基于组合矩和随机森林的转子轴心轨迹识别

针对大型旋转机械难以获得大量故障样本和不变矩识别率低的问题,提出基于组合矩和随机森林模型的转子轴心轨迹识别方法。采用实测的轴心轨迹作为样本,采用Sobel算子提取轴心轨迹的轮廓,基于轮廓的形状几何特征和不变矩构造组合矩。将不变矩和组合矩作为随机森林模型的输入进行分类,证明了组合矩的分类准确率最高。对随机森林、支持向量机和BP神经网络的分类效果进行了对比,结果表明：随机森林的分类准确率要高于支持向量机和BP神经网络,并且识别时间较短,是诊断旋转机械故障的一种新方法     

基于轴心轨迹的转子升速过程故障特征提取方法研究

针对升速过程中转子故障诊断所面临的复杂分析问题,在传统轴心轨迹的基础上提出瞬态倍频轴心轨迹的分析方法。利用Vold-Kalman阶比跟踪方法提取出各故障特征频率;然后将特征频率进行重构,合成随转速变化的瞬态倍频轴心轨迹;利用几何矩方法提取瞬态倍频轴心轨迹的故障特征,并将几何矩特征集进行MDS降维。经实验验证,该方法在转子升速过程中的故障特征提取及诊断方面取得了良好的效果。     

基于BP神经网络和D-S证据理论的刀具磨损监测方法

将BP神经网络和D-S证据理论相结合的方法运用于刀具磨损监测中,采用小波包分解法对刀具磨损过程中产生的声发射信号进行特征提取,构建特征向量,利用BP神经网络识别判断刀具磨损状态;通过BP神经网络的输出结果和训练误差计算D-S证据理论的基本概率赋值,并用D-S证据理论对BP神经网络的识别结果进行决策级融合。实验结果表明:该方法避免了神经网络识别时的误诊,提高了整个刀具磨损监测系统识别的准确性和可靠性。     

基于D-S证据理论和模糊理论的工业机器人健康状态评估

提出一种基于D-S证据理论和模糊理论的工业机器人健康状态评估方法。建立考虑部分健康指标、运行指标及性能指标的工业机器人健康评估体系。利用模糊层次分析法处理不确定概念中的模糊性得到评估指标的隶属度,将它作为D-S证据理论的初始概率分布并修正;将修正的概率分布应用D-S融合规则融合,获得机器人健康状态评估结果;通过实例验证该健康评估方法的正确性。结果表明：该方法可为机器人的监测和故障诊断提供参考。     

基于BP神经网络和D-S证据理论的滚动轴承故障诊断方法研究

针对单一传感器对滚动轴承故障信息的识别具有不确定性的缺陷,提出了基于BP神经网络与D?S证据理论的多传感器信息融合的方法。将BP神经网络的输出结果进行归一化处理作为各焦元的基本概率分配,轴承的5种故障类型作为系统的识别框架,根据Dempster合成法则进行决策级融合。试验结果表明,利用该方法对轴承的内圈磨损、外圈磨损、滚珠磨损等故障进行试验诊断,提高了故障诊断的准确率,验证了该方法的可行性。     

基于EWT与改进D-S证据理论的燃气调压器故障诊断

针对传统单一燃气调压器故障诊断模型存在诊断精度较低和结果误判别率高等问题,提出一种经验小波变换(EWT)与改进D-S证据理论结合的故障诊断方法,对燃气调压器故障状态进行诊断。使用EWT对传感器采集数据进行预处理并计算各分量能量熵,将其作为以广义回归神经网络、Elman神经网络和灰关联熵分析3种模型为基础构建的混合诊断模型的输入变量。根据D-S证据理论建立3个模型的基本信度函数,实现故障信息的决策融合,并引入证据关联系数法对证据体决策重要度和冲突问题加权修正。实验结果表明：EWT与改进D-S证据理论模型的故障诊断准确率达95.0%,在平均误差、均方误差、最大误差百分比等方面均优于单一的广义回归神经网网络、Elman神经网络和灰关联熵分析模型。     

基于自适应加权和D-S证据理论的风电机组故障诊断

由于风电机组系统相当复杂,故障原因及其现象不成简单或线性对应关系,单一检测不能够满足诊断需要。针对这一问题,将无线传感器网络(Wireless Sensor Network)中信息融合的理论和方法应用于风电机组状态监测和故障诊断中,使采集到的海量数据分别进行信号层与特征层两个层次的信息融合,运用自适应加权融合算法降低网络的数据冗余和传输能量消耗,利用高斯隶属度函数获得基本概率的赋值,提高了D-S证据理论数据的可靠性,改进的证据组合方法提高了故障识别能力。最后,对风电机组齿轮箱的故障诊断进行仿真实验,实验结果验证了该方法具有较高的诊断精度,明显提高诊断的可信度。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

基于证据理论的岩体力学参数信度估计方法

针对岩体力学参数的未确知性 ,提出了基于证据理论的岩体力学参数信度估计方法。在构造岩体力学参数的识别框架上 ,对多个具有不同信度的抽样试验证据用Dempster Shafer合成法则进行信度综合 ,从而获得在其识别框架上的基本可信度分配、信任函数和似真函数 ,并在此基础上 ,利用定义的类概率函数确定岩体力学参数的取值。应用实例表明 ,该方法在岩体力学参数的分析和选取上取得了较好的结果。     

神经网络和改进D-S证据理论相结合的滚动轴承复合故障诊断研究

提出了将神经网络与D-S证据理论相结合的故障诊断方法,实现了故障信号的特征级和决策级融合,并应用于轴承的复合故障诊断研究。将BP、RBF、GRNN 3种神经网络的输出结果作为3个证据体,滚动轴承的4种复合故障特征作为系统的识别框架,引入聚类系数作为权值分配,重新计算基本概率赋值,对D-S证据理论进行改进,以提高轴承复合故障诊断的准确性。     

基于灰色系统理论的圆锥滚子轴承振动控制方法的研究

借助灰色系统理论，通过实验研究了32210型圆锥滚子轴承振动的控制方法。实验结果表明，轴承的振动值得到了控制，该方法有效、可行，对实际生产中控制轴承的振动有一定的指导意义。     

基于分形盒维数的双跨轴承转子系统故障诊断方法研究

以双跨轴承转子系统为研究对象,针对其状态监测与故障诊断中存在的问题,利用分形盒维数的方法对系统进行分析。通过提取试验台振动信号并计算其分形盒维数实现对系统的故障诊断。结果表明,不同工作状态下的盒维数各不相同,不平衡故障的盒维数最大,碰摩故障的盒维数次之,正常运转时的盒维数最小,盒维数随着计算网格数的增加而减小。该系统以分形盒维数为特征兆量,能够快速准确地对双跨轴承转子系统进行状态监测与故障诊断,具有一定的应用价值。     

基于相似性原理的轴类零件小批量多品种生产的统计质量控制

针对小批量、多品种生产中存在的样本数据量小,难以推广统计质量控制的缺陷,在分析轴类零件的特征信息模型基础上,应用相似系统理论,确定了轴类零件车削加工的相似性,检测出相似工序零件的质量特征数据;利用公差系数法,将质量特征数据转化为在区间（0,1）内的统计量,这样扩大了其样本容量,使统计质量控制技术能方便的运用在车削加工中。     

基于CWT-CNN的离心泵轴承故障识别方法

针对传统的轴承故障诊断方法在面对强噪声和非平稳信号识别时特征提取过度依赖先验知识和专家经验等问题,结合传统的信号处理方法和深度学习算法提出一种基于CWT-CNN的离心泵轴承故障识别方法。连续小波变换(CWT)将原始的1D振动信号转化为故障特征信息更丰富的2D时频图,2D时频图再输入到卷积层完成特征的自动提取,最后SoftMax层完成故障识别。经过西储大学公开轴承数据集和实验室搭建的离心泵振动轴承采集实验台验证,该方法的故障识别准确率均能达到90%以上。     

基于改进D-S证据理论的滚抛磨块融合决策模型

目的 为了能够有效利用滚磨光整加工数据库平台的案例知识和专家经验,提高新零件加工时滚抛磨块优选的准确率,解决不同优选方式优选结果的冲突问题.方法 将案例推理、专家推理、迁移学习3种优选方式的滚抛磨块优选结果作为3种证据,根据3种优选方式计算的相似度结果构建滚抛磨块决策辨识框架,并采用合理的方法确定基本概率赋值.然后依据...