于流形学习算法的齿轮变速箱故障特征提取

流形学习算法是一种非线性的数据降维方法,可以获得数据的低维几何结构,能很好的体现系统的本质。为了提高齿轮变速箱振动故障信号的可分性,应用流形学习方法对齿轮变速箱振动信号进行故障特征提取。研究结果表明,流形学习方法可以有效地提取齿轮变速箱振动故障的特征信息,并能有效区分不同故障类型的特征信息。运用流形学习方法进行故障特征提取后的诊断结果与时域统计特征提取方法相比,提高了故障诊断的正确率。     

基于高阶谱的齿轮故障特征提取方法研究

基于高阶谱能够抑制高斯信号,并且可以在较强的背景噪声中提取故障信息的特点,在分析高阶谱的理论基础上,针对齿轮振动信号的非线性、频谱成分多样性等特点,研究了基于高阶谱分析的机械故障特征提取方法,提出了基于双谱估计的齿轮故障诊断方法.试验结果表明,该方法能够有效地将正常及不同裂纹程度的齿轮区分开来.     

基于局部投影降噪的低频轴承故障诊断

本文将局部投影降噪算法结合共振解调技术对低频轴承进行故障诊断。局部投影算法将时间序列先进相重构,在高维的相空间上采用局部投影的方法将相空间分解成正交的子空间,来分离时序中背景信号和噪场分量。综合局部投影降噪算法及共振解调技术两都的优点,对低频轴承进行了故障分析与诊断。     

基于局部平衡判别投影的往复压缩机故障诊断方法

为更好的提取出往复压缩机的故障特征,提出基于局部平衡判别投影(LBDP)的往复压缩机故障诊断新方法。相比于局部判别投影(LDP),LBDP充分利用了数据的类别判别信息和局部结构信息,可以更好地对高维数据集的局部几何结构信息和类别判别结构信息进行挖掘。将LBDP用于往复压缩机故障的诊断中,诊断结果表明,LBDP实现了往复压缩机不同故障类型的有效区分,提高了故障诊断的精度,具有一定的优势。     

利用残余信号法提取齿轮局部故障特征的研究

本文提出了用残余信号法对齿轮局部故障识别所起的特殊作用，分析了残 信号茆牟数字过程。最后通过实例说明这一方法的衫价值和有效性。     

基于形态梯度解调算子的齿轮故障特征提取

针对包络解调和形态闭算子易受强噪声和低频谐波分量干扰的缺点,提出了采用形态梯度解调算子提取脉冲信号的方法。对受到低频干扰的仿真脉冲调制信号和实测齿轮断齿故障信号的分析结果表明,形态梯度解调算子既抑制了噪声又充分突出了故障信号的冲击特征,具有更强的噪声抑制和脉冲提取能力,完全不受低频分量的干扰,且计算简单、快速,为齿轮故障特征提取提供了一种有效的方法。     

基于AR-MCKD的齿轮点蚀故障特征提取

以实测齿轮箱振动信号为分析对象,对齿轮点蚀进行故障特征提取。利用最小信息准则(AIC)确定自回归(AR)模型最优阶数,通过此AR模型将采集到的振动信号进行预处理,降低可线性预测的平稳成分;利用最大相关峭度解卷积(MCKD)进一步增强振动信号中的冲击成分,然后进行Hilbert变换得到振动信号的包络谱来分析故障特征。将上述方法应用到试验振动信号包络谱的变化趋势分析。结果表明,AR-MCKD能够有效提取齿轮点蚀故障特征,能够体现齿轮点蚀过程的包络谱变化。     

改进局部保持投影算法及其在故障诊断中的应用

针对局部保持投影(LPP)的邻域参数设置主要依靠经验这一缺点,对LPP邻域参数的设置进行了改进设计,提出了改进局部保持投影算法(ILPP).相比于LPP,ILPP中引入了核密度估计,使得邻域参数会根据数据集的样本密度而自适应的变化,可以更好地对高维数据集的流形结构进行保持.将ILPP用于齿轮典型故障的诊断中,实验结果表明,ILPP可以对不同故障类型数据进行有效区分,实现了故障诊断精度的提高.     

改进局部保持投影算法及其在故障诊断中的应用

针对局部保持投影(LPP)的邻域参数设置主要依靠经验这一缺点,对LPP邻域参数的设置进行了改进设计,提出了改进局部保持投影算法(ILPP).相比于LPP,ILPP中引入了核密度估计,使得邻域参数会根据数据集的样本密度而自适应的变化,可以更好地对高维数据集的流形结构进行保持.将ILPP用于齿轮典型故障的诊断中,实验结果表明,ILPP可以对不同故障类型数据进行有效区分,实现了故障诊断精度的提高.     

基于小波分析和修正指数分布的齿轮故障诊断方法

提出了基于小波分析和修正指数分布(modifiedexponentialdistribution,MED)的齿轮故障诊断方法,该方法采用小波包将齿轮振动信号分解为若干个频率段,然后选择合适的频率段进行小波包重构,对重构后的信号进行MED分析,得到齿轮振动信号的小波包时-频分布,进而从中提取齿轮振动信号故障的故障特征.对具有裂纹的齿轮振动信号分析结果表明了基于小波分析和MED的齿轮故障诊断方法的有效性.     

Application of local wave time-frequency method in reciprocating mechanical fault diagnosis

To diagnose the reciprocating mechanical fault. We utilized local wave time-frequency approach. Firstly,we gave the principle. Secondly, the application of local wave time-frequency was given. Finally, we discussed its virtue in reciprocating mechanical fault diagnosis.     

基于倒谱和包络解调的齿轮箱故障诊断

齿轮箱是设备上重要的传动部件,齿轮故障诊断对设备的长期安全运行起着至关重要的作用.根据齿轮振动机理及谱分析来进行振动信息处理和特征提取,是目前齿轮故障诊断中的一种有效方法.分析了齿轮箱的振动故障特性,提出了用解调谱和倒谱两种分析法相结合来对系统的输出信号进行故障诊断的方法.最后在齿轮故障模拟实验台上采集了故障下的振动信...     

基于非线性特征融合的高速装备故障诊断方法

针对高速数控装备的复杂非线性特性,基于改进证据理论和非线性特征提出了一种新的故障诊断方法。分析了高速运行状态下数控装备的故障特性,提取出一组反映系统非线性特性变化的故障特征向量。给出了基于证据理论的多类型故障识别模型,并利用模式之间的相似度获取各个证据的mass函数。为解决冲突情况下的多个证据合成问题,提出一种基于平均信任度的动态参数冲突证据合成方法。仿真实验结果表明,在证据存在冲突的情况下,该方法识别率高,适合于具有非线性特性的高速装备故障诊断。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

基于改进证据理论的齿轮泵故障诊断方法研究

针对多源传感器信息的不确定性,提出了一种基于改进证据理论的故障诊断方法.首先定义了证据向量的夹角余弦,提出了冲突证据判定法则,对证据进行冲突性判定;然后建立二级鲁棒融合策略,通过RBF神经网络进行特征层融合,经过训练产生初始证据,应用冲突证据判定法则找出冲突证据并利用相似度对其进行局部修正;最后对证据进行融合和诊断.通过齿轮泵振动试验,将此方法与神经网络、传统证据理论和其他代表性改进方法的诊断结果进行对比,验证了新方法和融合策略的有效性.     

基于偏置经验特征映射的电路故障诊断方法

基于支持向量机的模拟电路故障诊断方法已经成为故障诊断领域的研究热点.然而,在该方法实用化过程中,故障样本集中存在的不平衡分布问题严重影响了该方法的整体诊断性能.针对该问题,提出一种基于偏置经验特征映射的故障诊断方法,该方法将故障样本集映射至经验特征空间,并在该特征空间中使用偏置判别分析准则作为核函数优化的目标函数,最大化所有正常样本同故障样本中心的距离,从而提高故障诊断方法的整体诊断能力.标准数据集以及真实电路上的实验效果表明,提出的方法可以大大缓解由于样本不平衡造成的支持向量机诊断效果下降的问题,从而提高了基于支持向量机的电路故障诊断法方法的适用范围.     

基于小波分解和SVD降噪的齿轮箱特征提取研究

齿轮箱故障诊断的关键是对故障特征的提取。利用小波变换的多分辨特性,将齿轮箱振动信号进行分解及单支重构,获取原信号在不同频段上分布的详细信息,找出对应系统特征频率的尺度,并应用奇异值分解的方法对该尺度下的重构信号进行进一步的降噪处理,从中成功提取出信号的特征分量。     

一种面向旋转机械的基于Transformer特征提取的域自适应故障诊断

针对基于深度学习的旋转机械故障诊断方法在新工作条件下缺乏标注数据、跨域诊断精度较低的问题,提出了一种基于Transformer的域自适应故障诊断方法。采用Transformer的变体VOLO构造特征提取器以获取细粒度更佳的故障特征表示。利用源域数据进行监督学习对源域和目标域数据的特征提取器进行预训练,并且冻结源域提取器参数以获取固定的源域特征。利用域对抗自适应策略和局部最大平均差异结合目标域未标注数据训练目标域特征提取器,实现源域特征与目标域特征的边缘分布、条件分布对齐。通过两个多工况实验对所提出的故障诊断算法进行了验证,结果表明提出的基于Transformer特征提取的域自适应故障诊断方法相比5种传统域自适应方法,在齿轮和轴承数据集上分别平均提升了22.15%和11.67%的诊断精度,证明所提出方法对于跨域诊断精度具有提升作用。