基于散列函数的双网格校正小波聚类算法

为了提高双网格校正小波聚类算法的效率,提出了基于散列函数的双网格校正小波聚类算法,该算法应用散列表去消除量化数据空间中的空单元,降低数据空间算法的复杂度。先量化特征空间;再构造散列函数形成散列表,将量化后的特征值存储到散列表中;在散列表上并行对原始网格和校正网格进行小波变换,在特征空间的不同层次上寻找连通单元;利用校正网格产生的聚类结果去校正原始网格产生的聚类结果,得到最终聚类结果。将此方法应用到航空发动机转子故障诊断中,实验证明此算法在保证了转子故障诊断精度的基础上,提高了效率。     

基于相似性传播聚类的航空发动机突发故障诊断

针对航空发动机突发故障,构建了一种基于相似性传播聚类的突发故障诊断方法。首先利用突发故障历史监测数据建立突发故障数据库,通过相似性传播聚类找到数据库中所有突发故障数据的中心,当诊断新采集数据的突发故障类型时,通过相似性传播聚类找到当前新采集数据的中心,经过与突发故障数据库中的数据中心进行匹配判断该新采集数据所对应的突发故障类型。将该突发故障诊断方法应用到发动机转子实验台的突发故障诊断中,仿真和实验结果表明该方法的可行性,并通过与其他方法比较,表明该方法具有诊断时间短和误差小的优点。     

基于广度优先搜索的小波聚类算法

针对传统小波聚类算法采用相连定义聚类时精度和效率不够的问题,提出了一种基于广度优先搜索的改进小波聚类算法。该算法综合了小波聚类算法和广度优先搜索邻居聚类算法两者的优势,以小波聚类算法的网格邻居单元定义去改善广度优先搜索邻居聚类算法人工输入参数的敏感性,同时以广度优先搜索邻居聚类算法类门限参数的设定去改善小波聚类算法类划分不精确的缺陷。通过航空发动机转子模拟振动信号实验数据,对其分别进行小波聚类,广度优先搜索邻居聚类以及改进的小波聚类分析,结果表明:基于广度优先搜索的小波聚类能够很好地改善传统小波聚类的聚类精度和聚类速度,明显地降低计算复杂度。     

航空发动机整机振动信号分析

为了解决航空发动机的整机振动分析问题,提出一种基于谐波小波的振动信号分析方法。首选对振动信号进行谐波小波变换,得到信号的时频表示;根据时频图提取信号特征,得到信号的特征频率;根据与基频信号的对比,识别发动机的振动故障类型。实验结果表明,该方法可以准确地识别出发动机的三种典型振动故障。与传统基于小波分析方法相比,基于谐波小波的方法具有更准确的振动故障特征识别能力,适用于振动信号的分析。     

基于参数识别的航空发动机转子故障诊断与定位方法

航空发动机结构复杂,转子的故障诊断与定位是一个难点。考虑航空发动机实际测量条件,提出一种基于扩展卡尔曼滤波器的转子故障诊断方法,其核心是通过识别典型故障特征参数对转子的多种故障进行诊断和定位。针对实际航空发动机整机结构,用有限元法建立一种耦合的转子-支承-机匣动力学模型。该方法针对实际采集观测信号不完备的问题,采取加权整体迭代的方法来加快参数的稳定与收敛。针对所建立的航空发动机典型故障模型和实际模型存在误差的问题,采取衰减记忆滤波的方法来补偿误差。最后对含典型故障转子的航空发动机整机模型进行仿真计算得到数值解,作为未知故障的观测信号,结合加权整体迭代和衰减记忆滤波的扩展卡尔曼滤波方法,分析得到未知的故障特征参数,依此故障特征参数,实现对故障的识别和诊断,结果证明了该方法对航空发动机转子进行故障诊断和定位的有效性。     

融合CEEMD＿MPE和GK模糊聚类的故障识别方法

针对转子故障信号非线性、非平稳性的特点,提出了一种基于互补集合经验模态分解、多尺度排列熵和GK聚类的故障特征提取和识别方法。首先采用互补集合经验模态分解对故障信号进行分解,依据相关系数原则,选取相关系数最大的模态分量作为分析对象;然后利用多尺度排列熵量化模态分量的故障特征作为特征向量;最后,将经过PCA(Principal Component Analysis)降维后的低维特征集输入到GK模糊聚类算法中进行故障识别分类。将所提方法应用于典型转子实验台的故障特征集,通过分类系数与划分熵对分类效果进行检验,并与其他模式组合方法进行比较。结果表明,本文所提方法能够更有效提取故障特征。     

改进注意力机制的航空发动机试验转子系统智能故障诊断

考虑到航空发动机的工作环境十分恶劣,其故障的振动信号特征隐蔽且噪声干扰严重,为了加强网络对振动信号中关键特征的提取能力,提出了改进注意力机制的航空发动机转子系统智能故障诊断方法对航空发动机转子系统的不平衡和碰摩等故障进行诊断。提出局部池化改进的通道注意力机制,能够通过预提取局部极值解决现有通道注意力机制对航空发动机转子故障通道信息提取能力不足的问题;提出多评分机制改进的空间注意力机制,能够通过不同尺度的卷积评分解决现有空间注意力机制对航空发动机转子故障空间信息提取能力不足的问题;将二者结合构建改进的通道空间注意力机制模块,再导入一维卷积神经网络中构建改进注意力机制的一维卷积神经网络完成智能故障诊断,并且通过航空发动机转子系统故障数据集对比分析试验证明了该网络优秀的检测性能、抗噪性能和泛化性能等综合性能以及注意力机制改进方法的可行性。     

基于VMD_MPE和FCM聚类的变转速工况下转子不平衡故障诊断方法EI北大核心CSCD

旋转机械在变转速工况下转子不平衡故障诊断问题一直是故障诊断领域的难点,为解决该问题,提出一种基于变分模态分解(variational mode decomposition,VMD)与多尺度排列熵(multiscale permutation entropy,MPE)和模糊C均值(fuzzy C means,FCM)聚类结合的故障诊断方法(VMD_MPE-FCM)。首先,用VMD对转子的振动信号进行处理,得到若干本征模态分量(intrinsic mode function,IMF);然后,根据转子不平衡故障时一倍频(1×)处振幅剧烈增加的现象,从VMD得到的各IMF频谱图中筛选出最能表征转子不平衡故障特征的IMF;进而采用MPE法对筛选出的IMF进行量化;最后,将量化所得值作为特征向量输入FCM,得到各转速工况下的标准聚类中心,采用择近原则,运用模糊贴近算法计算出待识别数据与标准聚类中心的贴近度,从而实现变转速工况下转子不平衡的故障识别。在转子试验台上采用VMD_MPE-FCM法进行了变转速工况下转子不平衡故障诊断试验,试验结果表明:该方法是有效的,可以准确、高效地提取出转子故障特征,能够很好地识别出不同转速工况下转子的不平衡故障。     

基于排列熵与IFOA-RVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出基于排列熵与改进的果蝇算法(IFOA)优化相关向量机(RVM)的汽轮机转子故障诊断方法。将实验数据进行自适应完备的集合经验模态分解(CEEMDAN),并选取故障特征敏感的IMF分量计算排列熵,以此构造特征样本集,进而建立"二叉树"IFOA-RVM故障分类器对特征集进行分类,其中IFOA通过两个阶段来定义果蝇群体的搜索范围来提高搜索效率,同时避免RVM核函数陷入局部最优。通过ZT-3汽轮机转子模拟试验台获得的故障数据进行实验研究,结果表明与模糊熵对比,排列熵获得的特征样本集的聚类效果明显;IFOA-RVM分类器在故障识别准确率和效率上优于FOA-RVM等其它分类器;证明了基于排列熵与IFOA-RVM汽轮机转子故障诊断方法的有效性和可行性。     

基于声信号的滚动轴承故障诊断研究

结合小波包短时能量散布熵、回溯搜索算法以及学习矢量神经网络，提出一种基于声信号的滚动轴承故障诊断新方法。首先利用小波包分解结合短时能量对声信号进行脉冲能量提取，突出与故障相关的时频子空间的能量分布，再通过计算各子空间短时能量序列的散布熵，构造特征矩阵。利用t-分布随机邻域嵌入方法对所获特征进行降维聚类，显示所提取的特征具有较好的聚类性能。然后采用回溯搜索算法优化学习矢量量化建立神经网络故障诊断模型，对轴承故障进行识别，并与多种诊断方法进行比较，试验结果表明，加入短时能量散布熵后，本模型提升了声信号的能量特性，优化了特征矩阵，诊断性能最佳。