强噪声下工程装备轴承信号的稀疏重构研究

工程装备轴承故障工况特征常被外在信息淹没,为了对故障数据有效提取,提出了粒子群寻优与稀疏重构相结合的降噪滤波方法,选取Laplace小波基进行参数寻优与字典预构,进而对轴承的振动信号进行稀疏重构.通过对实验数据施加2 dB的高斯白噪声模拟工程环境下的轴承信号,将优化的稀疏重构算法与巴特沃斯滤波器、小波阈值去噪算法进行对比.结果显示:在峰值信噪比与波形相似性等参数上,所提方法的效果更优,所得的重构信号内外圈故障特征频率与理论特征频率相接近,在充分过滤噪声后,可保留原始特征信息,为后期的故障诊断提供良好的数据基础.     

基于主成分分析理论的装载机多源数据特征提取

为缓解工程车辆在复杂作业环境下因特征属性多、信号干扰大,引起运算时的维数灾难,以某5 t装载机为研究对象,在V形循环作业工况下采集压力、流量、转速及转矩等信号;在剔除部分冗余变量、加入衍生变量后基于主成分分析(PCA)理论对多源数据进行特征提取。通过实验分析得出装载机前轴扭矩、后轴扭矩和工作泵功率累计达到了原11种属性97%的贡献率。装载机的前轴扭矩、后轴扭矩和工作泵功率可以代替多源数据变量。通过主成分分析能提高高维运算的速度,同时降低维数灾难的发生率,该方法可用于分析工程机械的大数据样本,从而进行智能识别与人工智能控制,也可应用于机器学习、数据挖掘以及计算机视觉等领域。     

不同负载下滚动轴承的PSO-SSTCA算法研究

针对不同负载下滚动轴承故障诊断准确率不高和样本稀缺的问题，本文提出了一种基于粒子群优化的半监督迁移学习（PSO-SSTCA）算法。在迁移学习算法的基础上，引入希尔伯特-施密特独立性系数（HSIC）增强迁移学习过程中不同数据标签的依赖性，加入粒子群优化算法自适应寻找多核函数的最优系数，缩小数据集的类内间距，并利用K-近邻算法进行不同负载间滚动轴承的故障诊断。对4种不同负载工况下的滚动轴承振动信号进行分析，结果表明：在单-单、多-单负载工况下，PSO-SSTCA算法的平均准确率分别为85.92%与88%，与重构信号相比分别提高了10.75%与19.42%。该方法有效地为机械设备的状态监测与故障诊断提供了技术支撑。