基于模糊支持矢量数据描述的早期故障智能监测诊断

为了解决机电设备早期故障难以正确识别及故障发展状态不易准确监测的问题,提出了一种基于模糊支持矢量数据描述(FSVDD)的早期故障智能监测诊断新方法。该方法只需要一类目标样本作为学习样本就可以建立起单值分类器,同时在核函数中引入非目标样本的模糊隶属度,从而把非目标样本与目标样本分等级地区分开来。将这种方法应用在机电设备状态监测和故障诊断中,只需要将正常运行时的数据信号作为目标样本,就可以实现对设备早期故障的准确识别,同时判断故障的严重程度。在轴承运行状态监测中的测试结果表明,该方法不仅能快速识别轴承的早期故障,而且可以对故障的严重程度做出准确的判断。     

滚动轴承声发射特征的单分类方法及其应用

提出基于支持向量数据描述(SVDD)的滚动轴承声发射特征的单分类智能诊断方法,适用于故障监测和诊断中缺少故障样本的情况。首先利用谐波小波优良的频域盒形特性,将滚动轴承声发射信号分解到相互独立互不重叠的若干频带内,然后求取主要频带内信号的能量并归一化处理,进而将归一化能量特征作为特征向量输入SVDD分类器中进行故障识别和分类。试验表明,该方法只需要正常轴承声发射特征作为学习样本,不需要其他非目标样本即可实现故障轴承的识别,与支持向量机分类方法比较具有更高的准确率。     

基于EMD分解的聚类树状图轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆模糊性,提出了基于EMD和动态模糊聚类图的轴承故障诊断方法.运用EMD方法提取待诊断的轴承运行状态样本的能量特征指标,应用模糊聚类分析方法对特征参数进行聚类,并作出聚类树状图.结果表明,该方法不需要大量的样本进行学习,且能更直观、准确识别滚动轴承的运行状态.     

数值模型驱动的传动系统故障个性化诊断原理

如何获得机械传动系统大量反映实际运行状态的故障样本,是制约人工智能诊断模型走向工程应用的瓶颈.基于个体差异的精准诊断需求,提出机械传动系统个性化故障诊断基本原理,通过建立机械传动系统数值模型,进行仿真分析,获得故障样本,解决故障诊断过程中故障特征信息缺乏的短板,从而激活人工智能诊断方法.以轴承、齿轮传动、转子系统等机械传动系统为例,构建完好结构有限元模型,开展模型修正,获得具有一定精度的仿真模型.预定义多类故障并添加至具有一定精度的有限元模型,计算生成故障样本集,作为人工智能诊断模型的训练样本,用于待诊断测试样本分类.任意选取的支持向量机、极限学习机、卷积神经网络等人工智能诊断模型故障分类实验结果表明:所提出机械传动系统故障诊断的个性化诊断原理,具有较强的普适性与可拓展性.     

基于支持向量域数据描述的快速学习算法

支持向量域数据描述(SVDD)是一种单值分类算法,用于将目标样本与其他非目标样本区分开来.本文引入数学中曲率的概念,根据分类边界线附近支持向量曲率的大小来对训练集进行约减;提出了一种约减型的支持向量域数据描述快速训练算法FSVDD,该算法与传统SVDD相比减少了训练时所需的支持向量数目,因而训练时间极大减少,同时分类性能几乎不受大的影响,该算法在大规模训练样本学习中具有现实意义.