基于Hilbert-Huang变换的轴向柱塞泵故障诊断研究

采用Hilhert-Huang变换,提取轴向柱塞泵泵壳振动信号故障特征.该方法先对信号进行EMD分析和Hilhert变换,再提取信号Hilbert谱及能量谱.能量谱反映了信号能量的大小和分布的复杂性,为信号特征的提取提供依据.实验分析结果表明,提取的特征有效地刻画了故障信号,为故障模式的识别奠定了基础.     

基于规则的轴向柱塞泵故障诊断专家系统设计与应用

针对轴向柱塞泵故障诊断智能化、高效化的要求,提出轴向柱塞泵专家系统的开发方法和研究思路.通过故障树分析法建立柱塞泵常见故障的故障树,利用产生式规则和关系型数据库相结合建立该专家系统的知识库,推理机制采用正向推理技术.最后给出知识库管理和诊断推理界面.     

基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究

针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态分解对微弱故障特征不敏感的缺陷;以最小熵反褶积-集合经验模态分解特征提取方法为输入的超限学习机分类模型,在少量样本的情况下可以有效地对轴向柱塞泵松靴故障进行检测与诊断。     

小样本下基于原型网络的轴向柱塞泵故障诊断模型

在实际工程应用中,有限的故障样本数量及噪声都影响轴向柱塞泵故障诊断的效果,所以,如何提高模型在小样本、噪声条件下轴向柱塞泵故障诊断的性能是一个亟待解决的问题。在样本数量有限、噪声条件下,采用基于深度学习的故障诊断方法会出现过拟合、诊断准确率下降的问题,为此,提出了一种小样本条件下基于原型网络的轴向柱塞泵故障诊断模型(方法)。首先,搭建了轴向柱塞泵故障诊断模型,并等量随机抽取了每个故障的样本以构建多个任务,模型使用一维卷积神经网络作为主干,每个任务中包含当前模型、支持集、查询集;然后,利用模型将样本映射到特征空间,在特征空间中,模型使用支持集的同类样本构建了原型点,并逐个将查询集样本与多个原型点进行了距离度量,实现了轴向柱塞泵不同故障的分类;最后,为了验证基于原型网络的轴向柱塞泵故障诊断模型的有效性,采集了轴向柱塞泵不同元件发生故障时产生的振动信号,并使用上述诊断模型对此进行了故障识别实验;为了验证该诊断模型的优越性,将其与基于卷积神经网络等的模型进行了性能对比。实验结果表明：在样本有限的条件下,采用基于原型网络的轴向柱塞泵故障诊断模型的准确率达到85%以上;同时,在噪声条件下,采用基于...     

共空间模式和超限学习机的模拟电路故障诊断

主成分分析属于代数特征分析方法,是一种线性映射方法,降维后的表示是由线性映射生成的,更主要的信息保留在投影空间里,而剩余的信息则被过滤掉,但保留的信息是一体的,而不是每个特征向量分别表示一个主成分,在一定程度上影响了PCA方法的效果。提出了一种基于共空间模式对主成分方法改进的模拟电路故障诊断方法。此方法利用CSP算法对PCA得到的特征向量进行处理,然后将得到的主成分输入到超限学习机以进行网络训练或故障判断。通过Sallen-Key带通滤波器电路的实例,结果表明该研究方法的有效性。     

基于局部s变换和极限学习机的柱塞泵滑靴磨损故障诊断

针对轴向柱塞泵结构复杂、故障信号微弱且易受噪声干扰难以进行故障模式识别的问题,提出一种基于局部s变换和极限学习机的柱塞泵故障诊断方法,对不同程度滑靴磨损故障进行诊断。采集柱塞泵在正常和不同故障状态下的振动信号进行局部s变换,对不同的特征向量组进行定性和定量比较,选择提取s矩阵最大奇异值、转轴振动基频能量占比和柱塞振动基频能量占比共三维特征向量,将特征向量输入极限学习机完成故障模式的识别,识别精度可达99%以上。最后将极限学习机与支撑向量机分类结果进行对比,证明所提故障诊断方法可以用较少的特征向量获得较高的诊断精度。     

基于频谱分析和卷积神经网络的高速轴向柱塞泵空化故障诊断

针对高速轴向柱塞泵不同空化故障等级诊断依赖人工特征提取、识别准确率低的问题,提出了一种融合振动信号频谱分析和卷积神经网络的诊断方法.采集不同空化等级情况下柱塞泵壳体振动信号,对连续的振动数据进行切片并作频谱分析,获得频谱图作为数据集;利用二维卷积神经网络对不同空化等级的信号频谱图进行分类.为提高所提方法的鲁棒性,采用带...     

双缸轴向柱塞泵

本文介绍一种新型轴向柱塞泵,阐述其工作机理和结构特征,并加以讨论和分析,提出些看法和意见。     

基于CFD的轴向柱塞泵配流盘仿真

运用三维流体分析技术对轴向柱塞泵排油腔的流场进行数值模拟和可视化研究,定性分析了排油腔与减振槽在不同接触角度时的模型在一定转速下速度场及压力场之间的关系.分析结果表明,不同的减槽结构,压力场与速度场变化趋势基本相同,但对轴向柱塞泵的降噪影响有很大差异;对配流盘上两种阻尼结构类型进行研究,基于仿真结果提出带有一定开度的变截面结构是一种很好的减振结构.     

基于全矢色散熵和极限学习机的液压泵故障诊断

为保证提取出的液压泵故障特征能够更好的对其故障进行表征,本文在研究色散熵(DE)的基础上,结合全矢谱理论,提出液压泵故障特征提取的新方法-全矢色散熵(FVDE).相比于DE,FVDE中的全矢谱计算实现了同源双通道信号的融合处理,能够更好的突出故障信息,提升故障特征提取的效果.液压泵故障诊断实例表明,FVDE对故障状态的...     

基于IVMD与改进KELM的发动机故障诊断

为从含有较强噪声的缸盖振动信号中提取有效的故障特征并进行故障分类,提出了采用独立变分模态分解(independent variational mode decomposition,简称IVMD)与改进核极限学习机(improved kernel extreme learning machine,简称IKELM)的发动机故障诊断方法。首先,根据频谱循环相干系数选取匹配波形对信号进行端点延拓,并利用变分模态分解(variational mode decomposition,简称VMD)将延拓后信号分解为一系列固有模态分量,有效抑制了VMD中的端点效应;其次,选取有效分量作为输入观测信号,进行核独立成分分析,进一步分离干扰噪声与有效信号,并消除模态混叠,得到相互独立的有效故障特征频带,进而提取各频带的自回归模型参数、多尺度模糊熵和标准化能量矩构建故障特征向量集;最后,建立基于社会情感优化算法的IKELM分类模型,对故障特征进行分类,实现发动机故障诊断。仿真和实验结果表明,所提出的方法可有效抑制VMD的端点效应,提高信号分解精度,消除噪声干扰并分离出相互独立的有效故障特征频带,增强特征参数辨识度,最终提高发动机故障诊断速度与精度,发动机故障诊断平均准确率达到99.85%。     

基于VMD-MDE和ELM的柱塞泵微弱故障诊断

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性。     

采用多层核学习机的柴油机气门机构故障诊断

针对柴油机缸盖振动信号的非平稳性以及多种气门故障的线性不可分问题,提出了一种组合核主元分析和支持向量机的多层核学习机方法。该方法使用核主元分析技术从原始特征中提取非线性主元,将其输入到由"一对多"算法构建的支持向量机多分类器中,实现了多种气门故障的定量诊断。试验结果表明,在小样本条件下,该方法能准确识别气门机构的6种状态,且识别精度及测试速度均优于单独使用多类支持向量机方法。     

类间数据不均衡条件下基于平衡随机森林的轴向柱塞泵故障诊断方法

针对轴向柱塞泵实际故障诊断中采集到的故障类数据远少于正常类数据的情况,为提升故障分类精确率,提出了一种基于平衡随机森林(Balanced Random Forest,BRF)的轴向柱塞泵故障诊断方法.BRF算法是随机森林(Random Forest,RF)的改进算法,将欠采样方法与RF结合,强化了RF处理非均衡数据的能...     

基于能量增强的双斜式轴向柱塞泵滑靴磨损故障诊断方法

针对盾构机等大型设备用双斜式轴向柱塞泵故障诊断中滑靴磨损故障特征信号易被湮没的问题,提出了一种基于能量增强的双斜式轴向柱塞泵滑靴磨损故障诊断方法。首先,考虑到双斜式柱塞泵滑靴磨损会造成轴向、径向两个方向的振动,对发生滑靴磨损故障下的泵的力学特性进行分析,确定了敏感频率范围;其次,考虑到故障信号易被湮没,将轴向和径向的振动信号分别进行小波包分解,进而得到轴向和径向的振动信号的能量谱,并将轴向与径向敏感频率范围内的能量谱进行叠加,增强故障特征;最后基于试验数据进行验证,对比正常状态与滑靴故障状态下的能量谱,可以有效提高故障诊断的准确度。     

基于改进深层极限学习机的故障诊断方法

提出一种新的基于稀疏和近邻保持理论深层极限学习机（sparsity and neighborhood preserving deep extreme learning machines,简称 SNP-DELM））的滚动轴承故障诊断方法。首先,将极限学习机（extreme learning machine,简称ELM）与自编码器（autoencoder,简称AE）相结合,提出一种ELM-AE的结构,利用自编码器对极限学习机的隐含层进行分层;其次,将稀疏与近邻思想融入深层网络中,在投影过程中,通过稀疏表示保持数据的全局结构,通过近邻表示保持数据的局部流形结构,无监督地逐层提取数据的深层特征;最后,通过监督学习求解最小二乘进行分类诊断。将该方法用于风机滚动轴承故障诊断实验,并与ELM、堆叠降噪自编码器（stacked autoencoder,简称SAE）、深层极限学习机（deep extreme learning machine,简称DELM）、卷积神经网络（convolution neural network,简称CNN）等方法进行对比,实验结果表明,SNP-DELM算法相对于现有的几种算法具有更高的准确率和稳定性。     

改进极限学习机在滚动轴承振动故障诊断中的应用

滚动轴承广泛应用于机械、铁路运输、航天航空等领域,在旋转机械设备的正常稳定运行中占据着至关重要的位置,其振动故障的准确、快速诊断是保证机械设备正常稳定运行的必要手段,因此,研究一种能够有效诊断滚动轴承振动故障的方法具有重要意义。针对滚动轴承振动信号具有非平稳性、非线性和影响因素相互影响相互作用的特点,结合小波分析理论对滚动轴承振动信号进行故障特征提取,通过借鉴支持向量机的分类思想,从最优化角度出发,引入结构风险最小化原理对极限学习机进行改进及优化,并结合改进后的方法构建了滚动轴承振动故障诊断模型。仿真结果表明,改进的极限学习机进一步提高了滚动轴承振动故障诊断的效率和分类准确率,为滚动轴承的振动故障诊断提供了新思路和新方法。     

基于在线贯序极限学习机的齿轮故障诊断方法

针对表征齿轮故障信息的特征难提取与极限学习机无法处理随时间变化的信息流,致使齿轮故障分类模型精度差、泛化能力弱的问题,提出一种基于在线贯序极限学习机的齿轮故障诊断方法。该方法首先将齿轮振动信号进行相空间重构,并对重构矩阵进行奇异值分解得到奇异值特征向量;其次,建立在线贯序极限学习机的齿轮故障分类模型,并将奇异值特征向量作为模型输入进行齿轮不同故障状态的辨识。实验结果表明:与基于BP、SVM与ELM的故障分类方法相比,基于基于在线贯序极限学习机的齿轮故障诊断方法具有更快的学习速度、更高的分类精度与更强的泛化能力。