基于EMD和支持向量机的柴油机故障诊断

为了解决传统小波或小波包变换方法对柴油机振动信号频率分辨率不高、易受邻近谐波分量间交叠影响的缺陷,提出了一种基于经验模态分解和支持向量机的故障诊断方法。该方法首先对振动信号进行经验模态分解,分别提取能量最大的几个基本模式分量的小波包特征;然后采用支持向量机在每个独立的特征子集中进行训练,并按该子集对应的基本模式分量的能量权重进行加权融合。试验中将该方法应用于6135型柴油机的故障诊断,结果表明,针对每个基本模式分量分别进行故障分析是可行的,能够对6135型柴油机常见故障模式进行准确识别。     

基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法研究

针对滚动轴承故障诊断中特征向量难以提取与支持向量机结构参数选取依据经验的问题,提出了基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法。首先,采用小波包对采集的滚动轴承各状态下的信号进行分解,获取表征信号局部特征的各节点系数,在此基础上构建各节点系数矩阵并进行奇异值分解,来获取特征向量进而将其作为故障诊断模型的输入;其次,利用遗传算法(GA)优化支持向量机(SVM)的惩罚系数和高斯核系数两个结构参数;最后,将上述特征向量作为输入,建立GA优化SVM的故障诊断模型,实现滚动轴承的状态辨识。实验结果表明,与BP、SVM、PSOSVM相比,基于小波包与奇异值分解的GA优化SVM滚动轴承故障诊断方法具有更高的分类精度,能够提高滚动轴承状态辨识的效果。     

基于双树复小波包的柴油机时频奇异谱特征提取研究

针对传统时频分布计算量大、分析速度慢和特征提取复杂的缺点,提出一种基于双树复小波包时频奇异谱的柴油机特征提取方法,研究了基于双树复小波包变换的基本原理及其离散时频分布,运用奇异值分解方法对所得的离散时频分布进行特征提取,获得离散时频奇异谱。结合柴油机不同工况测试试验,对比分析了该离散时频特征提取方法的计算效率、不同工况下的特征提取效果,试验结果表明:该方法分析速度快,能够有效表征柴油机不同的运行工况。     

基于优选小波包和PSO-SVM的失火故障诊断

小波包变换在柴油机故障特征提取中应用广泛,其中,小波包基函数的选取对特征提取性能的影响至关重要。基于此提出了1种优选小波包和粒子群优化支持向量机(PSO-SVM)的失火诊断方法。首先,选择5种不同类型的离散小波包基函数分别对缸盖振动信号进行小波包多层分解;然后,计算缸盖振动信号的小波包能量与信息熵的比值,从中选择比值最大的小波包基函数作为最优的小波包基函数;进一步,采用最优小波包基函数分解缸盖振动信号并提取小波包频带能量概率密度作为特征向量,以及构造故障诊断特征集;最终,将故障诊断特征集输送到粒子群优化支持向量机中进行柴油机失火诊断识别。实验结果表明,利用最优小波包基函数提取特征具有良好的效果,同时PSO-SVM的识别准确率达到97.5%,说明了优选小波包和PSO-SVM的诊断方法是可行且有效的。     

基于小波包-AR谱和多核映射SVM气阀机构故障诊断

利用小波包对非平稳信号故障特征提取的优越性和支持向量机适用于小样本学习的特性,针对柴油机气阀机构故障提出了一种基于小波包-AR谱分析和多核映射支持向量机相结合进行柴油机气阀机构故障诊断的方法。该方法采用小波包-AR谱分析提取频带能量为特征向量,利用多核映射支持向量机故障分类器实现对柴油机气阀机构故障分类。试验结果表明,小波包-AR谱分析和多核映射支持向量机能对柴油机气阀机构故障进行有效诊断,故障预报正确率为100%。     

基于Winger分布和奇异值分解的轴承故障诊断

为了充分挖掘Winger时频谱有效信息,研究提出一种基于振动信号Winger分布和奇异值分解相结合的轴承故障诊断方法。首先运用Winger分布分析原始振动信号,然后基于奇异值分解的方法分析Winger谱矩阵,得到反映机械故障状态特征的特征序列,最后将振动信号的Winger谱奇异值作为特征向量,使用支持向量机(SVM)进行故障诊断。实验结果表明,该方法能有效的提取故障特征。     

基于导波奇异值向量的钢绞线应力识别研究

钢绞线是大跨度桥梁必不可少且最重要的受力构件之一,但受必需的防腐蚀措施影响,目前仍缺乏有效的在役桥梁钢绞线应力检测监测方法。超声导波在钢绞线中传播带有明显的应力特征,通过在时 频域内进行导波信号的小波包分解提取不同应力状态下小波包分解系数矩阵,并以系数矩阵的奇异值向量为特征参量,建立具有学习能力的支持向量回归模型检测钢绞线应力值。结果表明,导波的奇异值向量是有效的应力特征参量,逐级加载过程中奇异值向量距与钢绞线应力值呈单调线性变化关系;以奇异值向量构建的支持向量回归模型预测钢绞线应力,其结果确定系数达到0973 9,对比神经网络方法,支持向量回归模型应力预测结果更为稳定。     

基于导波奇异值向量的钢绞线应力检测方法研究

钢绞线是大跨度桥梁必不可少且最重要的受力构件之一,但受必需的防腐蚀措施影响,目前仍缺乏有效的在役桥梁钢绞线应力检测监测方法。超声导波在钢绞线中传播带有明显的应力特征,通过在时-频域内进行导波信号的小波包分解提取不同应力状态下小波包分解系数矩阵,并以系数矩阵的奇异值向量为特征参量,建立具有学习能力的支持向量回归模型检测钢绞线应力值。结果表明,导波的奇异值向量是有效的应力特征参量,逐级加载过程中奇异值向量距与钢绞线应力值呈单调线性变化关系;以奇异值向量构建的支持向量回归模型预测钢绞线应力,其结果确定系数达到0. 973 9,对比神经网络方法,支持向量回归模型应力预测结果更为稳定。     

基于Winger-SVD的轴承故障诊断方法

提出了一种基于振动信号Winger分布和奇异值分解相结合的轴承故障诊断方法。首先将振动信号进行Winger分布分析;然后将得到的Winger谱矩阵进行奇异值分解,得到反映机械故障状态特征的特征序列;最后将振动信号的Winger谱奇异值作为特征向量,使用支持向量机进行故障诊断。     

基于小波分析和修正指数分布的齿轮故障诊断方法

提出了基于小波分析和修正指数分布(modifiedexponentialdistribution,MED)的齿轮故障诊断方法,该方法采用小波包将齿轮振动信号分解为若干个频率段,然后选择合适的频率段进行小波包重构,对重构后的信号进行MED分析,得到齿轮振动信号的小波包时-频分布,进而从中提取齿轮振动信号故障的故障特征.对具有裂纹的齿轮振动信号分析结果表明了基于小波分析和MED的齿轮故障诊断方法的有效性.     

De-noising of diesel vibration signal using wavelet packet and singular value decomposition

The vibration signals of diesel include excess noise that must be eliminated before extraction of characteristic parameters. Firstly, the effects of vibration-signal de-noising among Fourier transform, wavelet decomposition and wavelet packet decomposition are compared. Secondly, singular value decomposition is applied to de-noising vibration signals. Finally, a new de-noise method integrated with wavelet packet and singular value is presented. In this method, vibration signals are decomposed by wavelet packet, and the wavelet packet coefficient is de-noised by singular value decomposition again. The results indicate that the new de-noising method is the best. The SNR (signal-to-noise ratio) of the vibration signals of a diesel cylinder lid is the highest. The diesel vibration waveforms of combustion and valve become clear and the extracted characteristic parameters become more precise. __________ Translated from Journal of China University of Petroleum (Natural Science Edition), 2006, 30(1) (in Chinese)     

基于多尺度核独立成分分析的柴油机故障诊断

为提高利用缸盖振动信号进行柴油机故障诊断的精度和速度,提出了一种基于多尺度核独立成分分析提取故障敏感频带的柴油机故障诊断方法。首先,提出奇异值能量标准谱对缸盖振动信号中的微弱冲击特征进行增强;然后,对信号进行固有时间尺度分解,并基于相关性准则选择有效频带分量;最后,利用核独立成分分析消除有效频带之间的频带混叠,得到故障敏感信息集中的独立频带,并计算其自回归模型(auto regression model,简称AR)参数、模糊熵和标准化能量矩作为特征向量输入核极限学习机(kernel extreme learning machine,简称KELM)进行柴油机故障诊断。试验分析结果表明,该方法可以快速准确地提取缸盖振动信号中的柴油机故障敏感频带,增强故障敏感特征,故障诊断准确率达到99.65%。     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

运用HHT边际谱的柴油机故障诊断

提出了一种基于希尔伯特-黄变换(Hilbert-Huang transformation,简称HHT)边际谱的柴油机故障诊断方法。在3110柴油机上进行了气门间隙变化和断油等故障的模拟试验,测取了柴油机在断油工况和气门间隙异常工况下的气缸盖振动信号,并采用抽区间采样分析法对缸盖振动信号进行了时域特性分析。通过对故障敏感段信号的HHT边际谱分析,得出了在各工况下信号随时间和频率变化的精确表达,并以边际谱的最大峰值作为特征向量,采用马氏距离(Mahalanobis距离)进行分类,判断柴油机的工作状态和故障类型。试验分析表明,该方法即使在小样本的情况下也能有效地识别柴油机气门间隙变化和断油故障。     

基于GM(0,N)模型的油液光谱分析界限值制定

针对传统油液光谱分析界限值制定方法中以磨粒含量服从正态分布假设为前提的局限,提出应用GM(0,N)模型制定油液光谱元素数据分析界限值的方法,该模型不仅能正确拟合光谱数据,还能够体现各元素间相关关系。应用GM(0,N)模型对船舶柴油机实际光谱数据进行处理,结果验证了该方法的有效性。     

基于0.5谐次扭振的内燃机故障诊断研究

依据内燃机轴系测点扭振与各缸激振力矩的关系式,利用0．5谐次扭振的幅值与相位特性,进行内燃机各缸作功状态监测和拉缸故障诊断。以6135柴油机为对象的应用研究验证利用0．5谐次扭振确定故障阈值方法的实用性和诊断准确性。对6240柴油机的实例分析表明,不仅可以利用0．5谐次扭振相位角准确判断出内燃机拉缸缸号,还可利用其幅值反映拉缸故障程度。因此,利用0．5谐次扭振对内燃机进行一级诊断和三级诊断具有较强的工程应用价值。     

基于波动法与模糊聚类的柴油机状态监测研究

状态评级是柴油机状态监测的主要目的。常规的以特征参数变化倍数评级的方法对于经常拆迁的设备效果不理想;而模糊C（center）-均值聚类算法不能自动对聚类结果进行等级排序。文中提出的波动法与模糊C-均值聚类相结合的状态评级则有效地解决了上述问题。波动法原理为：柴油机各缸的特征参数波动越小,则整机状态越好。选取与柴油机状态密切相关的7个参数组成特征向量,用现场采集的PZ12V190柴油机的35个样本建立聚类标准;将另10台柴油机与标准逐一再聚类,其结果与实际情况吻合得很好。表明该方法对多缸柴油机状态评级的有效性和实用性。     

发电机组橡胶柱销联轴器异常振动噪声诊断

为诊断某型柴油发电机组产生的异常噪声故障,将经验模态分解方法(empirical mode decomposition,简称EMD)和Hilbert变换用于发电机主轴承的非平稳振动信号处理,有效提取了主轴承振动信号的时频特征,对机组振动噪声信号、发电机主轴承振动和轴系扭振信号进行了分析。诊断结果表明,由于柴油机激励下机组轴系扭振幅值过大,引起柱销联轴器橡胶件表面的相对运动,产生干摩擦作用力,导致机组轴系产生间歇性的异常振动噪声。该方法对旋转轴系部件摩擦引起的振动噪声故障诊断具有参考价值。     

基于Wigner分布和分形维数的柴油机故障诊断

针对柴油机配气机构故障诊断问题,提出了一种基于Wigner分布和差分分形盒维数的故障诊断方法。首先,利用改进局部均值分解算法对柴油机缸盖振动信号进行分解,并采用相关性分析剔除噪声和伪分量;然后,分别对各相关分量进行Wigner时频分析,将结果线性叠加得到振动时频图,再提取图像的差分分形盒维数作为故障特征;最后,利用k-最近邻(k-NN)实现故障诊断。仿真结果表明,改进局部均值分解算法可以抑制Wigner分布交叉项的干扰。实验结果显示,差分分形盒维数优于其他6种典型故障特征,利用本研究提出的方法对配气机构进行故障诊断的正确率为97.2%,该方法可以用于柴油机配气机构故障诊断。