基于电机电流信号的齿轮泵故障识别方法

针对机械类信号在齿轮泵故障识别与诊断中存在的信号获取成本高、信噪比低、故障特征不易获取等问题,提出一种基于电机电流信号的液压齿轮泵故障识别方法。分析通过驱动电机电流信号对齿轮泵故障进行识别的可行性,对所采用的VMD方法的参数进行了优化,结合齿轮泵运行工况对IMF分量的相关性进行分析,并重构了电流信号,依据其排列熵和均方根值所构造的特征样本并融合KFCM聚类算法,对齿轮泵进行故障识别与诊断。并通过机电液试验台对不同故障类型的齿轮泵进行试验,试验结果表明:所提电机电流信号分析与特征提取方法可准确而有效识别齿轮泵故障。     

基于改进VMD形态谱和FCM的滚动轴承故障诊断方法

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解（VMD）形态谱和模糊C均值聚类（FCM）算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明：所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。     

关联维数在齿轮泵故障诊断中的应用

提出了利用自相关函数和最近邻域发散度实现关联维数的可靠算法;针对齿轮泵的振动信号,先采用时域同步平均对信号进行消噪处理,然后用关联维数对齿轮泵进行故障诊断.实验结果表明,在齿轮泵的4种不同工作状态下振动信号的关联维数具有明显的可分性.     

轴承故障的排列熵特征提取与GK模糊识别方法

为了提高轴承故障诊断准确率,提出了参数优化多尺度排列熵的特征参数提取方法和加权GK模糊聚类的识别方法。在特征提取方面,以多尺度排列熵序列偏度最小为优化目标,使用多作用力微粒群算法优化多尺度排列熵参数,实现了排列熵特征参数在轴承不同故障状态下的完全分离;在故障识别方面,提出了加权GK模糊聚类的识别方法,使用ReliefF算法计算特征参数权重,为高敏感度特征参数赋予更大的权值,从而提高GK模糊聚类的聚集度。经轴承故障实验验证,文章提出的排列熵特征参数提取和GK模糊聚类识别方法在此次实验中能够精准识别轴承故障类型,说明文中提出的特征提取和模式识别方法具有一定借鉴意义。     

基于分形盒维数的齿轮泵故障诊断

针对液压齿轮泵的三种典型故障--轴承磨损、齿轮磨损和侧板磨损,在小波包分解的基础上,采用分形盒维数的方法对故障的振动信号进行了盒维数研究计算.结果表明,齿轮泵在不同故障状态下,其盒维数明显不同,利用盒维数可以准确诊断出齿轮泵的工作状态.     

基于ALIFD模糊熵和GK聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号具有非平稳性及非线性的特点，提出一种基于自适应局部迭代滤波分解（ALIFD）模糊熵和GK聚类的滚动轴承故障诊断方法。首先对滚动轴承故障振动信号进行ALIFD分解，得到若干个本征模态函数（IMF）分量，然后通过相关性分析筛选出前3个包含主要特征信息的IMF分量，并将筛选的IMF分量的模糊熵作为特征向量，最后利用GK聚类对所得的特征向量进行识别分类。将该方法应用于滚动轴承实验数据分析，并使用分类系数和平均模糊熵对分类性能进行评价，结果表明，与基于经验模态分解模糊熵和GK聚类的故障诊断方法进行对比，该方法具有更好的分类性能。     

旋转电弧传感器焊枪偏差信息识别方法

焊枪偏差信息识别是实现焊缝跟踪的必要条件,考虑到焊接电流信号易受外界噪声的干扰,采用软阈值小波滤波方法对旋转电弧传感器采集到的电流信号进行滤波处理,使电流波形得到了明显的改善,提高了电流信号的信噪比.为了更加准确地得到焊枪偏离焊缝的信息,提出了模糊聚类和神经网络焊枪偏差识别算法,并且分别采用左右积分法、特征谐波法、模糊聚类法和神经网络法进行焊枪偏差识别,最后对四种识别方法检测到的偏差进行融合,获得焊枪偏离焊缝的信息.结果表明,该方法可以提高偏差识别的精确度和可靠性.     

基于模糊聚类的弯曲回弹分析

弯曲工艺中,影响弯曲回弹角的因素很多,难以建立准确的弯曲回弹预测模型.将模糊聚类算法和统计学理论相结合,建立了弯曲回弹的模糊聚类预测模型.对V形件的弯曲回弹进行了预测并对预测结果进行了分析,预测结果符合实际实验弯曲回弹趋势,说明了模糊聚类算法的科学性及合理性.     

模糊逻辑系统的最近邻聚类学习算法

文章先提出了一种最优模糊逻辑系统,它能使样本中所有的输入-输出数据对都拟合到任意给定的精度(在此意义上的最优);然后将这种最优模糊逻辑系统推广到大样本问题,为此,将样本数据用最近邻聚类算法进行分组,将每一组数据(一个聚类)视为一个数据对,用最优模糊逻辑系统来进行拟合.还给出了学习算法并进行了仿真实验,结果说明其控制效果非常理想.     

基于T-S模糊模型的HVAS涂层耐磨性能辨识

针对大型轴类零件的高速电弧喷涂(HVAS)修复的复杂性、非线性和难以用明确数学模型表达的特点,采用模糊C均值聚类算法得出输入空间的划分和聚类中心,最后结合递推最小二乘法辨识后建参数,建立了涂层耐磨性能与喷涂工艺参数的T-S模糊模型。将该辨识算法对实测数据进行了验证,在试验范围内,误差在-8.6%~5.8%之间。结果表明,该T-S辨识模型具有较高的辨识精度及较强的泛化能力。利用所建的模糊辨识结果,分析了喷涂工艺参数对涂层耐磨性能的影响规律,并获得了涂层硬度(HRC)极大值为92.04的最佳喷涂工艺参数。