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     

基于概率神经网络的液压管路泄漏故障程度识别

针对复杂环境下飞机的液压管路系统在故障诊断时存在的各种问题,提出一种基于概率神经网络的液压管路系统泄漏故障的诊断方法。在飞机液压管路系统中主要产生的故障是由于管路系统的振动导致的管路破裂、泄漏等。对飞机液压管进行建模,分析其工作状态下不同液压泄漏故障程度时的固有频率,选取前5阶固有频率作为故障诊断的特征值;构建PNN概率神经网络诊断模型,利用测试样本进行故障诊断实验。结果表明,该方法对液压管路故障具有较高识别率。该研究为液压管路系统的故障诊断提供了参考。     

基于云模型与LSTM算法的旋转机械故障诊断研究

针对旋转机械故障率偏高,而人工参与故障诊断工作量大、效率偏低等问题,提出一种基于云模型与LSTM算法的旋转机械故障诊断方法。采用实验台采集振动故障原始数据,统一进行EEMD数据预处理,利用云模型进行故障特征数据提取,输入LSTM神经网络模型进行故障诊断。通过云模型和能量法进行特征提取,分别输入支持向量机和LSTM神经网络模型进行诊断结果对比。结果表明：云模型与LSTM算法的故障诊断准确率最高,达到98.75%,证明该方法能够有效应用在旋转机械故障诊断中。     

基于改进的堆叠降噪自动编码器深度模型的转子-转轴系统故障诊断方法

旋转机械转子-转轴系统故障诊断方法中大多采用传统浅层模型,对于数量较大的样本其处理能力有限。为解决此问题,提出一种利用改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法,并对转子-转轴系统的典型故障进行诊断。利用某机械故障综合模拟实验台,结合基于LabVIEW开发的信号采集系统模拟并采集转子-转轴系统的10类单一故障和7类复合故障振动信号。在训练SDAE模型时引入Dropout机制对模型进行改进,并结合Softmax分类器进行网络训练与诊断。与传统BP网络、自动编码器(AE)、无Dropout机制的SDAE和卷积神经网络(CNN)进行对比,结果表明：改进的SDAE方法对于转子-转轴系统故障的正确识别率最高,特别是对复合故障的诊断效果比其他模型更理想,充分验证了改进的SDAE深度模型的优越性     

基于矢谱和支持向量数据描述的旋转机械故障诊断方法研究

传统旋转机械故障诊断用单通道信号进行诊断,信息量不完整,容易导致误诊;而矢谱融合了多通道的信息,反映的信息更全面.支持向量数据描述是一种单值分类方法,该方法有望解决机械故障诊断中缺少故障样本的问题.基于此,提出矢谱和支持向量数据描述的故障诊断方法,用矢谱作为特征向量,支持向量数据描述方法为分类器,并应用到旋转机械故障诊断中.实验结果表明,该方法是有效的.     

基于敏感度分析与概率神经网络的液压泵故障诊断方法研究

为了提高液压泵故障诊断的速度与准确性,提出了将敏感度分析与概率神经网络相结合的液压泵故障诊断方法。分析了不同状态下振动信号的时域图与频谱图,得出使用传统方法不易对液压泵进行故障诊断的结论。对各种状态下的振动信号提取特征参数,并对所提取特征参数进行敏感度分析。将敏感度高的特征参数以向量的形式输入概率神经网络进行训练和测试。实验表明:概率神经网络能快速、有效的诊断出液压泵的故障,节约诊断时间。将敏感度分析与概率神经网络相结合能提高概率神经网络诊断的正确率。     

基于近似熵与支持向量机的异步电机故障诊断研究

针对异步电机故障发生率高、故障类别难以有效识别的问题,提出一种基于近似熵与支持向量机的故障诊断方法。通过构造故障再现试验,分别测取4种不同状态类别的多测点振动信号样本。利用近似熵算法计算其近似熵样本值,得到4种不同状态类别的近似熵故障特征向量。结合支持向量机算法,构建支持向量机分类模型。近似熵特征量被划分为训练样本和测试样本,经验证其故障诊断准确率达97.5%,改进BP神经网络诊断方法的准确率为92.5%,结果表明：近似熵结合支持向量机方法具有更高的诊断精度。     

基于卷积神经网络的CO_2焊接熔池图像状态识别方法

为了通过熔池图像对焊接状态进行判断,将卷积神经网络引入到CO_2焊接熔池图像状态识别中,提出了一种CO_2焊接熔池状态识别卷积神经网络CNN-M。该网络使用简单预处理的熔池图像作为输入向量,避免了人工提取图像特征的主观性对识别率的不良影响。同时,CNN-M采用了ReLU激活函数、随机Dropout及SVM分类器来降低样本集稀少可能导致的网络过拟合现象。试验结果表明,和人工提取熔池特征状态作为输入向量的BP神经网络相比,CNN-M在识别率及识别速度方面均体现出了更好的性能,其良好的泛化能力能够满足在线熔池状态监控的要求。     

基于神经网络和证据理论的样本预测方法

为了满足某些特殊领域的预测精度需求,提出一种基于神经网络和证据理论的样本预测方法。该方法通过统计学中的数据集Iris花的样本特征进行仿真验证。首先,构建神经网络直接训练和测试样本,获得89.33%的识别率;其次,利用遗传算法优化神经网络的初始权值和阈值后再对样本进行训练和测试,获得94.66%的识别率;最后,结合数据融合中的证据理论进一步把识别率提高到97.33%。实验表明,该方法具有较高的预测精度。     

基于证据推理的旋转机械故障诊断模型

针对实际工况运行下的旋转机械各故障对应的量纲一的指标的范围难以严格区分的问题,提出了一种基于量纲一的指标和证据推理（Evidence Reasoning,ER）的旋转机械融合故障诊断模型。该模型利用ER算法在处理概率不确定性、模糊不确定性及非线性融合等方面的优势,通过信息变换技术将输入信号变换成信度分布结构,应用解析ER算法对输入数据进行融合,最后通过一种简单的决策规则得到诊断结果。实证分析结果表明：该方法可以有效地提高旋转机械设备故障诊断的识别率。     

基于改进贝叶斯分类的电机轴承故障诊断系统研究

针对电机轴承故障诊断模型构建时间长、准确率不高的问题,提出一种基于改进贝叶斯分类的故障诊断方法。首先通过小波包变化、粗糙集及主成分分析方法分别构造原始故障特征集、降维后的故障特征集,再将原始故障特征集和降维后的故障特征集输入到改进贝叶斯分类模型中实现故障诊断,以此为基础设计一套交流发电机轴承故障诊断系统。最后以国内车辆车载电机轴承振动数据为依据,将改进贝叶斯分类方法和神经网络及最小二乘支持向量机方法作对比分析,结果表明：改进贝叶斯分类方法建模时间更短,故障诊断准确率更高。     

基于振动时域特征的船用滚动轴承故障诊断方法

基于机器学习故障诊断方法,针对船用滚动轴承复合故障特征提取多样化的特点,提出一种以振动信号时域指标为特征的随机森林故障诊断方法。将振动时域信号进行清洗转换,构造5个量纲一化指标的衍生特征,并选取以决策树为基本分类器的随机森林算法建立训练模型;通过特征筛选、评估测试和模型优化得到较为理想的故障诊断分类模型;采用滚动轴承竞赛数据集进行模型仿真,并结合实际模拟8种船用滚动轴承故障状态。通过三向振动实验和算法建模,证明特征提取的科学性和故障诊断模型的有效性。结果表明:采用该方法,数据仿真诊断准确率为98.61%,实验诊断准确率为98.85%,且该方法在振动采集方向为轴向时诊断效果最优。     

基于支持向量机的火车滚轴故障诊断

火车故障的60%都是由于滚轴问题引起的,现在的诊断方法都是基于知识的,但故障样本的不足从一定程度上制约了基于知识的方法在实际中的应用,针对这一问题,利用支持向量机在小样本情况下具有较强分类能力的特点,本文提出了一种基于支持向量机的滚轴故障诊断方法.该方法采用小波变换对齿轮的震动信号进行处理来构造特征向量,然后输入到支持向量机分类器中进行模式识别.     

往复式压缩机气阀故障模拟实验与数据处理

研究往复压缩机气阀故障原理,在2D-90MG两列一级往复压缩机实验平台上对进气阀、排气阀进行一系列破坏性实验,模拟气阀的各类故障,最大限度地保证采集到的振动信号与实际情况相符。通过设计气阀故障模拟实验,搭建实验平台,采集气阀振动信号数据。通过分析所采集到的振动信号的时域波形与频谱,总结气阀振动信号特征,对气阀故障类别进行初步诊断。     

基于小波包能量谱的工业机器人智能故障诊断北大核心

实际工业机器人在恶劣工作环境中易出现故障,传统的故障诊断大多都是通过振动信号进行,但是振动数据在实际工厂难以采集,给工业机器人的故障诊断造成了极大困扰。针对这一问题,提出一种基于小波包能量谱(WPES)与卷积神经网络(CNN)的工业机器人电流数据的智能故障诊断模型。该模型通过小波包将原始电流信号分解为多个子频带,计算每个子频带对应的能量特征,当工业机器人出现故障时,能量特征会发生变化,并将能量谱特征转化为二维矩阵用于设计、训练和测试所提出的模型。实验结果表明:采用WPES-CNN模型进行故障诊断,故障识别率达到了99.9%以上。     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。     

基于声发射和振动信号的振动钻削钻头故障诊断试验研究

针对钻削过程中钻头状态监测问题,基于声发射采集系统和振动采集系统设计超声轴向振动钻削钻头故障监测装置,分别应用完整钻头和故障钻头进行45钢板的超声振动钻削对比试验,采集不同钻头状态的AE和振动信号,通过时域分析、频域分析和小波分解,分析故障钻头对AE和振动信号的影响。试验结果表明：通过AE和振动信号判别钻头状态,判别结果与实际一致,能够实现钻头的故障诊断。     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。     

基于深度学习的电机轴承故障诊断研究

针对目前已有的电机轴承故障诊断算法对于人工干预和专家经验的依赖,以及故障诊断工作的复杂度逐渐的提高。文章提出了基于深度学习中卷积神经网络的故障诊断算法,使用原始振动数据作为网络模型的输入对其进行训练以发挥其强大的自学习能力。根据振动数据的特点和实验对比选择模型的结构和参数,进而通过深层次网络结构的卷积操作以实现对原始振动数据的特征提取,最终在输出端利用Softmax分类器输出分类结果。通过实验验证表明,该方法对于轴承故障分类准确率能够达到99.8%,对比其他方法具有很好的分类效果。     

一种簇绒机故障诊断方法的研究

针对簇绒机的故障诊断问题,提出采集滚动轴承的振动信号进行故障诊断.采集的实际振动信号中往往存在噪声信号,需要去掉噪声后再进行诊断.局部均值分解(local mean decomposition,LMD)方法是一种新型的信号自适应分解的时频分析方法,并且已经应用到故障诊断中.为了进一步提高LMD的性能,提出采用分段Hermite插值替代原始的滑动平均方法.提出一种新的故障诊断方法,首先应用小波包变换分析方法,去除信号中夹杂的噪声,然后使用改进后的LMD方法进行信号的分解,选择相关系数较大的PF分量进行希尔伯特变化包络谱分析,成功提取相关的故障特征.通过仿真实例的分析和对滚动轴承的实际故障数据进行故障诊断,证明了该方法在故障诊断应用中的有效性.