基于奇异点检测和模糊粗糙集相结合的故障特征降维方法及应用研究

针对在模式识别过程中样本的特征维数过高,模糊粗糙集特征降维方法易受奇异点影响的问题,提出了一种基于奇异点检测和模糊粗糙集相结合的特征降维方法。该方法通过计算样本基于重心的不稳定系数值的变化,据此剔除奇异点,消除了奇异点对模糊粗糙集特征降维的影响,选择出对模式分类敏感的特征子集。通过仿真数据和齿轮故障数据进行实验分析,实验结果验证了所提出的特征降维方法的有效性。     

非线性液压弹簧力对电液伺服系统非线性动力学行为影响的研究

探究了非线性液压弹簧力对电液伺服系统动态特征的影响。根据非线性动力学原理,建立了系统的动力学模型。通过理论研究指出,非线性液压弹簧力作用可以用Duffing方程描述。通过数值分析揭示了系统内在的分岔现象及典型非线性动力学行为。通过对实测数据进行深入的分析,揭示了液压弹簧的软硬弹簧特性引起的“跳跃现象”。发现液压弹簧力的非线性作用会引发非线性振动,在系统建模与动态特性研究时应该将其非线性作用考虑在内。     

基于迭代自适应多尺度形态滤波的滚动轴承故障诊断

针对工业现场强噪声背景下振动信号特征信息提取困难和单尺度形态滤波时尺度选择的盲目性和随意性的问题,基于自适应多尺度形态分析(AMMA)的思想提出了一种迭代自适应多尺度形态分析(IAMMA)的滤波方法。该方法对振动信号进行多尺度形态差值迭代运算,每次采用的结构元素尺度逐渐增大,然后求多次滤波结果的平均值,达到滤除噪声成分的目的。对仿真信号和滚动轴承故障信号进行分析,结果表明,IAMMA较AMMA能够选取更为合适的结构元素尺度,提取更多的故障特征信息,滤波效果更佳,与Hilbert包络解调方法相比处理过程更加简捷,从而为轴承的故障诊断提供了一种有效的方法。     

基于总体平均经验模式分解近似熵和混合PSO-BP算法的轴承故障诊断方法

针对机械系统的非平稳、非线性特性,提出了一种基于总体平均经验模式分解(EEMD)近似熵和混合PSO-BP算法的轴承故障诊断方法。EEMD能够解决EMD的端点效应,改善处理非线性信号时的局限性;引入随机权重和压缩因子来改进粒子群算法,优化BP神经网络的权值和阈值,解决BP网络的全局收敛问题。将信号经EEMD得到的IMF分量与近似熵结合,组成特征向量,再将构造的特征向量输入到PSO-BP神经网络中进行模式识别。实验及工程应用实例证明了该方法的有效性和优越性。     

基于多特征融合多核学习支持向量机的液压泵故障识别方法

提出基于多特征融合多核学习支持向量机的液压泵故障识别方法。该方法首先对原始信号进行集总经验模态分解,然后分别用AR模型和奇异值分解两种特征提取方法提取故障特征,最后将不同类型的特征分别用相应的核函数进行映射,用多核学习支持向量机来识别液压泵的工作状态和故障类型。实验结果表明该方法显著地提高了故障诊断的准确性。     

基于多元经验模态分解互近似熵及GG聚类的轴承故障诊断

提出了一种基于多元经验模态分解（Multi-EMD）、互近似熵和GG聚类的滚动故障轴承诊断方法。首先,将振动信号进行多元经验模态分解,得到若干个内禀模态函数（IMF）分量和一个趋势项。然后,将IMF分量分别与原始信号进行相关性分析,筛选出前7个含主要特征信息的IMF分量,并将筛选的IMF分量的互近似熵作为特征向量。最后,将特征向量输入到GG模糊分类器中进行聚类识别。通过聚类三维图,对两种算法机械运行的4种状态进行了对比,验证了多元经验模态分解方法不仅可解决采样的不均衡问题,而且可解决EMD算法聚类的混叠问题。     

基于虚拟仪器的电液比例方向阀静动态特性综合CAT系统

首次采用压力传感器构成压差反馈闭环控制,解决了电液比例方向阀稳态流量特性测试时阀压降恒定问题,使其在测试过程中阀压降波动控制在国标规定的5%以内.采用虚拟仪器技术实现了对电液比例方向阀的静动态综合特性测试,主要包括静态特性的稳态流量特性、压力增益特性、负载流量特性、流量压降特性和动态特性的频率特性、阶跃响应特性,并给出了某电液比例方向阀各种特性的实测结果.     

基于支持向量机预测的冷连轧机轧制力精确设定方法研究

针对冷连轧机液压AGC系统轧制力的精确设定问题,提出了一种基于差分进化算法优化支持向量机的轧制力精确设定方法。该方法在支持向量机预测模型的基础上,引入差分进化算法对支持向量机的训练参数进行优化,提高支持向量机的预测精度。之后,利用海量生产数据对支持向量机进行训练并进行轧制力偏差的预测,最后将预测结果用于修正轧制力模型设定计算值。通过预测结果和实际数据的对比表明,利用该方法能够有效地提高冷连轧机AGC系统轧制力的设定精度,使设定的相对误差从单纯模型计算的15%降到6%,为进一步提高冷连轧机的设定计算精度提供了一种有效可行的方法。     

变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法

提出了一种变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法。首先,对实测振动信号进行处理,得到VMD的参数;然后,对信号进行VMD分解,得到一系列限带内禀模态函数(BIMF)分量,筛选并叠加组成重构信号;第三步,计算重构信号的样本熵和均方根值作为特征向量,从而得到训练样本和测试样本的特征向量集;第四步,通过KFCM聚类方法对训练样本特征向量集进行聚类分析,得到四种类型信号的聚类中心;最后根据测试样本特征向量与训练样本聚类中心欧式距离最小的原则识别故障类型。此外,将振动信号用经验模态分解(EMD)方法进行消噪,再用KFCM聚类进行分类识别,将两种方法的识别效果进行对比,结果表明所提方法的故障识别效果要优于EMD消噪和KFCM聚类相结合方法的识别效果。     

Cooley—Tukey基4FFT算法程序优化

推导出三种Ｃｏｌｅｙ－Ｔｕｋｅｙ基４ＦＦ算法的蝶算结构及旋转因子指数公因子Ｐ的简单计算公式，可显著减少求Ｐ值的次数及单次Ｐ值的运算量。给出了为避免三角函数值及倒序码值的重复计算所采取的编程技巧。