基于多特征提取和改进马田系统的滚动轴承故障分类方法研究

为提高旋转机械的使用效率,及时识别滚动轴承的潜在故障,提出一种基于多特征提取和改进马田系统(MTS)的故障分类方法。通过时域、频域和自适应白噪声的完备经验模态分解(CEEMDAN)提取多维特征,构建初始特征集。结合马田系统和有向非循环图(DAG)的特点,构建DAG-MTS多分类模型,并将其运用到轴承故障诊断中。利用滚动轴承故障数据测试该模型的有效性和实用性,结果表明,该模型能够准确识别出滚动轴承的故障。     

基于补偿距离评估和一维卷积神经网络的离心泵故障快速智能识别方法

一维卷积神经网络可适用于振动等一维信号的识别与分类,但将其直接应用于机械故障诊断时小样本训练条件下的识别准确率与识别速度是其亟需解决的问题。针对上述问题,提出一种基于补偿距离评估和一维卷积神经网络的离心泵故障快速智能识别方法。基于离心泵振动分析与故障诊断理论,通过提取时域、频域、能量及熵特征来构造混合域全特征集,充分挖掘训练样本中的故障信息,提高单个训练样本的利用率,使故障识别模型具备小样本训练的能力;通过补偿距离评估方法对全特征集进行降维优化,在有效保留故障特征信息的同时显著降低特征维度,使特征构造及故障识别模型具备快速计算的能力;通过训练样本的降维后特征进行一维卷积神经网络的训练,进而构建故障智能识别模型,保存模型并将其用于离心泵故障分析。经某石化离心泵的抽空和滚动轴承损伤两个故障案例验证,该方法在小样本训练条件下识别准确率达到98%以上,单组数据识别时间小于3 s,可满足工程中离心泵故障实时智能识别的需求。     

基于分块特征提取的近场声全息故障诊断方法在相干故障下的应用

通过引入近场声全息和分块特征提取技术,改进了基于声像的故障诊断方法,发展了基于近场声全息模式识别的故障诊断技术.针对多个机械部件对应相同故障频率,并产生相干声场的故障情形进行了加肋板激振的模拟实验,使用传声器阵列扫描技术测取各种状态下声信号,在利用近场声全息技术得到声像进行噪声源识别与定位的基础上,对声像进行整体和分块相结合的奇异值特征,提取方式构造识别向量,然后采用多分类支持向量机进行训练分类,进而用于机械工作状态的诊断.实验结果表明,根据声像的物理特征使用整体和分块相结合的特征提取技巧能够较好改善诊断效果,同时进一步验证了声成像方法在故障诊断领域应用的可行性,并与常规的基于单点或几个孤立测点测试的声学故障诊断方法相比具有优越性,拓展了声学故障诊断技术的应用范围.     

利用遗传编程提取齿轮多重故障分类特征

特征提取是齿轮多重状态或故障分类中一个很重要的问题。为解决该问题，提出了利用频域特征和遗传编程对齿轮箱盖多类状态振动信号进行特征提取的方法。为了使诊断结果更好地可视化。利用遗传编程结果的固有随机性，提取两个新特征指标。结果表明，该方法对振动数据进行了准确的多重故障分类，也可以应用到其它机械故障诊断或分类中。     

基于深度学习特征提取和WOA-SVM状态识别的轴承故障诊断

针对滚动轴承故障诊断问题,利用深度学习神经网络、鲸鱼优化算法(WOA)和支持向量机(SVM)等技术,提出了一种基于深度学习特征提取和WOA-SVM状态识别相结合的故障诊断模型。先通过深度学习自适应提取故障频谱特征,并将其与数理统计方法提取的时域特征相融合,再通过WOA-SVM对融合后的联合特征进行故障诊断。该模型在对滚动轴承试验台的故障诊断中实现了不同工况下多种故障类型的可靠识别,并且在一定程度上提高了故障分类的准确性。为了验证WOA-SVM在深度学习提取特征的轴承故障识别中的可行性和有效性,对比了粒子群支持向量机和遗传支持向量机,结果表明WOA-SVM具有较高的收敛精度和收敛速度。     

基于浅层Inception-MobileNet旋转机械故障诊断

针对现有的旋转机械故障诊断算法存在着时频表示模糊、特征提取困难,从而导致故障诊断效率和精度较低的问题,提出一种基于浅层Inception-MobileNet的旋转机械故障诊断模型。该模型通过拼接法将原始振动信号转换为二维图像,然后采用多尺度卷积核提取不同分辨率的特征图,并结合深度可分离卷积实现特征学习与分类。该网络在CWRU数据集和MFPT数据集上分别实现了十种故障分类和三种故障分类,分类精度为99.5%和95.78%。与传统的网络进行比较,该网络可提高特征提取能力,并且在相同数据集上该网络实现的故障识别精度最高。     

基于循环频谱相干和DCNN的隔膜泵单向阀故障诊断方法研究

针对传统的机器学习方法过分依赖特征提取的质量,而深度学习在强干扰条件下其故障辨识率不佳的问题,提出了一种基于循环频谱相干(CSCoh)和深度卷积神经网络(DCNN)的故障诊断方法,并将其应用于实际工况环境下的隔膜泵单向阀故障诊断当中。对振动信号进行循环平稳特性分析,利用快速循环相关谱计算方法将原始振动信号生成二维CSCoh图;将生成的CSCoh图作为输入从而降低深度诊断模型中特征学习的难度,通过构建DCNN模型,并引入批量归一化和Dropout技术来提升模型的收敛速度和泛化能力;利用所提模型对故障进行分类识别,进而实现单向阀的故障诊断。结果表明,该方法可以准确地识别单向阀的故障类型,并具有较好的泛化性能。     

基于CEEMDAN与奇异值分解的往复机械故障诊断方法研究

往复机械振动信号非常复杂,通常存在较强的非平稳、非线性特征,使得对其进行振动信号分析、故障识别存在困难。对此提出一种基于改进的总体经验模态分解(CEEMDAN)与奇异值结合的故障特征识别方法,对原始信号进行CEEMDAN分解,得到本征模式函数的奇异值,将得到的奇异值作为特征向量输入支持向量机进行特征分类,从而实现故障模式的识别。通过对实验室模拟故障与往复泵动力端故障模式识别实例分析来论证方法有效性。研究结果表明,该方法适用于提取往复机械振动信号冲击特征和多故障模式识别。     

基于深度度量学习的轴承故障诊断方法

针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。     

混合特征驱动的滚动轴承智能故障诊断方法

针对采用传统特征指标进行故障诊断准确率较低的问题,提出了一种基于混合标度律特征和改进支持向量机的滚动轴承智能故障诊断方法。首先,利用超阶分析得到指示故障的标度律指标,并将其与常规特征指标相结合构造混合特征指标矩阵,提升特征指标对故障的区分度。其次,采用支持向量机(support vector machines, SVM)对构造的混合特征矩阵进行分类,利用粒子群优化算法对SVM中重要参数进行优化。最后,利用滚动轴承试验台对提出的滚动轴承智能故障诊断方法进行验证。结果表明,与常规特征相比,利用构造混合特征指标得到的训练准确率提高了13%,测试准确率提高了23%。所提方法不仅能识别不同故障类型,而且能对同一故障不同损伤程度进行识别,有望进一步实现滚动轴承故障定量诊断。     

双谱分析在往复泵故障诊断中的应用研究

针对当机械系统发生故障时,非线性特征更为突出的特点,提出了基于双谱分析的往复泵故障的振动诊断方法,研究了利用阀箱上振动信号的双谱,尤其是双谱沿f1=f2的切片谱识别泵阀故障,诊断实例表明,采用双谱分析可有效抑制振动信号中的噪声,得出比传统功率谱分析更明显的泵阀故障特征,可有效识别往复泵泵阀的初期故障。由于该方法仅利用阀箱上振动响应信号的双谱分析即可完成对泵阀不同类型故障的正确识别,故更为简单和实用。     

基于紧致型小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出基于紧致型小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号通过小波包分解来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断。通过对往复泵液力端多故障诊断实例的检验表明,该系统故障诊断正确率达到94 %以上。     

基于振动分布特征的电力变压器绕组故障诊断

振动分析法是实现电力变压器带电监测与故障诊断的重要手段,而基于振动分析法的故障诊断方法的关键在于从复杂的油箱壁振动信号中提取出状态特征(值或矢量)。传统的状态特征提取方法大多选取单个测点的振动信号进行时域或频域特征的提取,往往忽略了各测点间的振动分布特征。从振动重心的角度对振动分布的幅值重心及重心轨迹进行研究与分析,能够提出四个量化参数。在四个量化参数的基础上结合支持向量机分类算法提出基于振动分布特征的变压器绕组故障诊断模型。实际变压器的绕组故障实验以及十余台台电力变压器现场实测数据样本的分析与测试结果均表明,提出的振动分布特征及量化参数能够有效反映变压器绕组变形、压紧力松弛等机械结构变化,而基于振动分布特征的绕组故障诊断模型也可准确的对变压器绕组机械结构状态进行检测与诊断。     

Research on Key Techniques of Condition Monitoring and Fault Diagnosing Systems of Machine Groups

This paper describes the development of the condition monitoring and fault diagnosing system of a group of rotating machinery. The data management is performed by means of double redundant data bases stored simultaneously in both the analyzing server and monitoring client. In this way, high reliability of the storage of data is guaranteed. Condensation of trend data releases much space resource of the hard disk. Diagnosing strategies orientated to different typical faults of rotating machinery are developed and incorporated into the system. Experimental verification shows that the system is suitable and effective for condition monitoring and fault diagnosing for a rotating machine group.     

小波包——自回归谱分析及在振动诊断中的应用

概叙了小波、小波包理论，由此提出一种称之为小波包－－自回归谱分析的新方法，它将小波包和自加归模型结合起来，该方法在机械诊断中，实现不同频道范围内，不同零部件故障信息分离和提取，并以挖掘机提升系统龄轮箱的振动信号为例，说明该方法是提取弱故障信息并进行早期诊断的有效方法。     

基于自适应滤波的机械故障诊断方法研究

本文提出了一种基于自适应滤波的机械故障诊断方法。该方法适用于较复杂机械的故障诊断和一些相关图和周期图不是信号功率谱密度的可靠估计的场合，通过采用自适应滤波去除背景噪声，分离出泵阀的故障信号。该方法尤其适用于信噪比低的非平稳信号。此外，文中还讨论了该方法的优势和不足，实例分析表明该方法对于机械故障诊断是有效的。     

基于加速度信号全谱分析的转子碰摩故障特征提取实验研究

转子在运行过程中的振动加速度信号包含了转子运行状态大量信号，瞬态过程中故障加速度信号特征的提取及其识别对于旋转机械故障诊断是十分重要的。旋转机械振动的全谱分析是一种使一些典型故障尤萁是碰摩故障能被很清楚检测出来的有效方法，本文在对旋转机械转子中的一些典型碰摩故障进行了模拟试验，以及对故障发生过程中的加速度信号进行采集的基础上，对转子故障加速度信号的全谱特性进行了分析，提取和总结出由故障造成的加速度信号突变和对应的谱特征。分析结果表明：采用转子振动加速度信号对转子的碰摩故障进行诊断是有效的。加速度信号全谱图可以丰富旋转机械碰摩故障诊断系统知识库中的特征信息，对于更准确地诊断转子中的碰摩故障具有重要意义。     

EMD趋势分析方法及其应用研究

趋势分析是一种重要的设备状态监测与故障诊断方法,对分析较长时间范围内设备运行状态的变化具有重要意义。研究了一种基于经验模式分解（Empirical Mode Decomposition,EMD）的设备运行状态趋势分析方法。研究表明,与传统方法（如最小二乘法、低通滤波法）相比,经验模式分解能够更准确地提取信号趋势信息。应用于某炼油厂透平烟机故障诊断,表明这种基于经验模式分解的趋势分析方法能够有效提取设备运行趋势信息,消除采样中随机因素的影响,为准确评估设备运行状态、诊断故障提供可靠依据,具有重要的现场实用价值。     

基于小波-支持向量机(SVM)的发动机泵机组故障诊断

根据发动机泵机组中各部件在不同故障下的特征频率,利用小波变换多分辨率特性,提取出发动机泵机组的各类故障特征信号,经分析后找出故障原因。在确定故障原因的基础上,利用支持向量机原理在解决小样本、非线性、高维模式识别问题的优势,建立支持向量机故障诊断模型,对某发动机泵机组进行了故障诊断,得到了很好的效果。     

基于BP网络的往复泵泵阀故障识别系统的研究

本文基于BP神经网络模型，通过准确采集往复泵液力端各阀箱阀关闭激起的瞬态响应，并以响应的振动频谱为主要征兆，建立了基于BP网络往复泵泵阀故障的诊断系统。计算机模拟识别表明，该系统可较为准确地识别出各泵阀的故障。