基于嵌入式SRVPMCD的模式识别方法

针对多变量预测模型（VPMCD）模式识别方法的固有缺陷和机械故障特征难以选择的难题,即特征维数较多时对时效性的影响和特征选择需要引入主观因素的现状,提出了一种基于嵌入式的逐步回归多变量预测模型（SRVPMCD）模式识别方法。该方法首先通过逐步回归引入变量并计算其显著水平,建立只包含显著特征值的预测模型,同时实现嵌入式特征选择和建模分类的功能,然后用所建立的预测模型来预测待分类样本的特征值,最后把预测结果作为分类依据进行模式识别。对滚动轴承故障信号的分析结果表明,基于嵌入式SRVPMCD的模式识别方法可以实现特征选择和分类的双重功能,在保证识别精度的前提下,比原VPMCD方法及其组合方法可以更快地识别滚动轴承的工作状态和故障类型。     

改进VPMCD方法在滚动轴承故障诊断中的应用

针对模式识别新方法VPMCD(variable predictive model based class discriminate)在参数估计过程中存在的缺陷,对VPMCD方法进行了改进,用主成分估计法代替原方法中的最小二乘法进行参数估计,消除了预测变量间存在多重线性相关性的影响,可以获得更加稳定的模型参数,从而提高模式识别的精度。采用局部特征尺度分解(LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取各分量的近似熵组成故障特征向量作为改进VPMCD的输入,以改进VPMCD作为分类器对滚动轴承的工作状态和故障类型进行分类。对正常状态、外圈故障、内圈故障和滚动体故障四种不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明该方法有效。     

VPMCD和模糊熵在转子系统故障诊断中的应用

针对转子系统的故障特征,提出了基于多变量预测模型（variable predictive mode based class discriminate,简称VPMCD）和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数（intrinsic mode function,简称IMF）分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。     

基于改进多尺度模糊熵的滚动轴承故障诊断方法

滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采用滑动均值的方式代替粗粒化过程,提出了改进的多尺度模糊熵算法,并通过仿真信号将其与MFE进行了对比分析。在此基础上,提出了一种基于改进多尺度模糊熵与支持向量机的滚动轴承故障诊断方法。最后,将所提故障诊断方法应用于的滚动轴承实验数据分析,并与基于MFE的故障诊断方法进行了对比,结果验证了所提方法的有效性和优越性。     

均值优化经验模态分解及其在转子故障诊断中的应用

经验模态分解（Empirical mode decomposition,EMD）作为一种自适应的信号分解方法已经被广泛应用于诸多工程领域。为了提高EMD的分解性能,分别考虑从不同权值均值曲线的迭代筛分结果中选择正交性最小以及从每层内禀模态函数迭代结果中选择最优以保证整体分解最优,发展了两种均值优化经验模态分解（Mean-optimized empirical mode decomposition,MOEMD）算法。通过仿真信号分析,将MOEMD方法与EMD等现有信号分解方法进行了对比,结果表明,MOEMD方法在分解性能和分解精度方面比EMD等方法有显著提高。最后,将MOEMD方法应用于转子碰摩故障信号分析,并与EMD进行了对比分析,结果表明,MOEMD方法不仅能够有效地识别转子碰摩故障,而且识别效果优于EMD方法。     

析山塘历史街区中建筑立面的更新

苏州市山塘历史文化街区作为江南传统建筑代表之一,其建筑的保护一直是人们关心的话题.但是,随着商业化的发展,古城部分风貌遭受了破坏.本文通过对苏州山塘街进行调研,选取山塘街沿河建筑立面作为调研对象,分别从城市视角、建筑视角以及建筑立面装饰材料中的对比更新中展开研究,希望通过对比总结发现历史街区保护发展过程中的一些待改进之...     

基于全矢Autogram的滚动轴承故障诊断方法

针对滚动轴承单通道信号信噪比较低、不能全面和准确表征故障特征等问题,提出了一种基于全矢谱和自相关谱峭度图的滚动轴承故障诊断方法。首先,计算互为垂直的两通道振动信号的自相关谱峭度图,得到信号中最佳频带的位置,并提取重构信号;其次,为了保证信号故障信息的全面性和获取精确故障特征信息,计算重构信号的全矢包络谱;最后,分析全矢包络谱中的故障特征进行故障诊断。通过分析仿真信号及实验数据,将所提方法与快速谱峭度和自相关谱峭度图等方法进行了对比,结果表明,所提故障诊断方法能够有效地提取滚动轴承的故障特征频率,提高故障诊断的精确性。     

基于非线性模式分解的旋转机械复合故障特征提取方法

针对旋转机械复合故障振动信号的非平稳特征,提出了一种基于非线性模式分解（NMD）的故障特征提取方法。该方法首先通过NMD将振动信号分解为若干个具有实际物理意义的非线性模态(NM)分量和一个残余分量之和,然后对各NM分量采用包络谱分析提取故障特征。仿真信号的分析结果验证了NMD方法的优越性,在此基础上将NMD方法应用于旋转机械复合故障诊断中,实验数据的分析结果表明,该方法能有效提取出旋转机械复合故障的特征。     

基于LCD降噪和VPMCD的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(LCD)降噪和多变量预测模型(VPMCD)的滚动轴承故障诊断方法。该方法首先采用LCD对滚动轴承振动信号进行降噪;然后计算降噪后信号在不同维数下的模糊熵,并以模糊熵为特征值,采用VPMCD方法建立模糊熵的预测模型;最后用所建立的模型来预测待分类样本的特征值,把预测结果作为分类依据进行模式识别。实验分析结果表明,采用LCD方法降噪可以有效地提高VPMCD的分类性能,与神经网络、支持向量机等分类器相比,VPMCD方法可以更准确、更有效地识别滚动轴承的工作状态和故障类型。     

复合层次模糊熵及其在滚动轴承故障诊断中的应用

针对样本熵和多尺度熵中相似性度量函数的突变问题,及它们在分析时间序列复杂性时捕捉不到高频组分信息的局限,提出了一种新的时间序列的复杂性度量方法--复合层次模糊熵(CHFE)。为了有效地提取滚动轴承早期故障特征,提出了一种基于CHFE、拉普拉斯分值和支持向量机的滚动轴承故障诊断方法。首先,提取振动信号的CHFE值;其次,采用拉普拉斯分值对特征向量进行降维优化;再次,建立基于支持向量机的多故障分类器,实现滚动轴承的故障诊断;最后,将该方法应用于实验数据分析,结果验证了方法的有效性。