基于时频图像特征提取的状态识别方法研究与应用

介绍一种基于时频图像进行设备状态识别的新方法。论述了对振动信号应用Hilbert谱构建二维时频图像,研究时频图像三维重心与信息熵的特征提取方法构造特征向量,采用支持向量机进行设备的状态识别。并以滚动轴承不同状态的识别为例,验证方法的有效性。为提高滚动轴承振动信号特征提取的可靠性,采用多循环平均方法减小循环波动性影响。研究表明此方法能够提高设备故障诊断与状态识别的准确性。     

基于图非负矩阵分解的图像配准

本文提出一种新的利用图的谱对应绝对值特征向量的非负矩阵分解图像配准方法.首先利用图像特征构造了无向权图的非负权矩阵,通过非负矩阵分解得到了包含原始图像全部特征的特征基图像;然后将非负权矩阵谱对应绝对值特征向量作为非负矩阵分解的初始值进行迭代,既能反映图的结构特征信息,又能提高图像的匹配率;最后在特征基向量空间找到了两图...     

基于振动时频图像全局和局部特征融合的柴油机故障诊断

提出了一种基于振动时频图像全局和局部特征融合的柴油机故障诊断方法。采用平滑伪维格纳分布(SPWVD)方法生成柴油机振动时频图像,分别用核主元分析(KPCA)和局部非负矩阵分解(LNMF)方法提取时频图像的全局和局部特征进行融合,并用独立分量(ICA)分析方法对融合后的特征进行降维,对降维后的融合特征进行分类完成对柴油机的故障诊断。试验结果表明,基于振动时频图像全局和局部特征融合的柴油机故障诊断方法,能够准确诊断柴油机的气门故障。     

内燃机KVMD-MHD振动谱图表征与TD-2DPCA编码诊断方法研究

为了直接对内燃机振动谱图像进行诊断识别,提出一种基于改进变分模态分解(VMD)、Margenau-Hill(MHD)时频分析与双向二维主成分分析(Two-directional,Two-dimensional PCA,TD-2DPCA)的内燃机振动谱图像识别诊断方法。该方法首先针对VMD分解过程中的层数选取问题,提出了一种中心频率筛选的VMD分解层数改进方法(KVMD),然后将内燃机振动信号利用KVMD分解成一组单分量模态信号,并对生成的各个单分量信号进行MHD处理后表征成振动谱图像;在此基础上,对生成的内燃机KVMD-MHD振动谱图像采用双向二维主成分分析形成编码矩阵,并采用最近邻分类器(KNNC)对上述编码矩阵直接进行模式识别,以实现内燃机振动谱图像的自动诊断。最后,将该方法应用在气阀机构4种工况下的缸盖表面振动信号诊断实例中,结果表明:该方法不仅改进了传统图像模式识别中的特征参数提取方法,而且能很好地消除时频分布中的交叉干扰项,使各时频分量物理意义明确,能有效诊断出内燃机气阀机构故障,为内燃机振动诊断探索了一条新途径。     

基于内燃机振动信号的可视化识别诊断

为提高故障识别诊断的精确度和实时性,有效解决内燃机多分量、非平稳振动信号特征提取困难的问题,提出一种基于改进局部二值模式(ILBP)与双向二维主成分分析(TD-2DPCA)的内燃机振动信号可视化故障识别诊断方法。针对传统时频方法在分析内燃机振动信号中,存在时频分辨率低及交叉干扰项的问题,将经验小波变换(EWT)与同步压缩小波变换(SST)应用到内燃机振动信号的时频图表征中;利用ILBP提取图像的纹理特征,并对ILBP图谱采用TD-2DPCA降维,将降维后的编码矩阵向量化后得到图像的特征参数;通过支持向量机(SVM)和最近邻分类器(NNC)分别特征向量进行训练、测试,实现内燃机的故障识别诊断。在内燃机气门间隙故障8种工况下缸盖振动信号的识别诊断试验中,均得到较高的分类精度;通过参数的合理优化,在保证了分类速率的同时,最高识别率达到96.67%,对比其他方法,充分表明该方法在内燃机故障诊断中的有效性。     

基于KVMD-PWVD与LNMF的内燃机振动谱图像识别诊断方法

为了直接对内燃机振动谱图像进行诊断识别,提出一种基于改进变分模态分解(VMD)、伪魏格纳时频分析(PWVD)与局部非负矩阵分解(LNMF)的内燃机振动谱图像识别诊断方法。该方法首先针对VMD分解过程中的层数选取问题,提出了一种中心频率筛选的VMD分解层数改进方法(KVMD),然后将内燃机振动信号利用KVMD分解成一组单分量模态信号,并对生成的各个单分量信号进行伪魏格纳分析处理后表征成振动谱图像;在此基础上,对生成的内燃机KVMD-PWVD振动谱图像分别采用非负矩阵分解(NMF)和LNMF形成编码矩阵,并采用最近邻分类器、朴素贝叶斯分类器和支持向量机对上述编码矩阵直接进行模式识别,以实现内燃机振动谱图像的自动诊断。最后,将该方法应用在内燃机故障诊断实例中,结果表明:该方法改进了传统图像模式识别中的特征参数方法,能有效诊断出内燃机气门间隙故障,三种分类器识别精度均大于93%,其中支持向量机的分类精度最高,达到99.8%,且采用LNMF形成的编码矩阵识别精度整体高于NMF,为内燃机振动诊断探索了一条新途径。     

双约束非负矩阵分解的复合故障信号分离方法

为了分离复合故障振动信号,提出了一种采用双约束非负矩阵分解算法的信号分离方法。首先对原始振动信号采用短时傅里叶变换,通过时频分布信息来描述信号的局部故障特征;其次在传统非负矩阵分解算法中引入β散度约束与行列式约束,构成双约束非负矩阵分解算法,利用双约束非负矩阵分解算法实现数据的降维,并从低维空间中分离出特征分量;然后通过特征分量重构出时域波形,同时提出加权峰值因子的影响参数筛选重构信号;最后将筛选出的分离信号进行包络频谱分析,提取故障特征。仿真及轴承复合故障实验结果表明:所提出的方法可以有效分离并提取出外圈与滚动体冲击性特征,实现了轴承的复合故障诊断。     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

基于峭度与IMF能量融合特征和LS-SVM的齿轮故障诊断研究

针对齿轮振动信号非线性非平稳特性,为避免传统时频方法在表征设备状态时的不足,提出一种基于融合峭度与IMF能量特征和LS-SVM的齿轮故障诊断方法。首先,对齿轮振动信号在EMD分解;然后,提取包含主要故障信息的IMF分量的峭度特征和能量特征,组成融合特征向量;最后,将齿轮正常、齿根裂纹、断齿3种状态下的融合特征向量输入到LS-SVM,通过训练好的LS-SVM对齿轮状态进行分类识别。仿真实验结果表明:该方法能准确识别齿轮的工作状态,且与BP神经网络、SVM相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。     

基于SST时频图纹理特征的供输弹系统故障诊断

对于供输弹系统早期故障中信号成分复杂,故障征兆难以识别的问题,提出了基于同步压缩变换(SST)时频图纹理特征的故障诊断方法。使用EEMD方法对供输弹系统振动信号进行预处理,对分解的分量进行相关系数运算,选取与原始信号相关系数大的前4层分量对信号进行重构,达到了一定的降噪效果;接着利用供输弹系统不同状态的信号通过同步压缩变换时频分析,得到反映不同运行状态的二维时频图像,并进行灰度化处理;利用灰度共生矩阵法与灰度梯度共生矩阵,对其进行纹理特征的提取,为与传统方法做对比,提取了信号经EEMD分解后,与原始信号相关系数大的前4层分量的能量百分比作为特征;使用基于核的模糊C均值聚类,对供输弹系统三种不同状态振动信号的图像纹理特征和能量百分比特征进行分类识别,并与模糊C均值聚类进行对比。实验结果表明,该方法能有效地对自动供输弹系统早期故障进行识别,且识别正确率达91.21%。