基于稀化核函数主元分析的机械故障诊断方法研究

提出一种基于稀化核函数主元分析的机械故障诊断新方法.该方法通过核函数映射将非线性问题转换成高维的线性特征空间,引入可变权值对高维空间中的映射数据的协方差矩阵进行稀化,应用似然估计得到优化权值,再作主元分析,提取其非线性特征,对机械故障模式进行识别.提出的方法继承核函数主元分析的优良性质,同时又能保证在识别效率不降低下的情况下有效提高故障识别速度.仿真和实验结果表明,稀化核函数主元分析和核函数主元分析方法都能得到很好的识别效果.然而,稀化核函数主元分析由于减少了核矩阵的计算量,因而模式识别速度大大加快.     

核函数主元分析及其在故障特征提取中的应用

提出了基于核函数主元分析的故障特征提取方法。该方法利用计算原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析，得到原始特征的非线性主元．以所选的非线性主元作为特征子空间，并应用转子试验台的故障数据对该方法进行了检验。结果表明，核函数主元分析更适于提取故障信号的非线性特征，它提取的故障特征对故障具有更好的识别能力，并对分类器具有较强的鲁棒性。     

核函数主元分析及其在齿轮故障诊断中的应用

提出了基于核函数主元分析的齿轮故障诊断方法。该方法通过计算齿轮振动信号原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析,得到原始特征的非线性主元,以所选的非线性主元作为特征子空间对齿轮工作状态进行分类识别。用齿轮在正常状态、裂纹状态和断齿状态下的试验数据对该方法进行了检验,比较了主元分析与核函数主元分析的分类效果。结果表明,核函数主元分析能有效的检测裂纹故障的出现,正确区分不同的故障模式,更适于提取故障信号的非线性特征。     

核主元分析中核函数参数选优方法研究

提出一种基于矩阵相似度的核函数参数选优方法．首先给出一种具有较好分类能力的核函数矩阵。然后．利用矩阵间的相似度量关系，在一定范围内寻找能近似此矩阵的核函数参数值。将该方法应用于直升机齿轮箱齿轮故障特征提取中，结果显示经过核函数参数选优的KPCA取得了较好的识别效果。     

基于改进多尺度核主元分析的化工过程故障检测与诊断方法研究

针对化工过程数据的多尺度性和非线性特性,提出了改进多尺度核主元分析法.先利用小波变换分析测量数据的多尺度特性,然后采用核主元分析算法进行在线故障检测,对检测到的故障采用核函数梯度算法实现在线故障诊断,根据每个监控变量对统计量T~2和SPE的贡献程度,绘制贡献图,用于故障的分离.在监控过程中为解决核矩阵计算困难,引入特征向量选择方法.TE过程的仿真结果表明它能有效实现故障检测、故障诊断,与主元分析方法相比,显示出更高的过程监控能力.     

核主元分析在透平机械状态监测中的应用

讨论了核主元分析(K erne l P rinc ipa l Com ponen t A na lys is,简称KPCA)原理,提出了基于KPCA的透平机械状态监测方法。该方法在低维特征空间利用内积核函数,实现原始空间到高维空间的非线性映射以及对高维映像数据的主元分析,从而在低维空间得到原始特征的非线性主元,并根据非线性主元构建特征子空间,实现特征提取和对透平机械状态的分类识别并监测其状态变化。对仿真数据及透平机械在正常、重负荷状态下试验数据的研究表明,KPCA分类效果比主元分析好,能有效地识别出透平机械的不同状态,并能及时监测到状态发生的变化。     

基于改进核主元分析的TE过程故障诊断

对于复杂非线性化工过程,传统的核主元分析(KPCA)方法在故障检测方面明显优越于普通的PCA方法,但存在故障辨识效果差的问题,而且实际得到的数据不可避免地带有噪声、随机干扰。针对此,提出一种改进的核主元分析方法,对数据进行小波去噪预处理,利用核主元分析方法进行故障检测,并利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T2和SPE的贡献率,根据每个变量对监控统计量贡献程度的不同,可以辨识出故障源。把上述方法应用到TE(Tennessee Eastman)化工过程,仿真结果表明该方法不仅能够去噪、抗干扰和准确检测故障,而且能够有效辨识故障。     

基于基座多传感核主元分析的故障诊断

传统振动测试中传感器一般安装在靠近振源位置,此类方式采集的振动信号的故障特征相对明显,但实际应用中常存在传感器安装不便的矛盾。本文提出基于基座的故障诊断方法,以多个传感器采集的基座上的微弱故障特征信号为原始信号,通过核主元分析(kernel principal component analysis,KPCA)进行信息融合,利用支持向量机(support vector machine,SVM)进行模式识别。文章还探析了核参数选取对KPCA性能的影响,最后实例验证了基于基座故障诊断方法的可行性。     

基于粒子群优化的核主元分析特征的提取技术

针对核主元分析在参数设置上的盲目性,提出应用粒子群优化算法优化核函数参数.并将核主元分析应用于特征提取中.首先建立核函数参数优化的数学模型,然后应用加速度自适应粒子群优化算法对其寻优,并通过Iris数据集进行仿真研究,验证其提取特征的有效性.将优化的核主元分析方法应用于齿轮箱典型故障的特征提取中,结果表明:参数优化的核主元分析能有效降低齿轮箱特征向量的维数,较线性主元分析取得更好的故障识别效果.该方法在机械故障信号的非线性特征提取中具有优势.     

全矢KPCA和AR模型结合的滚动轴承故障预测方法

由于单一传感器获取的振动信号具有片面性,采用全矢谱信息融合技术对滚动轴承信号进行特征提取,并与KPCA模型和AR时序预测方法相结合进行故障预测。首先,采用全矢谱技术提取实验数据中的特征主振矢;然后,采用KPCA方法对得到的特征主振矢进行融合,消除数据冗余,并建立全矢KPCA监控模型;最后,将测试样本输入全矢KPCA监控模型并输出T2和SPE统计量,将其值作为AR预测模型的输入,预测其变化情况,并根据其预测值超出KPCA监控模型的控制限与否来判断设备是否出现故障。实验结果表明,该方法既能较好地预测出滚动轴承的运行状态,又能进一步追踪故障发展趋势,为及时做好维修措施提供理论依据。     

基于ICA相关系数和VPMCD的滚动轴承故障诊断

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明,该方法能够有效应用于滚动轴承故障诊断。     

基于EMD与PCA分析的滚动轴承故障特征研究

研究提出了一种基于经验模式分解和多元统计过程控制的滚动轴承故障诊断方法,实现了对滚动轴承常见故障的分类研究。主要内容包括:首先,运用EMD将滚动轴承故障信号分解成不同频率尺度的单分量固有模态函数,获取了不同频率范围的信号成分;其次,对各个IMF分量进行主成分分析并建立稳态数据的主元模型,计算相应的T~2控制限;最后,将待检测轴承信号的各个IMF分量代入主元模型,获取相应的T2值从而实现故障的判断。在故障检测的基础上,详细分析了各类滚动轴承故障与不同IMF分量间的相关性,确定了故障敏感主元向量,实现了故障种类的判断。研究为滚动轴承故障特征提取和故障分类提供了理论基础和有效方法。     

基于形态分量分析的希尔伯特变换在滚动轴承故障诊断中的应用

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号处理方法。滚动轴承故障信号具有振幅呈指数衰减与环境噪声大的特点。通过构建一个对冲击信号敏感的字典,利用形态分量分析对轴承故障信号的时域形态特征进行最优化稀疏表示,得到滚动轴承冲击信号。并对形态分量分析后的冲击信号进行希尔伯特变换,得到明确的故障特征频率及其倍频。仿真分析与实验结果表明：该方法具有良好的降噪功能,能够准确地提取滚动轴承故障信号中的早期冲击特征。     

基于分段线性分类器的滚动轴承的故障识别

为了解决滚动轴承的特征提取和故障特征的模式分类问题,提出了一种应用小波包变换和线性分类器相结合的滚动轴承故障诊断的识别方法。根据轴承振动信号的频域变化特征,首先对滚动轴承振动信号进行三层小波包分解,提取第三层各个终节点系数的能量作为特征向量,然后将特征向量输入由线性判别式构成的分段线性分类器中进行故障的模式分类和识别,最后在滚动轴承试验台上实测故障。试验表明,分段线性分类器可以有效地识别轴承的故障模式。     

基于自适应自相关谱峭度图的滚动轴承故障诊断方法

自相关谱峭度图通过最大重叠离散小波包变换对信号频谱进行分割,并选取最大峭度值所对应频带内的信号进行诊断分析.针对自相关谱峭度图方法在分割频带时因遵循二叉树结构而导致的频带划分区域固定问题,提出一种基于自适应自相关谱峭度图方法的滚动轴承故障诊断方法.自适应自相关谱峭度图方法以改进的经验小波变换为基础,对原始信号傅里叶谱进...     

一种基于Conv-LSTM的滚动轴承故障诊断方法

针对轴承传统的故障诊断方法存在辨别故障类型难和预处理步骤多的问题,提出一种基于Conv-LSTM(卷积长短期记忆网络)的模型.该模型以Conv-LSTM单元模块作为处理层,能自识别和自处理故障特征信息;同时该模型可直接处理切片后的原始信号,通过Conv-LSTM模型的分类结果并结合标签可诊断出滚动轴承的故障类型.对SKF6205型轴承进行实验,实验结果表明相对于LSTM,基于Conv-LSTM的诊断模型具有更好的分类效果和更高的分类准确率,且在迭代过程中准确率在0.96以上,可作为诊断滚动轴承故障类型的一种方法.     

基于LMD-MS的滚动轴承微弱故障提取方法

轴承的早期故障信号属于微弱信号,其故障特征提取一直是旋转机械故障诊断的一大难点。笔者将掩膜法引入到局部均值分解(local mean decomposition,简称LMD)分解中,提出了一种基于LMD和掩膜法(mask signal,简称MS)的滚动轴承微弱故障提取方法。由于LMD在噪声背景下分解出的功能分量(product function,简称PF)存在模态混叠现象,很难辨别故障频率的真伪,所以引入了掩膜信号法对LMD分解出的与原信号相关性强的PF分量进行处理,抑制模态混叠现象,提取故障频率。文中以滚动轴承实际故障信号为对象进行分析,通过将掩膜信号法与LMD方法相结合的方式,对存在噪声的故障信号进行处理,将故障频率处的峭度值提高了8倍,同时将信噪比提高了19.1%,成功提取了故障信号,为故障特征提取提供一种新的诊断方法。     

滚动轴承故障的可拓物元诊断方法

滚动轴承是大多数机械设备中工作条件最为恶劣的部件,它们在设备运行中起着承受载荷、传递载荷的作用,因而其运行状态直接影响到整台机器的性能。基于可拓学中的物元理论和可拓集合理论,首先建立了滚动轴承故障诊断的物元模型,然后通过引入关联函数,确切计算了待评轴承针对指定故障发生的程度,提出了一种诊断滚动轴承故障的新方法。     

基于WPD-HHT的滚动轴承故障诊断

在分析小波包分解(WPD)和HilbertHuang变换(HHT)的基础上,通过将WPD和HHT相结合,引进了一种故障诊断方法(WPDHHT)。仿真和实验表明,此方法能有效提取周期性脉冲成分并抑制噪声。     

基于OC-VPMCD和ITD的滚动轴承故障诊断方法

基于变量预测模型的模式识别方法可以充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型并以预测误差平方和值最小为判别函数进行分类。基于此,提出了一种新的一类分类方法--单类基于变量预测模型的模式识别（OC-VPMCD）方法,将该方法与本征时间尺度分解（ITD）方法相结合并应用于滚动轴承故障诊断。首先采用ITD对滚动轴承振动信号进行分解并对包含主要故障信息的若干固有旋转（PR）分量提取排列熵作为故障特征值;然后对OC-VPMCD分类器进行训练,并确定预测误差平方和阈值;最后进行OC-VPMCD模式识别,根据模式识别结果判断滚动轴承的工作状态正常与否。实验数据分析结果表明,该方法能够有效地应用于滚动轴承振动信号的故障诊断。