基于主分量分析的柴油机振动信号特征提取

针对柴油机振动信号非线性非平稳性的特点，提出一种相空间重构理论、局域波法与主分量分析相结合的信号特征提取模型，该模型首先应用相空间重构理论从已知时间序列中抽取动力系统，然后通过主分量提取以降低空间维数、突出故障信息，最后使用局域波时频分析方法对提取的主分量进行分析。通过对6BB1型柴油机实测信号进行的特征提取与分析表明，该方法能去除柴油机振动信号局域波时频图中的冗余信息，突出故障信息，从而证明了方法的有效性。     

基于特征评估与核主分量分析的齿轮故障分类方法

针对无先验知识模式下机械故障特征的选择、融合存在盲目性、片面性,提出了一种基于特征评估与核主分量分析的齿轮故障特征提取与分类方法。该方法采用小波包分解对原始信号进行分解,分别提取原始信号和各分解信号的时域指标组成联合特征,然后确定了稳定性门限值与敏感性筛选比例因子,采用稳定性与敏感性联合评估方法对特征进行评估,并利用核主分量分析方法提取剩余联合特征中的非线性特征,实现不同齿轮故障状态的分类。实验结果表明,这种集成了小波包分解、特征联合评估方法和核主分量分析的齿轮故障分类方法能够更好地提取齿轮故障的特征信息,从大量的故障特征中剔除不稳定与不敏感的劣质特征,明显改善了核主分量分析提取齿轮故障非线性特征的效果。     

基于EMD-PCA的轴承故障源盲分离方法

结合经验模态分解和主分量分析各自的优点,提出了一种基于EMD-PCA的轴承故障源的盲分离方法。利用EMD方法对混合观测信号进行分解得到若干个本征模函数分量,把所有的IMF分量重新组合在一起,作为新的观测信号,然后采用PCA对新的观测信号进行共性分析以得到源信号中的主要成分,并进行了轴承故障源分离试验验证。     

机械故障信号主分量的最大熵谱分析

针对复杂机械系统中经常出现的多种故障并存现象,讨论了基于主分量分析的机械故障信息分离的方法,然后利用最大熵谱处理短数据的优点对分离信号作频谱分析,达到对故障信号准确定位的目的,取得了较为满意的结果。     

EMD分解、分形理论和RBF神经网络相结合的轴承智能故障诊断研究

准确快速的诊断并解决机械设备中的常用组成部件滚动轴承的故障对机械设备和生产至关重要。为了对滚动轴承进行准确的智能诊断,将EMD分解、分形理论和神经网络有机结合,通过运用EMD对信号进行提取和分解,得到其IMF分量,然后画出各IMF分量的关联积分双对数曲线图并从中得出信号的关联维数,借助关联维数并运用RBF神经网络对轴承的状态进行分类和识别,达到智能诊断的目的。实例分析表明EMD分解、分形理论和RBF神经网络相结合能够有效的减少非线性分量对故障信号的干扰并准确识别滚动轴承的故障类型,证明了三者结合的智能故障诊断有效可行。     

基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法

针对齿轮箱复合故障的故障特征分离,提出了一种基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法。该方法先根据振动信号中各组成成分形态的差异,采用形态分量分析方法构建不同形态的稀疏表示字典进行故障成分分离,将齿轮箱复合故障信号分解为包含齿轮故障信息的谐振分量、包含轴承故障信息的冲击分量和噪声分量,然后分别对谐振分量和冲击分量进行能量算子解调分析,最后根据各解调谱诊断齿轮和轴承故障。算法仿真和应用实例表明该方法能有效地分离齿轮箱复合故障振动信号中齿轮与轴承的故障特征。     

基于多尺度特征融合的供输弹早期故障诊断

对于供输弹系统早期故障信息易被湮没难以识别的问题,提出了基于多尺度特征融合的早期故障识别方法。首先通过变分模态分解(VMD)对振动信号进行分解得到不同时间尺度的分量信号,然后对各分量信号分别提取盒维数、信息熵特征,并进一步通过主分量分析(PCA)对上述两种特征进行融合,得到累计贡献率的前3个主分量组成的融合特征,最后通过概率神经网络PNN分别对上述三种特征进行分类比较,结果表明融合后的特征对供输弹系统3种工况有更高的正判率,对供输弹系统早期故障预兆更敏感,能对供输弹系统早期故障作出有效诊断。     

应用多分辨SVD和ICA的轴承复合故障诊断研究

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于多分辨奇异值分解(SVD)和独立分量分析(ICA)的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量实现维数的增加;然后将分解得到的分量组合为混合信号,并利用ICA进行欠定盲分离;最后对分离后的独立分量进行Hilbert包络解调,由此实现对复合故障特征信息的分离和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。     

滚动轴承特征提取的多分量解调方法

提出利用多个高频振动分量进行滚动轴承故障特征提取的多分量解调方法。与传统的基于单一高频振动分量的解调方法不同,多分量解调方法从多个高频振动分量中提取信号特征信息。首先构建带通滤波器组对原信号进行滤波,然后依据所提高频振动分量获取策略求取原信号中多个高频振动分量,并对各高频振动分量进行包络检波,其次用独立成分分析对所得包络信号进行盲分离,最后对分离信号进行频谱变换以提取故障特征信息。仿真信号和故障轴承信号的分析结果表明,所提方法较传统解调方法更能凸显滚动轴承故障振动信号中的特征信息。     

形态分量分析在齿轮箱复合故障诊断中的应用

针对齿轮箱复合故障难以检测和诊断难题,提出了基于形态分量分析的齿轮箱复合故障诊断方法.形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号或图像处理方法,其主要目标是根据信号组成成分的形态差异性,选择合适的字典来分离信号.通过仿真信号和齿轮箱轴承、齿轮复合故障振动实验信号的研究结果表明:形态分量分析技术不仅能将形态各异的多分量信号进行有效分离、提取故障特征,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效识别齿轮箱的故障类型和故障发生部位,其性能优于传统的独立分量分析.     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

荧光光谱法结合神经网络优化定量分析蒽芘混合物

采用荧光光谱法结合神经网络优化对蒽芘双组分混合物进行了定量分析,提出了利用留一法交叉验证（leave one out cross validation,LOOCV）的模型训练方法,以解决混合样品光谱定量分析中用有限样品建立非线性回归模型的问题。蒽和芘混合样品的激发波长为320nm,发射波长范围为320～450nm,以混合样品光谱数据的主分量作为输入、混合样品浓度作为输出进行LOOCV训练,对神经网络进行优化设计。在LOOCV实验结果中,预测10个测试质量较好的样品,平均相对误差（ARE）为3.39%,比预测所有12个样品的ARE低0.46%,样品最小相对误差可达到1.25%,10次重复实验相对标准偏差小于0.84%。该方法具有所需样品少、容错性好、分析精度高和稳定的特点。     

基于神经网络和主元分析的特征集生成方法

能够实现线性可分并易分的特征集对模式分类具有重要意义,而特征计算方法的有限性和固定性往往导致构建此类特征集存在一定困难.为此提出一种基于神经网络和主元分析(Principal component analysis, PCA)的特征集构建方法,该方法利用神经网络对已有特征集进行非线性映射生成新的特征集,继而利用PCA方法对新特征集进行降维处理,在满足信息保留率大于85%的条件下只取第一主元方向投影数据,并判断线性可分和易分性.设计在第一主元方向上判断新特征集是否满足线性可分和易分的判据算法和准则,给出利用不对称交叉遗传算法进行网络寻优的具体步骤.数值仿真和试验验证表明所提出的方法性能稳定、分类准确,而且泛化能力较强,具有一定的工程应用价值.     

基于粗糙集的软计算方法及其在机械故障诊断中的应用

粗糙集理论是一种较有前途的软计算方法,为处理不确定性信息提供了有力的分析手段。对近年来粗糙集理论在机械故障领域的典型应用进行了归纳和评述,指出将粗糙集理论与现有的一些算法如基因算法、人工神经网络、主成分分析法等相结合,对现有算法进行改造和完善的研究路线的正确性。     

改进多线性主成分分析网络及其在滚动轴承故障诊断中的应用

针对实测滚动轴承振动信号通常存在噪声干扰,具有非线性和非平稳特性,而多线性主成分分析网络(MPCAnet)在处理复杂非平稳数据时存在非线性拟合能力差、特征聚类性一般的问题,通过引入核变换,提出了一种改进的多线性主成分分析网络,增大了训练样本间的差异度,进一步提高了MPCAnet在处理非线性数据时的泛化能力和分类精度.通...     

热力参数的KPCA-RBF网络建模及传感器故障诊断方法

针对复杂恶劣环境下机组热力参数的数据监测及传感器故障诊断问题,建立了融合机理分析、核主元分析(kernel principle component analysis,简称KPCA)与径向基神经网络(radial basis function,简称RBF)的发电机组热力参数预测及传感器故障检测模型。首先,根据机理分析得到完备的辅助变量集,并利用核主元分析提取辅助变量的特征信息以有效处理发电机组中高维、强耦合的非线性数据;其次,将主元变量集输入径向基神经网络进行学习,实现热力参数的重构;最后,基于预测模型与窗口移动法实现传感器的故障诊断,并对故障数据进行及时修复和准确替换。以燃气轮机排气温度为例进行验证的结果表明,该预测模型具有更高的精度和泛化能力,能在传感器故障发生初期及时发现并识别故障类型,检测效果优良。     

神经网络应用于多元变量时间序列的建模研究

自然界复杂系统的动态特性通常包含在多个变量时间序列的演化轨迹中。采用主成分分析与神经网络相结合的方法，进行多元变量时间序列的建模和预测研究。主要思路是首先通过主成分分析法找到一组相互独立的输入变量；再利用神经网络实现多个变量之间以及变量当前状态和未来状态之间的函数映射。多组实例仿真结果证明了该方法进行多元变量预测的可能性和有效性。     

马铃薯晚疫病害的高光谱图像空谱对比研究

为了快速检测马铃薯晚疫病,采用高光谱成像技术对马铃薯晚疫病的空谱信息进行对比研究以得到最佳判别手段。使用高光谱相机采集病害侵染0～6 d的高光谱图像,同时选取第6 d典型晚疫病病害的高光谱数据作为研究对象。采用二阶导数结合主成分分析和二次主成分分析分别从光谱和空间两个方面进行特征提取,之后基于特征波段反射率和主成分图像灰度值建立K最近邻分类算法、BP神经网络、决策树算法3种识别模型对不同时期病害进行识别。实验结果表明:基于二次主成分图像的灰度值结合BP神经网络建立的模型对马铃薯晚疫病的识别具有良好的成效,其识别率达96.6%。利用主成分图像灰度值建立的3种模型既减少了波段的冗余又提高了识别率,为研究和开发实时在线检测仪器提供了参考。     

核函数主元分析及其在故障特征提取中的应用

提出了基于核函数主元分析的故障特征提取方法。该方法利用计算原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析，得到原始特征的非线性主元．以所选的非线性主元作为特征子空间，并应用转子试验台的故障数据对该方法进行了检验。结果表明，核函数主元分析更适于提取故障信号的非线性特征，它提取的故障特征对故障具有更好的识别能力，并对分类器具有较强的鲁棒性。     

设备故障趋势预测的分析与应用

研究了设备故障趋势的预测方法，介绍了非线性自回归模型，提出将BP神经网络与非线性自回归模型相结合，针对实验室JZQ250型齿轮箱的测试系统建立了基于振动信号的神经网络预测模型。采用MATLAB软件中自带的神经网络工具箱，利用模块化的编程思想，编程实现了神经网络预测模型．并利用实验室数据的峭度指标进行了实验。首先给出网络的输入及对应的目标输出，然后经过训练获得网络的权值和阈值，最终构建齿轮箱故障趋势的预测神经网络，用来预测齿轮箱的故障趋势。结果表明，该模型能够有效地短期预测齿轮箱的典型故障，可以用于齿轮箱的故障诊断。