基于约简边界样本界面检测器的设备异常度检测方法

针对在无故障样本情况下如何快速检测设备异常度问题,在约简自己空间边界样本数量的基础上,提出一种约简边界样本界面检测器。以Iris数据集为例进行分析,发现与已有的异常检测方法相比,约简边界样本界面检测器是一种具有高检测率高误报警率的异常检测方法,而且具有很强的数据压缩功能,尤其是在区分有较清晰类边界数据时,具有更好的检测性能。利用约简边界样本界面检测器异常检测方法分析轴承状态数据,不仅能反映出轴承的各种状态,而且能通过设备的异常程度反映出同类故障的轻重程度。约简边界样本界面检测器的设备异常度检测方法,是在学习设备正常运行数据的基础上,找到自己空间的边界样本,并根据一定规则将其约简后,结合其方位信息与训练样本半径,进行设备状态检测,不需要设备运行的故障数据,它适合对故障数据缺乏的设备进行有效的异常检测。     

基于自适应超环检测器的设备异常度检测方法

针对在无故障样本情况下如何快速检测设备异常度问题,在引入自己空间边界样本概念的基础上,提出一种自适应超环检测器。在描述自适应超环检测器生成算法的基础上,以Iris数据集为例进行分析,发现与已有的异常检测方法相比,自适应超环检测器异常检测方法在区分有较清晰类边界数据时,具有更好检测性能。利用自适应超环检测器异常检测方法分析轴承状态数据,不仅能反映出轴承的各种状态,而且能通过设备的异常程度反映出同类故障的轻重程度。基于自适应超环检测器的设备异常度检测方法,是在学习设备正常运行数据的基础上,寻找自己空间的边界样本,结合其方位信息与自己样本半径,建立能完全覆盖状态空间的自适应超环检测器,不需要设备运行的故障数据,它适合对故障数据缺乏的设备进行有效的异常检测。     

基于免疫机理的设备异常度检测与故障诊断快速融合方法研究

针对设备异常度检测与故障诊断相分离的问题,首先基于数据势场理论,对设备状态空间的划分方法进行研究,在此基础上详细地研究了设备异常度检测与故障诊断快速融合诊断的机理,提出了应用于设备融合诊断的单故障非己势场检测器.然后以凯斯西储大学轴承标准数据集为例,对所提出的设备快速融合诊断方法的合理性进行了验证.最后通过故障隶属度曲线,证明了所提出的融合方法的有效性.     

基于故障案例学习的设备健康评价方法研究

从设备状态监测数据中分析、提取故障特征信息,准确、快速地识别设备健康状态,对于开展预测性维修,确保设备运行可靠性、安全性非常重要。以离心压缩机为研究对象,以正常状态的振动监测原始数据为参考数据,构建了正常状态原始信号和实时监测信号的相关性健康指数模型、相干性健康指数模型、谱距离健康指数模型,在针对健康指数模型开展大量故障案例学习、健康度分布统计分析基础上,制定了设备健康评级准则,形成数据驱动的机械设备健康评价方法,揭示了离心压缩机健康度表征与运行状态的映射关系。应用轴承试验数据和离心压缩机转子不平衡故障案例数据,分别验证构建的设备健康指数模型和健康评级准则的准确性、适用性。结果表明,构建的健康指数模型能较好地表征设备运行状态,与有效值和峰-峰值固定阈值报警方法相比,构建的机械设备健康评级准则对于指导预测性维修更有实践意义。     

双支撑旋转机械轴承故障诊断技术应用

快速确定旋转机械设备轴承运行状态,在设备监测中具有重要意义,重点阐述了旋转机械设备轴承在正常运行状态下,通过应用双支撑旋转机械轴承故障诊断技术,对日常巡检和对运行设备轴承的振速-频率测定,可快速确定和掌握旋转机械设备运行异常,早期发现故障原因,并能预报故障发展趋势。为水泵、风机、电机等机电产品的运行监测提供参考。     

重载铁路电化区段信号机械设备故障自动检测方法

为解决重载铁路电化区段信号机械设备故障在检测中存在检测结果误差大、错检与漏检率高等问题，设计了重载铁路电化区段信号机械设备故障自动检测方法。分析重载铁路电化区段信号机械设备的组成，以及机械设备运行的自动化控制过程，确定机械设备故障类型；针对不同故障类型设置故障自动检测判据，利用传感器设备采集实时运行数据，通过滤波和融合后输出初始数据样本，提取信号机械设备实时信号特征，通过计算检测判据相似度，确定信号机械设备故障类型，输出故障自动检测结果。实验结果表明，所提方法综合信号机械设备故障位置、程度等多个方面，使平均检测误差低于1.0,错检率和漏检率均低于1%,提升了重载铁路电化区段信号机械设备故障自动检测的有效性。     

大型旋转机械状态监测及故障诊断系统

针对大型旋转机械实时监测系统一般只负责监测设备运行状况,而无法进行故障分析的弊端研究设计了该系统。系统实现了大型旋转机械运转状况的实时监测、信号曲线实时显示、长期数据存储、网络通信以及在线动平衡测量和轴承故障检测等多种功能,能及时识别旋转机械设备的异常状态,保证设备安全可靠地运行,并可以为控制设备运行于最优状态以及早期诊断设备故障提供依据。     

基于免疫机理的往复压缩机气阀故障检测方法

气阀故障是往复压缩机最常见的故障类型之一,由于往复压缩机的工作机理复杂,故障样本缺乏,难以应用常规方法对其进行有效的故障检测。为了能够准确检测气阀的各种故障,基于生物免疫系统的反面选择机理及反面选择算法,首先对设备故障检测问题进行了描述,引进了设备状态空间、自己—非己空间及模糊空间的概念,继而提出了适于往复压缩机气阀故障检测的新方法。通过对气阀常见故障的检测结果表明,所提出的方法能够以异常度曲线的形式较好地反映出气阀的各种故障,表明了该方法的有效性。基于免疫机理的设备故障检测方法,是在对设备正常运行数据学习的基础上,实现对设备的故障检测,不需要设备运行的故障数据,它适合对故障数据缺乏的设备进行有效的故障检测。     

基于云理论和Relief⁃F的滚动轴承故障识别方法

为了充分利用海量数据中蕴含的信息并对轴承故障进行有效识别,采用云理论方法将轴承的故障数据与其对应的故障类型进行映射,建立了滚动轴承在不同状态下各个特征的云分布模型,并依此构造出轴承故障的云判断知识库。同时,引入Relief-F算法确定训练集各特征的权重系数,结合云分布隶属度系数,提出了样本对于轴承故障的最终隶属度计算方法。通过根据不同数目的训练样本建立的云分类知识库在分类精度上的对比,证明了该方法具备对数据的学习能力。将该分类方法与常用的分类方法在含有噪声的测试样本上进行对比实验,证明了该分类方法在抗噪性方面的优越性。     

基于SVDI的低功耗自供电机械设备故障检测方法

异常的温度变化和振动都会导致低功耗自供电机械设备故障,为了提高设备运行的安全性和稳定性,提出了基于奇异值分解插值(SVDI)的低功耗自供电机械设备故障检测方法。利用改进后的小波去噪方法对低功耗自供电机械设备的运行信号做去噪处理,采用SVDI算法提取机械设备运行信号的特征,构建低功耗自供电机械设备的故障状态集合,将机械设备运行信号特征与故障状态集合中存在的故障对比,完成低功耗自供电机械设备故障检测。实验结果表明,所提方法的信号质量高、检测性能好且错分代价低,保障了低功耗自供电机械设备的稳定运行。     

基于STL-1 DDCAE的轴承故障诊断研究

由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码网络对轴承正常运行数据的非线性特征进行了挖掘,得到了健康样本的重构误差;然后,采用概率分布的方式拟合了健康样本重构误差信号,并计算了其正太分布参数;最后,利用时间序列分解(STL)方法分析了轴承的重构误差曲线,利用趋势项分量确定了轴承故障的发生时间。研究结果表明：该方法能够充分提取轴承故障特征,自适应地确定样本临界阈值,避免轴承异常状态的高误判率,准确识别3个轴承异常信号发生的时间戳为760、1 780、1 700,并能够根据异常检测时间点分别给轴承数据添加健康状态、内圈故障、外圈故障及滚动体故障的标签,实现数据标签化处理。     

基于领域对抗网络的轴承故障诊断方法研究

在使用传统机器学习方法进行机械设备故障诊断过程中,因运行工况复杂多变无法满足测试数据和训练数据的同分布,导致模型诊断性能不高。针对这一问题,提出了一种基于领域对抗网络的设备变工况故障诊断方法。在卷积神经网络基础上,建立了包含特征提取器、故障分类器以及领域判别器的诊断模型,对测试与训练样本进行了分析处理,通过最小化故障分类器损失和最大化领域判别器损失,实现了对机械设备的故障诊断过程;通过在轴承试验台上进行了故障诊断模拟实验,将该方法诊断结果与其他故障诊断方法结果进行了对比,验证了该诊断模型对故障的识别能力。研究结果表明:该方法取得了96%以上的平均诊断准确率,在诊断过程中具有不受训练样本和测试样本差异影响的效果。     

轴承检测中采集数据的处理方法分析

随着我国工业化技术的发展，各种工业机械设备制造技术及其应用都得到了更高的发展，作为我国工业机械设备行业中应用最为普遍，也最为基础的重要机械元件——轴承，它的工作质量和性能直接关系到整个传动系统的安全、稳定、可靠和离效运行。因此研制出精密度更高、检测效率更强，功能更全面的轴承自动检测系统就十分关键，因为只有准确掌握轴承外圈所有相关数据信息和几何参数，才能够准确掌握其运行状态和质量性能，才能够为其设备的在线监测和故障维修预测提供准确的基础信息和数据，才能够实现轴承内外套圈自动、高精度、高效率分级，从而提高企业机械设备行业生产管理水平。     

基于经验模式分解的支持向量数据描述用于机械设备状态评估研究

机械行业中的大型关键设备一般没有足够故障数据作为其运行状态的参考,对于这类设备的监测研究就更为重要。文中利用机械设备正常运行时的信息作为样本,利用EMD自适应分解采集到的数据,作为SVDD单值分类器的输入来判断机械设备运行状态,经滚动轴承实验,得到了较好的运行状态评估效果。     

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。     

基于小波核扩散与双阶段SVM的轴承复合故障分类方法

轴承复合故障分类中存在故障特征强线性不可分及故障数据标签不足问题,严重影响分类精度。为此,提出基于双阶段支持向量机(SVM)与小波核扩散的轴承复合故障分类方法。针对故障特征强线性不可分,使用小波核函数对其进行高维空间映射,并利用极大重叠离散小波包变换获取信号在不同频带上的能量分布作为故障特征;针对故障数据标签不足,提出增量式核空间标签扩散的双阶段SVM分类模型,在小波核空间核差异距离基础上,利用增量式核空间标签扩散对训练样本的近邻样本、粗分阶段边界样本进行扩充,并在细分阶段依据扩充后的样本完成模型训练。3组轴承复合故障数据验证了所提方法的有效性,实验研究表明,在单类训练样本为5的条件下,所提方法比SVM分类准确率平均提升7.5%,并优于其他流行算法。     

状态维修机械设备的可靠性和检测更换策略

大多数机械设备有三种运行状态:正常状态、异常状态和故障状态。设备被检测诊断为异常后进行状态维修,而设备故障后进行故障维修。假设状态维修能修复如新,故障维修修复非新。引进单调随机过程描述故障维修修复非新的情况。在状态维修能修复如新故障维修修复非新等假设下,利用概率分析和矢量Markov过程方法研究了状态维修机械设备的可靠性和检测更换策略,导出了设备的可靠性指标与稳态收益率的明显表达式,以及最优检测更换策略的可行性判别准则,最优检测更换策略可用解析方法或数值方法求得。实例研究表明,研究结果可为提高机械设备可靠性、安全性和经济效益提供科学的参考依据。     

机械设备状态的经验模式分解统计识别方法

采用经验模式分解与基于统计的Mahalanobis—Taguchi system相结合的方法进行机械设备状态识别。利用经验模式分解自适应提取设备状态监测信号的特征,针对机械设备实际运行中存在的大量正常样本和少量异常状态样本的情况,运用统计方法实现对机械设备状态的识别诊断。实验表明,运用经验模式分解与Mahalanobis-Taguchi system方法能有效地识别设备运行状态,提高状态识别的准确性。     

基于单分类的机械故障诊断研究及其应用

为解决机械智能监测与诊断中缺少故障样本的问题,提出一种机械故障单值分类的新方法--支持向量数据描述法.该方法只需要一类目标样本作为学习样本,而不需要除学习样本以外的其他非目标样本,即可以建立单值分类器,从而将非目标样本从目标样本中区分开.提取机械设备正常运行时振动信号的特征值组成学习样本集,建立单分类模型,应用该模型可以对未来的设备运行状态和故障进行识别诊断.该方法应用于某水泥厂煤灰鼓风机故障诊断的工程实践中,取得满意的结果.