基于特征选择和RRVPMCD的滚动轴承故障诊断方法*

针对滚动轴承故障诊断时所提取的特征值中可能含有较小相关性和冗余性特征,采用基于Wrapper模式的距离评价技术(distance evaluation technique,简称DET)进行特征选择。在分类器的设计中,提出了基于稳健回归的多变量预测模型(Robust regression-Variable predictive model based class discriminate,简称RRVPMCD)分类方法,以减小"异常值"对参数估计的影响,从而有望建立更加准确的预测模型。即根据Wrapper模式的特点,首先通过DET方法计算出各特征值对类的敏感度,并结合RRVPMCD分类器,选择敏感度最大的若干特征值组成特征向量矩阵;然后用RRVPMCD方法进行训练,建立预测模型;最后用所建立的预测模型进行模式识别。实验分析结果表明,基于Wrapper模式的特征选择方法和RRVPMCD分类方法相结合可以有效地对滚动轴承的工作状态和故障类型进行识别。     

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行包络与平滑处理后再分割,实现了自相关谱峭度图方法自适应分割频带的目的。通过仿真信号与实验数据分析,并将所提方法与快速谱峭度及自相关谱峭度图方法进行对比,结果表明,所提出方法能够准确地检测到合适的解调频带,同时其故障特征更加明显。     

复合多尺度反向散布熵在轴承故障诊断中的应用EI北大核心CSCD

滚动轴承发生故障时,其振动信号往往表现出非线性和非平稳特征。反向散布熵(reverse dispersion entropy,RDE)能够有效衡量振动信号的复杂性变化和非线性动力学突变行为,但是单一尺度的RDE值并不能完全反映振动信号的复杂性和非线性特征。对此,受多尺度熵启发,同时针对传统多尺度粗粒化方式的不足,提出了复合多尺度反向散布熵(composite multi-scale reverse dispersion entropy,CMRDE)。通过仿真信号分析,将CMRDE与多尺度反向散布熵(multi-scale reverse dispersion entropy,MRDE)和RDE进行对比,结果表明:CMRDE不仅能反映不同尺度下信号复杂度的差异,且变化更平缓、波动更小。在此基础上,将CMRDE应用于滚动轴承故障特征提取,提出了一种基于CMRDE、集合经验模态分解和布谷鸟搜索算法优化支持向量机的滚动轴承故障诊断方法。将所提方法应用于滚动轴承试验数据分析,并通过与现有方法进行对比,结果表明:相较所对比的方法,所提方法能有效识别轴承故障类型,提取的故障特征误差更小、故障识别率更高。     

交互偏移支持矩阵机及其在滚动轴承故障诊断中的应用

针对滚动轴承微弱故障信息特征提取与分类的问题,提出一种交互偏移支持矩阵机（Interactive Deviation Support Matrix Machine,IDSMM）。在 IDSMM 建模过程中,将每个目标函数加入偏移参数,从几何上看,这使得每一类样本对应的超平面相对原位置进行偏移,构造出一对具有偏移量的交互超平面,且每一个超平面距离异类样本更远,提高了模型的泛化能力。此外,IDSMM 引入多秩左右投影矩阵构造目标函数,充分挖掘了矩阵中行列间的结构信息,并使模型具有更好的数据拟合能力。采用两个滚动轴承数据集进行实验验证,实验结果表明 IDSMM在滚动轴承故障诊断中具有优异的分类性能。     

基于VPMELM的滚动轴承劣化状态辨识方法

针对变量预测模型模式识别方法(VPMCD)仅仅包含几种简单数学模型的问题,所建立的预测模型不足以反映特征值之间的复杂关系;极限学习机(ELM)回归模型是一种复杂且被广泛应用的模型,其模型可以反映特征之间的相互关系。结合极限学习机回归模型和VPMCD方法的优点,提出了一种基于极限学习机的变量预测模型(VPMELM)模式识别方法,并将该方法应用于滚动轴承劣化状态实验中。实验表明,基于VPMELM的辨识方法可以有效地对滚动轴承的劣化状态进行识别。     

基于插值多尺度熵与模糊C-均值的滚动轴承故障诊断

多尺度熵是一种有效的衡量时间序列复杂性的方法。为了克服多尺度熵粗粒化过程遗漏特征信息的问题,提出了一种基于三次样条插值时间序列的插值多尺度熵算法。该方法首先通过三次样条插值时间序列代替原粗粒化过程,再计算各个尺度下的样本熵。通过分析仿真信号将提出的方法与原多尺度熵方法进行对比,结果表明了方法的有效性和优越性。在此基础上,提出一种基于插值多尺度熵与模糊C-均值的滚动轴承故障诊断方法。最后,将提出的故障诊断方法应用于滚动轴承的试验数据分析。结果表明,所提出的方法比基于MSE的故障诊断方法识别率更高。     

基于GL Studio的航空仪表ActiveX控件的设计

利用GL Studio软件,结合VC++6.0混合编程,设计了四大航空仪表的ActiveX控件。介绍了GL Studio软件及ActiveX控件的功能及特点。详细介绍了高度表、空速表、磁罗盘、领航时钟的设计过程。最后结合某型歼击机模拟仿真平台,验证了航空仪表ACTIVEX控件运行的可行性。     

匀相窄波局部特征尺度分解方法及其在机械故障诊断中的应用

局部特征尺度分解(local characteristic-scale decomposition,LCD)方法在改善了经验模态分解(empirical mode decomposition,EMD)方法的同时,也继承了EMD的模态混叠问题.噪声辅助分解是解决EMD模态混叠问题的主要方法之一,但由于LCD对于噪声更加敏...     

ADMOW方法及其在滚动轴承状态识别中的应用

针对滚动轴承振动信号的状态特征及特征数据中存在"异常值"的现象,提出了基于优化加权代理判别模型(Agent discriminate model based optimization weighted,ADMOW)的模式识别方法。该方法首先通过计算样本特征值的类相似度对特征值进行评价,并依据评价结果对特征值赋予权值,以此弱化"异常值"导致模型出现偏差的问题;然后利用粒子群优化(Particle swarm optimization,PSO)算法对所建立的模型参数进行优化,得到更加准确可靠的分类模型;最后采用建立的优化加权代理预测模型对待测样本进行识别。滚动轴承实验结果表明,与以往的模式识别方法相比,该方法能有效地提高识别准确率。     

基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法

为克服多尺度样本熵的不足,更精确地提取滚动轴承非线性故障特征,将一种新的非线性动力学分析方法--精细复合多尺度散布熵引入到滚动轴承的故障特征提取。在此基础上,提出了一种基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断新方法。通过滚动轴承实验数据分析,将所提方法与基于多尺度样本熵和多尺度散布熵的故障诊断方法进行了对比,结果表明：所提方法不仅能精确地识别滚动轴承故障类型和故障程度,而且故障识别率高于另两种方法。