长度分形维数在微铣刀磨损状态识别中的应用

针对微铣刀磨损状态在线检测提出了一种新的方法。首先,通过采集待测刀具的铣削振动信号,并采用长度分形维数法提取其特征参量,同时设定微铣刀不同的磨损状态作为参考样本;然后,采集不同样本的多段时域信号,并提取特征参量,进而根据区间估计法确定参考样本的聚类域;最后,将待测刀具的特征参量与参考样本的聚类域进行比较来判断刀具的磨损状态。基于自行研制的微型三轴立式机床,对上述方法进行了实验验证。首先,确定了微铣刀后刀面刀尖处的最大磨损深度分别为0,5,10,15,20和45μm以及主切削刃崩刃7种参考样本下的长度分形维数聚类域;然后,分别提取10把待测刀具的分形维数特征参量,并与7个参考样本的聚类域进行比较。实验结果表明,各个待测刀具的特征参量均落在其实际磨损状态所对应的聚类域内,故采用长度分形维数的方法检测刀具磨损状态切实可行。     

基于改进关联规则的卸船机故障预测模型

为使桥式抓斗卸船机安全稳定运行,针对大量监测数据利用率低、故障诊断不及时等问题,提出了基于兴趣度关联规则的卸船机故障预测模型方法。采用传感器监测和时域分析方法获取卸船机运行参数空间,利用聚类离散算法将监测数据根据其属性值域离散为非线性聚类区间,获取卸船机关联规则组,提取状态数据关联维的权重系数,构建状态监测数据关联规则指向性特征约束函数模型,通过预测模型中关联规则状态的改变实现故障预测。实验结果表明,该方法能有效表征卸船机运行状态监测的关联内部特征信息,实现对卸船机故障类别的预测,降低卸船机故障发生的频率。     

基于门控循环单元模型的道岔故障预测方法（英文）

道岔是铁路上重要的信号基础设备之一,其故障将直接影响行车安全和效率。本文从分析道岔的功率曲线入手,首先提取其时域及哈尔(Haar)小波变换特征并进行特征选择,然后通过聚类算法和皮尔逊(Pearson)相关系数建立退化状态与故障状态之间的关联,最后利用卷积神经网络(Convolutional neural network, CNN)和门控循环单元(Gated recurrent unit, GRU)建立道岔的状态预测模型,实现道岔的故障预测。CNN可以直接提取原始功率数据的特征同时降低维数,简化了预测过程。GRU独特的门结构和处理时间序列的特点在预测精度和时间上相比传统的预测方法具有一定优势。实验结果表明,当特征矩阵采用40维输入,迭代50次时,道岔状态预测准确率达94.2%。     

基于门控循环单元模型的道岔故障预测方法

道岔是铁路上重要的信号基础设备之一,其故障将直接影响行车安全和效率.本文从分析道岔的功率曲线入手,首先提取其时域及哈尔(Haar)小波变换特征并进行特征选择,然后通过聚类算法和皮尔逊(Pearson)相关系数建立退化状态与故障状态之间的关联,最后利用卷积神经网络(Convolutional neural network,CNN)和门控循环单元(Gated recurrent unit,GRU)建立道岔的状态预测模型,实现道岔的故障预测.CNN可以直接提取原始功率数据的特征同时降低维数,简化了预测过程.GRU独特的门结构和处理时间序列的特点在预测精度和时间上相比传统的预测方法具有一定优势.实验结果表明,当特征矩阵采用40维输入,迭代50次时,道岔状态预测准确率达94.2％.     

基于相空间重构和K-L变换的压缩机故障诊断

为有效利用往复式天然气压缩机故障工作状态下振动系统的非线性特征,采用了一种集相空间重构技术K-L变换为一体的特征提取和特征压缩方案,并成功应用于对某型压缩机的故障诊断。用相空间重构提取了高维的征取量,为了降低特征维数,引入K-L变换进行特征压缩。通过对3类典型故障类别一定样本数量的振动数据进行仿真,仿真结果表明该方法提取的特征量,具有很好的聚类性,能很好地把3类故障区分,达到对故障诊断的目的。     

基于等距映射与加权KNN的旋转机械故障诊断

针对旋转机械高维复杂故障特征数据难以快速准确辨识的问题,提出一种基于等距映射非线性流形学习与加权KNN(K-nearest neighbor)分类器相结合的旋转机械故障诊断方法.在由时域统计指标和内禀模态分量能量构造的原始特征空间中,首先利用等距映射非线性流形学习算法提取旋转机械故障状态变化的本质特征,随后将提取的低维本质特征输入给加权KNN进行旋转机械的故障模式辨识.通过对齿轮箱的实验数据分析表明,该方法不仅对高维复杂的非线性故障特征具有良好的降维性能,而且故障识别率较之传统方法也明显提高,能够有效识别出高维特征空间的非线性故障特征.     

基于复杂网络的故障诊断策略

从故障诊断的模式识别本质出发,利用网络表示故障数据结构,通过网络结构反映故障状态及其特征,把故障诊断聚类问题建模为子网络探测问题,提出基于网络结构分析的故障诊断策略。为了解决子网络划分中数据间相似度测度和划分测度设计这两个重要问题,引入复杂网络社群结构分析中的模块性概念,设计状态区分准则函数,并采用自底向上模块合并层次过程优化准则函数实现故障状态聚类,提出一种基于模块合并的故障诊断聚类算法。通过算法在标准数据集分类和真实压缩机故障系统诊断上的应用,分析相似度测度对算法的影响并验证了算法的性能。试验结果表明,与遗传算法,人工免疫网络等人工智能诊断方法相比,本文提出的算法能以较少的计算耗时,有效提取故障特征,获得理想的诊断正确率。     

基于递归熵及长短期记忆神经网络的滚动轴承退化趋势预测

针对滚动轴承退化趋势预测中的特征选择及模型优化问题,提出了基于相空间重构结合长短期记忆神经网络的滚动轴承退化趋势预测方法.首先,在滚动轴承退化特征灰色关联分析的基础上,对滚动轴承运行状态跟踪能力进行量化评估;然后,为统一描述各个特征对轴承退化状态的表征信息,采用谱聚类方法对滚动轴承运行状态进行了准确划分;最后,以滚动轴...     

基于双谱熵和聚类分析的转子系统故障诊断

转子系统在故障状态下的振动信号往往呈现很强的非线性,其在频域上主要表现为不同频率之间相互耦合,产生合频、差频等组合频率。为了解决传统频谱分析只关注信号中的频率成分及其幅值大小,而忽略信号相位信息的问题,采用双谱方法对振动信号进行分析。双谱包含信号相位信息并且对非线性敏感,可以将早期故障的微弱非线性放大,检测出频谱中不同频率之间的非线性相位耦合关系。通过对ZT-3转子实验台植入不同类型的故障,采集系统在不同状态下的加速度信号,从振动信号的双谱中提取各频段的信息熵,采用模糊聚类方法进行故障识别。结果表明,双谱熵作为特征参量可以准确识别转子系统的故障类型,验证了方法的可行性。     

基于模糊聚类和CNN-BIGRU的轨道电路故障预测

针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva （GG）模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络（convolutional neural network, 简称CNN）和双向门控循环单元（bi-directional gated recurrent unit, 简称BIGRU）进行轨道电路故障预测的方法。首先,通过集中监测设备获取ZPW-2000轨道电路各类故障发生前一定时间内的正常工作数据;其次,通过核主成分分析进行特征降维和GG模糊聚类对轨道电路性能退化状态进行阶段划分,识别不同的退化状态;最后,利用CNN-BIGRU混合神经网络挖掘轨道电路不同故障类型数据特征,对轨道电路退化状态所对应的故障类型进行预测。实验结果表明,该算法可以精确划分轨道电路退化状态并实现故障预测,CNN-BIGRU预测模型分类精确度可达97.62%,运行时间仅为13.18 s,能够为轨道电路的多模式健康状态识别提供一种有效的方法。     

基于K-means和K近邻的DPF设备故障分类算法

DPF(柴油微粒过滤器)在使用过程中,由于灰分积累、使用不当等原因易造成DPF堵塞等故障,现有的数据采集设备无法直接反映出设备是否发生故障。针对这一问题,提出了一种基于K-means和KNN的DPF故障分类算法。在K-means++选择初始聚类中心的基础上引入了阈值限定D0,以降低同类型样本被选为后续聚类中心的概率。其次,为了保证聚类数目的真实性,采用层次分析法辅助初步确定聚类参数k,并利用轮廓系数和交叉验证来评估模型。KNN模型利用已分类的样本对来自不同厂家的混合测试样本进行预测,实验结果表明,其预测准确率达到了90%以上,基本实现了DPF设备故障属性分类,为后续维护工作提供了可供参考的依据。     

基于EMD分解的聚类树状图轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆模糊性,提出了基于EMD和动态模糊聚类图的轴承故障诊断方法.运用EMD方法提取待诊断的轴承运行状态样本的能量特征指标,应用模糊聚类分析方法对特征参数进行聚类,并作出聚类树状图.结果表明,该方法不需要大量的样本进行学习,且能更直观、准确识别滚动轴承的运行状态.     

VMD与多重分形奇异谱的往复压缩机故障特征预测方法

对具有分形特征的复杂非线性时间序列的预测,核心问题表现为初始条件敏感性对系统动力模型的影响,该敏感性又决定了最大预测可信时间;笔者从信息熵角度引入预测可信时间,在对振动时序变分模态分解(Variational Mode Decomposition,VMD)的基础上,分析并提取各主模态多重分形奇异谱形态参数,构造基于相空间重构的KNN(K Nearest Neighbor)预测建模域,以变参数寻优角度建立预测算法;依上述预测算法对2D12往复式压缩机轴承中度磨损故障振动序列提取故障特征分量,多方法对比与误差分析表明,该算法能较准确反映系统状态演化趋势,可作为决策依据并为寿命预测提供有效数据支持。     

遗传编程和加权证据理论融合的旋转机械故障诊断

为了提高旋转机械故障诊断的准确性,提出了遗传编程和加权证据理论融合的旋转机械故障综合诊断方法。首先,利用遗传编程提取多个故障特征参量,实现对旋转机械故障的初步诊断;其次,将特征参量对各故障的初步诊断结果作为证据体,特征参量对各故障的诊断准确度作为证据的权重分配,实现故障诊断的历史数据对当前诊断结果的修正;最终,采用加权证据理论对多个证据进行融合决策,减小故障诊断的不确定性,实现对故障的准确诊断。实验结果表明,该方法提高了故障诊断的准确性。     

基于变分模态分解的齿轮箱状态监测

针对传动系统振动信号可能存在的故障特征不明显造成的故障识别困难问题,提出了一种基于变分模态分解和奇异值分解的特征提取方法,并采用模糊C均值聚类进行状态识别与监测。首先将齿轮箱各状态数据进行变分模态分解,并将各模态奇异值作为特征值,通过模糊聚类进行状态识别,最后应用于齿轮箱状态监测。结果表明,对于人工无法识别的齿轮箱故障,该方法故障识别率在86%以上,基于该方法的状态监测可为齿轮故障预警及严重程度提供参考。     

基于主元分析与KNN算法的旋转机械故障识别方法

针对旋转机械高维故障数据难以被准确辨识的情况,提出了一种基于主元分析(principal component analysis,PCA)和K近邻(K-nearest neighbour,KNN)算法的旋转机械故障识别方法。合理选取出各状态信号的时域、频域特征指标构造成高维特征空间,输入给主元分析算法进行降维处理,提取出低维敏感特征,将约简后的状态样本输入给KNN算法进行故障识别。滚动轴承和转子的实验结果表明,该方法能够很好的约简高维故障样本特征,在实现样本数据可视化的同时准确识别出各故障样本。与传统方法相比,该方法具有结构简单、识别率高等优点,对机械故障诊断研究具有一定的工程意义。     

基于DAE和TCN的复杂工业过程故障预测

为实时监测复杂工业过程的故障状态,精确预测故障趋势,提出基于降噪自编码和时间卷积网络的故障预测方法.首先,利用随机森林算法筛选故障相关特征.之后,利用堆栈降噪自编码网络提取非线性特征以及特征重构,并根据重构误差构造平方预测误差(SPE)统计量作为故障状态特征.最后,针对时间卷积网络残差模块中的ReLU激活函数在负区间内...     

基于变分模态分解和多尺度排列熵的故障诊断

为稳定提取滚动轴承故障特征,提出一种基于变分模态分解和多尺度排列熵的故障特征提取方法,并采用GK模糊聚类对轴承故障进行识别分类。首先对滚动轴承振动信号进行变分模态分解,得到包含故障特征信息的模态分量;进而利用多尺度排列熵量化各模态分量的故障特征,取各模态分量多尺度排列熵的平均值作为特征向量;最后通过GK模糊聚类分析获得故障样本的标准聚类中心,采用欧式贴近度进行故障识别分类。将所提方法应用于滚动轴承实验数据,通过分类系数与平均模糊熵对分类效果进行检验,并与经验模态分解多尺度排列熵结合GK模糊聚类的方法进行对比,结果表明,所提方法具有更好的分类性能,其故障诊断精度更高。     

改进辛几何模态分解的滚动轴承故障特征提取

针对滚动轴承故障冲击信号难以提取的问题,提出了一种改进辛几何模态分解（Improved Symplectic Geometry Modal Decomposition,ISGMD）滚动轴承故障特征提取方法。首先将振动信号进行辛几何模态分解,然后,利用k均值聚类的方法对分解得到的辛几何分量进行聚类,通过包络谱稀疏度指标筛选出故障特征明显的聚类辛几何分量（Cluster Symplectic Geometry Component,CSGC）并进行重构,对重构分量进行包络解调,提取出故障特征。将该方法运用到轴承故障仿真和实验信号,结果表明,这里提出的方法能够有效提取出滚动轴承故障特征。     

基于HMM的故障诊断特征提取和聚类技术

重点介绍了运用HMM进行故障诊断特征矢量的提取。在试验的基础上，对4种典型故障进行了数据采集。通过加窗处理，采用自相关法提取12阶LPC倒谱系数，用LBG聚类算法进行矢量量化，得出码本矢量。运用这些矢量训练各故障对应的HMM模型，然后将所测故障数据按上述方法矢量量化后输入到训练好的HMM中，求出似然概率值，值最大者即为故障状态。结果表明，利用该种方法进行特征提取并与HMM方法相结合能很好分类出各种故障模式，达到诊断目的。