混合聚类新算法及其在故障诊断中的应用

针对模糊C-均值(FCM)聚类算法假设各维特征和每个样本对聚类贡献相同,同时需要预先设定聚类数的不足,利用3层前馈神经网络、点密度函数算法和聚类有效性指标对其进行改进,提出一种新的混合聚类算法。该算法考虑到不同特征和不同样本对聚类结果有不同程度的影响,并根据聚类有效性指标的变化自适应确定聚类数来实现聚类。利用基于梯度下降的3层前馈神经网络通过无监督训练来自适应学习特征权值,使用基于点密度函数的算法获取样本权值,给不同特征和不同样本赋予权重,突出敏感特征和典型样本的主导作用,抑制其他特征和样本对聚类的干扰,以提高聚类性能。研究结果表明,对于国际标准测试数据和某机车轴承的早期故障诊断,该混合聚类算法不但能自动确定聚类数,而且聚类的准确性明显比FCM高。     

汽轮机故障诊断的粒子群优化加权模糊聚类法

针对模糊C-均值算法在汽轮机故障诊断中的不足,提出了粒子群优化加权模糊聚类分析的方法.首先,采用基于样本相似度的特征加权方法对样本特征及样本进行加权,以适应各种复杂分布的样本;然后,利用粒子群算法优化加权模糊聚类的特征权值和聚类目标函数,并依据聚类有效性指标自适应确定最佳聚类数及聚类结果.试验结果表明,该方法具有收敛速度快和全局收敛的特点,有效降低了汽轮机故障诊断的误分类率,诊断结果可靠.     

Semi-supervised weighted kernel clustering based on gravitational search for fault diagnosis

Supervised learning method, like support vector machine (SVM), has been widely applied in diagnosing known faults, however this kind of method fails to work correctly when new or unknown fault occurs. Traditional unsupervised kernel clustering can be used for unknown fault diagnosis, but it could not make use of the historical classification information to improve diagnosis accuracy. In this paper, a semi-supervised kernel clustering model is designed to diagnose known and unknown faults. At first, a novel semi-supervised weighted kernel clustering algorithm based on gravitational search (SWKC-GS) is proposed for clustering of dataset composed of labeled and unlabeled fault samples. The clustering model of SWKC-GS is defined based on wrong classification rate of labeled samples and fuzzy clustering index on the whole dataset. Gravitational search algorithm (GSA) is used to solve the clustering model, while centers of clusters, feature weights and parameter of kernel function are selected as optimization variables. And then, new fault samples are identified and diagnosed by calculating the weighted kernel distance between them and the fault cluster centers. If the fault samples are unknown, they will be added in historical dataset and the SWKC-GS is used to partition the mixed dataset and update the clustering results for diagnosing new fault. In experiments, the proposed method has been applied in fault diagnosis for rotatory bearing, while SWKC-GS has been compared not only with traditional clustering methods, but also with SVM and neural network, for known fault diagnosis. In addition, the proposed method has also been applied in unknown fault diagnosis. The results have shown effectiveness of the proposed method in achieving expected diagnosis accuracy for both known and unknown faults of rotatory bearing.     

不平衡技术在轴承故障诊断中的应用

为解决实际工程环境中因轴承故障数据缺失引起的数据不平衡,进而影响模型诊断的问题,提出了不平衡数据处理技术在轴承故障诊断中的应用,即使用少量数据,训练出一个能够诊断多种轴承故障的模型.针对不同种类故障数据的边界混淆及类内不平衡,首先对少数类样本进行高斯混合模型( GMM )聚类,根据簇密度分布函数使用 GMM-SMOTE 进行权重采样,然后针对边界混淆问题使用 Tomek’s Link 数据清洗技术进行边界混淆样本数据清洗,形成类内类间平衡的数据集,结合超参数优化的支持向量机(SVM )模型进行诊断分析.实验结果表明,该方法效果良好,在轴承的故障诊断中有较好的实际工程意义和推广性.     

基于复杂网络聚类的提升机主轴系统故障诊断

针对摩擦提升机主轴系统故障耦合、特征微弱且故障样本不易获得的问题,提出一种基于复杂网络聚类的故障诊断方法。该方法从故障数据表现出社团结构的本质出发,以各数据样本为节点,样本间相似度为有权边,构建加权无向复杂网络模型。将欧氏空间的距离概念推广到样本的相似性度量上提出广义Ward距离,并以此为划分准则,采用凝聚型合并过程实现网络模型中社团的聚类,即故障样本的模式识别。对主轴系统过载、滚动轴承元件故障及减速器齿轮磨损的分析结果表明,该方法能准确对已知故障类型数据进行聚类,且在过程中不预设类别数,为收集异常数据以便未知故障的发现与诊断提供了数据支持。与多元支持向量机与快速Newman算法的对比结果表明,该方法具有更高的识别精度与效率。     

基于粒子群优化模糊聚类的旋转机械故障诊断

提出基于柱子群优化模糊聚类分析的算法,并将其用于旋转机械的振动故障诊断。该算法以模糊C一均值算法（FCM）的聚类目标函数作为粒子群的适应度函数来衡量各聚类中心的优劣,并依据聚类有效性指标自动确定最优聚类数及聚类中心,有效的结合了FCM极易陷入局部最优的缺点以及粒子群算法全局寻优的优点。实践表明,该方法提高了旋转机械故障诊断的准确率,既可正确判断单一故障,又可有效诊断复合故障,从而证明了该算法的有效性。     

基于灵敏度分析的支持矢量机特征选择

特征选择可以去除冗余特征提高机械故障诊断精度和诊断效率。对于支持矢量机(SVM)作为故障决策器, 提出基于特征灵敏度分析的特征选择方法。此方法通过分析候选特征子集对SVM输出的影响大小,以此作为特征选择标准,并采用遗传算法搜索最佳特征子集。数值仿真和柴油机故障特征选择试验结果显示此方法有较好的寻优特征子集的能力,能够提高故障诊断的精度和效率。     

基于对称式对比学习的齿轮箱无监督故障诊断方法

针对跨工况下无监故障诊断特征提取难、模型泛化性弱的问题,提出一种基于对称式对比学习策略的齿轮箱无监督故障诊断方法。首先,利用原始信号构建正负样本集,通过加噪声、序列倒转等数据增强后,分别输入两个结构相同的卷积神经网络提取高维特征;其次,度量正负样本的相似程度进行编码学习数据的隐藏表示,通过对称式自监督对比学习优化正负样本的对比估计损失函数,从而有效利用样本自身标签信息,提升网络从无标签样本中学习判别特征的能力;最后,在齿轮箱数据集上对所提方法开展试验验证,通过聚类准确率、分类系数和划分熵进行综合评估。结果表明,所提方法聚类精度可达98%以上,相比其他方法,呈现了更强的聚类能力和泛化性能。     

基于行为的故障诊断系统跟踪自学习算法研究

针对现有绝大多数智能故障诊断系统自适应跟踪设备行为变化能力的不足，对基于行为的智能化故障诊断系统中模糊基函数网络的在线跟踪自学习算法进行了研究，提出了一种在线跟踪故障分类边界的自学习算法。该算法通过带有遗忘因子的样本均值和样本协方差矩阵保存样本所包含的故障可能性分布信息，并在此基础上产生新增样本的目标输出，用于训练FBF网络，以实现故障分类边界的在线跟踪。给出了带有遗忘因子的样本均值和样本协方差矩阵的递推算法，用以克服传统方法需要保存大量以往故障训练样本所带来的困难。理论研究和工程应用表明，在线跟踪故障分类边界的自学习算法可以有效地避免神经网络训练过程中的“突然遗忘”现象，是可行的。     

极限标签下基于解耦特征伪标签传播的故障诊断

面对实际工程中标签稀少,尤其是单类样本仅1个标签的极限标签场景,现有半监督诊断方法的故障识别能力严重不足。为此,本文提出一种基于解耦特征伪标签传播算法的半监督故障诊断方法。首先,引入局部选择的并行集成异常检测方法分离故障样本;其次,提出基于解耦特征的伪标签传播算法,通过解耦对抗自编码器获得增强的故障特征,进而通过故障特征降维、特征分布伪质心标定与距离度量实现高效伪标签传播;最后,利用伪标签故障样本训练故障分类器,结合异常检测实现高准确率故障诊断。两个旋转部件数据集上的实验结果表明,所提方法在单类故障标签数量为1时,同工况和跨工况实验下的平均诊断准确率分别超过97%和90%,明显优于对比方法。     

基于XGBoost特征提取的数据驱动故障诊断方法

针对目前用于故障诊断领域的机器学习方法尚不能够充分挖掘数据中隐含故障特征信息,存在逼近精度不足的问题,提出一种基于XGBoost算法的隐含特征信息提取方法。根据故障数据与故障类型自定义XGBoost算法的损失函数,迭代构建故障分裂树;提取样本在故障树中的叶子节点位置索引向量并进行特征编码重构,得到隐含故障信息的智能化表征;基于该表征矩阵,使用SVM等机器学习算法建立故障诊断模型,实现多故障模式的识别诊断;最后,以某驱动器的故障诊断为例对方法进行了验证,结果表明：与原始特征下的故障诊断模型相比,基于XGBoost算法提取隐含特征下的诊断模型准确度更高,鲁棒性更好,同时能给出特征变量的重要性排序。     

仿真数据驱动的改进无监督域适应轴承故障诊断

现有无监督的轴承跨域故障诊断研究往往采用充足的试验台数据构建源域,且难以兼顾领域间的边缘分布和条件分布对齐,此外在域适配过程中全体源域样本被赋予相同的重要性。针对以上挑战,提出了一种仿真数据驱动的改进无监督域适应轴承故障诊断新方法。采用仿真所得的故障信息丰富,标签数据充足的轴承故障数据构建源域,降低对试验台资源的依赖。设计了一种嵌入联合最大均值差异的改进损失函数,在无监督场景下实现了不同域间边缘分布和条件分布的同时对齐。开发了一种源域样本权值分配机制,通过领域预测误差衡量源域样本与目标域样本的相似性从而自适应地分配其权值以抑制负迁移。使用两组试验台数据作为目标域对所提方法进行验证,结果表明：所提方法能够充分适配仿真域和实验域的深层特征分布,提高无监督跨域场景下的故障诊断精度。     

基于GMKL-SVM的模拟电路故障诊断方法

提出了一种新颖的基于广义多核支持向量机(GMKL-SVM)的模拟电路故障诊断方法。首先,应用Haar小波分析提取被测电路时域响应信号的小波系数作为特征参量,并生成样本数据;然后,基于样本数据,应用量子粒子群算法对GMKL-SVM的参数进行优化,并以此建立基于GMKL-SVM的故障诊断模型,用于区分模拟电路的各个故障。实例电路的单故障和双故障诊断实验结果表明,所提出的GMKL-SVM方法能较好地实现模拟电路故障诊断,与传统的GMKL-SVM方法相比,表现出了更好的性能,获得了更高的故障诊断正确率。     

基于支持向量机的机械故障特征选择方法研究

在机械故障诊断中,对机器状态信号进行处理可得到故障特征集。但是此特征集中通常含有冗余特征而影响诊断效果。特征选择可以去除原始特征中的冗余特征,提高诊断精度和诊断效率。本文提出采用支持向量机(SVM)作为决策分类器,研究了使用SVM的错误上界如半径-间距上界代替学习错误率作为特征性能评价,并且使用遗传算法对特征集进行寻优的特征选择方法。此方法由于只需要训练一次SVM,相比常用的分组轮换方法有较高的计算效率。数值仿真和减速器的轴承故障特征选择试验中,采用此方法对生成特征集进行选择,并与常用的分组轮换法进行了对比。结果显示此方法有较好的选择性能和选择效率。     

小样本下自校正卷积神经网络的滚动轴承故障识别方法

针对实际工程中因故障样本数据稀少而导致模型识别准确率不高的问题,提出了一种基于自校正卷积神经网络(SC-CNN)的滚动轴承故障诊断模型,并将其应用于小样本条件下的故障识别研究。首先,为减少不同信号的数据分布差异,在每个卷积层后添加BN算法;其次,利用自校正卷积学习信号的多尺度特征,提高模型获取有用故障特征的能力;然后,引入通道自注意力机制,建立通道特征信息之间的相关性,用于突出故障特征并抑制数据过拟合;再将少量训练样本输入到模型中进行学习;最后,将各类不同条件下的故障信号输入到训练好的SC-CNN模型进行识别分类,并在两个数据集上进行实验验证。结果表明,所提模型在信噪比为-4 dB的强噪声环境下,识别准确率分别为98.64%和99.83%,在变工况条件下,识别准确率分别为94.37%和99.64%,验证了SC-CNN模型在小样本条件下具有较强的鲁棒性和泛化性能。     

遗传算法在故障特征选择中的应用研究

Feature selection is an important step in fault diagnosis owing to its considerable reduction in redundant features to enhance the effect of diagnosis. In view of the deficiencies of traditional combination optimization method, a new method based on genetic algorithm is proposed in the paper. According to the results of computer simulation and practical diagnosis example, it is proved that this method possess excellent parallelism and optimization property.     

遗传算法在故障特征选择中的应用研究

针对传统组合优化方法用于特征选择的种种缺陷 ,提出了基于遗传算法的特征选择策略。经仿真及回转机械故障实例分析 ,证明该方法拥有较强的并行性和寻优能力 ,在机械故障诊断领域有广阔的应用前景     

基于自组织神经网络的滚动轴承状态评估方法

针对单一特征在进行故障诊断时准确率不高的问题,提出了一种基于自组织神经网络（SOM）的滚动轴承状态评估方法。该方法首先从原始振动信号中提取出多特征数据,运用主成分分析（PCA）方法对多特征数据进行预处理,采用SOM进行网络训练,构建多特征数据的融合模型,输出竞争神经元层的权值矢量;然后,计算每一个样本到竞争神经元层权值矢量的最小欧氏距离,输出最终的融合指标;最后,通过比较待检测样本与正常样本的最小欧氏距离的差异来判断轴承的状态。将该方法应用于滚动轴承状态评估,试验结果表明：融合指标比单一指标对早期故障更加敏感、更加稳健;同时,融合指标能够定量地描述轴承状态的劣化过程。     

基于SK-NLM包络的滚动轴承故障冲击特征增强

非局部均值算法(NLM)是活跃于图像信号处理领域的一种新方法,因其良好的去噪特性,近几年来在滚动轴承故障诊断领域也开始获得应用。NLM利用样本点邻域窗口包含的局部结构为基本单元,通过对相似成分加权运算后取其平均值以达到抑制噪声干扰、突出故障冲击特征的目的。但对于强噪声条件下的低信噪比信号而言,NLM滤波效果并不理想。提出一种结合谱峭度(SK)和NLM权重包络谱的故障诊断方法,首先对原始信号进行SK分析得到最优中心频率及带宽构成最优滤波器,初步消除环境干扰及测量噪声;其次对NLM算法进行改进,不再以滤波信号为分析对象,而是直接利用NLM加权运算得到的信号样本点权值分布曲线作为预处理信号的包络信号,从权重角度使故障冲击得到二次增强,消除SK带通滤波器的带内噪声;最后对权值分布曲线进行包络谱分析,进而得到诊断结果。通过仿真信号、实验室信号及工程实际信号分析对所提方法进行了验证,并与最小熵解卷积(MED)进行了对比。     

基于改进DQN网络的滚动轴承故障诊断方法

针对实际中滚动轴承正常和故障状态下的振动数据不平衡,且故障诊断准确率不高的问题,基于深度强化学习,提出一种改进深度Q网络(DQN)的滚动轴承故障诊断方法.该方法将振动信号进行短时傅里叶变换,构建时频图样本集;提出把K-means算法中样本到中心点的距离作为回报值的偏置,以不平衡比为基准,为训练集构建具有个性化的回报函数...