张量鲁棒主成分分析及其在故障诊断中的应用

通常采集到的机械设备振动信号具有典型的非线性、非平稳特性,并且含有强背景噪声。一种新的张量鲁棒主成分分析方法被提出,该方法假设张量数据能被分解为代表信号特征的低秩成分和代表噪声的稀疏成分的叠加。首先将采集的一维信号重构到三维张量空间,然后通过求解一个凸优化问题来提取张量数据的低秩特征成分,从而实现信号的特征提取。该问题实质是由Tucker分解模型相关的Tucker秩凸包络的核范数和稀疏成分范数的联合最小化问题。分别通过仿真实验和实测的轴承外圈故障信号进行分析,结果表明提出的方法能成功的提取故障特征信息。     

基于张量分解的滚动轴承复合故障多通道信号降噪方法研究

针对滚动轴承多通道信号同时滤波的问题,提出一种新的基于张量分解的多维降噪技术。该方法在高维空间中将时域信号、频率和通道建模为一个三阶张量模型,首先通过Tucker3分解张量模型,然后通过L曲线准则来选取截断高阶奇异值分解(Truncated HOSVD)的截断参数,根据截断参数求解张量模型,最后根据原张量的组建方式通过逆变换得到新的目标张量。通过滚动轴承复合故障仿真分析对所提出的滚动轴承复合故障检测技术的性能进行了评价,然后应用该方法对轴承试验台采集的振动信号进行降噪分析,试验结果表明该方法在滚动轴承复合故障多维降噪以及特征提取中的有效性和可行性。基于张量分析的多维信号滤波技术将拓宽大数据时代处理异构、多维数据的视野。     

基于CEEMD-PCA-XGBoost的滚动轴承故障诊断方法

在轴承的故障诊断过程中，往往会存在因数据缺失或分布不均，从而导致其运算速度慢和分类准确率低的问题，为此，提出了一种互补集成经验模态分解结合主成分分析和极限梯度提升(CEEMD-PCA-XGBoost)的故障诊断方法。首先，基于互补集成经验模态分解(CEEMD)对第三方轴承故障数据集进行时域和频域的特征提取，实现了数据初步筛选的目的；然后，采用主成分分析法(PCA),降低了分解后的本征模态函数分量(IMF)的特征值维度；将提取的特征量作为输入量，输入到极限梯度提升(XGBoost)模型中，并采用栅格法优化了模型的参数；最后，通过2种不同轴承数据集对该方法进行了验证，并从分类精度、准确度等角度出发，将该方法所得结果与采用其他算法所得到的结果进行了对比分析。实验结果表明：经美国凯斯西储大学轴承数据集检验，采用优化后的算法模型得到的分类准确率为100%,运算时间为11.264 s;经IEEE PHM 2012数据集验证，采用该算法得到的轴承寿命预测曲线拟合效果优于其他算法。研究结果表明：在运算速度和分类准确率方面，该轴承故障诊断方法具有较好的综合性能。     

改进张量分解算法及在机械故障诊断中的应用

提出了一种新的基于L?wner矩阵的改进张量分解算法。张量作为高维数据的最自然的表示形式,能够最大程度地保留数据的内在结构特性,通过张量分解算法来识别信号中的有效成分并将其储存在低秩的子张量空间中。利用L?wner矩阵来实现一维信号向高维张量的表征,并通过L?wner矩阵的特性来确定张量分解的秩,接着由迭代的最小二乘法对张量进行分解,最后从分解的子张量中提取有用的信息。为了验证提出方法的有效性,分别通过数值仿真实验和实测的轴承外圈故障信号进行分析,结果提出的方法成功地提取了故障特征信息。     

基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。     

发动机缸盖振动信号特征提取与优化选择算法

为了从发动机缸盖振动信号中提取出完备的、高质量的状态特征,并选择出最优特征子集进行分类,建立了缸盖振动信号集成特征提取模型,提出了一种基于样本分散度的最优特征子集选择算法。集成特征提取模型选取多个完整工作循环数据处理,用提升小波包对其进行快速变换,消除波动影响和噪声,求取所构造特征集的各特征值,得到包含完备发动机状态信息的特征向量;最优特征子集优化选择算法,建立了基于样本分散度的特征选择模型,解决了冗余分类信息的消除问题,结合分类器选择出最优特征子集,使其规模与分类效果综合最优,用欧氏距离分类法和支持向量基分类器进行测试,所有40个特征输入分类器正确率分别为67.86%和70%,优化选择后特征个数分别降低为6个和5个,而分类正确率提高到了90.71%和90%。     

基于快速在线支持张量机的柴油机智能诊断方法

柴油机状态监测信号众多且多为非平稳信号,相互干扰较大且具有非线性和复杂耦合的特征,导致基于向量模式的故障诊断方法难以准确诊断其工作状态。提出一种张量模式下的柴油机智能诊断方法。首先,结合线性支持高阶张量机的学习框架和在线随机梯度下降法的思想,设计带核函数的快速在线支持张量机算法。然后,构建“信号类别×曲轴转角×转速”的三阶张量形式的柴油机状态样本,分别以在线支持向量机、线性支持高阶张量机和快速在线支持张量机三种算法,对某柴油机的失火样本进行故障诊断,以“测试精度”“学习时间”“存储空间”作为评价指标对三种算法进行对比分析。分析结果表明,所设计的快速在线支持张量机算法测试精度较高,学习时间显著降低,所需存储空间很小,解决了超大样本、非线性和高维数据的分类问题,满足了柴油机智能故障诊断的工程应用要求。     

基于改进层次极差熵和WOA-ELM的滚动轴承故障识别

由于传统的多尺度熵特征提取方法无法提取信号的高频故障特征,造成特征的提取不够完整,故障识别准确率也较低。为此,提出了一种基于改进层次极差熵(IHRE)和鲸鱼算法(WOA)优化极限学习机(ELM)的滚动轴承故障诊断策略。首先,基于改进的层次分析和极差熵,提出了可以同时分析滚动轴承振动信号低频和高频成分的IHRE时间序列复杂性测量方法,并将其用于提取滚动轴承振动信号的深层次故障特征;然后,采用鲸鱼算法对极限学习机的核心参数进行了优化,构建了网络结构最优的鲸鱼算法—极限学习机(WOA-ELM)分类器;最后,将所构建的IHRE故障特征输入至WOA-ELM分类器,进行了故障分类,对滚动轴承进行了故障识别;基于滚动轴承的实验数据进行了算法的有效性分析,并从多个维度进行了对比,进行了算法优越性分析。研究结果表明：IHRE方法的故障识别准确率最高,达到了100%,而多次实验的平均识别准确率也达到了99.82%,优于改进层次样本熵、层次极差熵和多尺度极差熵方法;在分类时间和分类准确率方面,WOA-ELM分类模型要优于PSO-ELM和GA-ELM分类器。该结果证明,基于IHRE和WOA-ELM的故障诊断策...     

张量模型区分度函数在轴承故障诊断中的应用

目前对故障信号的刻画方法多以向量模型为主,信号的表现形式单一,存在着小样本和维数灾难等问题。另外,多数特征提取算法在处理新样本时,通常需要同时利用新、旧样本构建新数据空间,并进行重新计算,算法处理新样本的效率较低。为此,提出了一种新的基于张量模型的故障诊断方法,采用小波变换和相空间重构建立轴承故障信号的张量模型,通过高阶奇异值分解获得轴承振动信号的初始特征。在此基础上提出了张量模型初始特征最优分类点的区分度函数,实现了轴承故障的快速诊断。分别利用轴承试验平台和凯斯西储大学轴承数据集进行实验,实验结果证明了所提算法能够提取显著的特征,并具有诊断速度快和识别精度高等优点,适合于实际工程应用。     

AOA-CEEMDAN和融合特征在齿轮箱故障诊断中的应用

自适应噪声完备集成经验模态分解(CEEMDAN)的参数由于是人为设置的,从而会导致其信号的分解不彻底。针对这一问题,提出了一种基于算术优化算法(AOA)优化CEEMDAN、融合特征和随机森林(RF)的齿轮箱故障诊断方法。首先,采用AOA算法对CEEMDAN方法的关键参数进行自适应选取,并采用优化后的CEEMDAN方法对齿轮箱振动信号进行了分解,生成若干个本征模态函数(IMF);随后,利用相关系数准则选择了前4阶IMF分量作为故障敏感分量;接着,利用由注意熵和散度熵组成的融合特征提取方法挖掘了故障敏感分量的故障特征,得到了故障敏感特征样本;最后,将表征齿轮箱故障特性的故障特征输入至RF多故障分类器中,建立了故障分类模型,完成了齿轮箱的故障识别;利用QPZZ-II型齿轮箱数据集进行了实验,并将其结果与采用其他方法所得结果进行了对比。研究结果表明：相较于原始CEEMDAN,优化后的CEEMDAN能够更加准确地分解非线性齿轮箱振动信号,故障识别准确率提高了4%;相较于单一的故障特征,融合特征能够更加准确地表征齿轮箱的故障状态,故障识别准确率分别提高了3.2%和8%。基于AOA-CEEMDAN和...     

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。     

改进时频分析和特征融合在内燃机故障诊断中的应用

针对基于内燃机振动信号的故障识别诊断问题，首先提出一种基于阈值筛选的变分模态分解(VMD)、玛基诺-希尔时频分布(MHD)的时频分析方法，该方法针对Cohen类时频分布存在的交叉干扰项问题，通过阈值筛选法确定VMD算法的分解层数，从而将内燃机振动信号分解成一系列单分量模态信号，然后对单分量信号进行MHD时频表征及线性叠加得到时频聚集性优良、物理意义明确的振动信号时频谱图。再通过局部非负矩阵分解(LNMF)对时频图像特征进行提取，将提取的特征与振动信号时域参数进行特征融合，得到融合特征向量。对支持向量机(SVM)采用改进粒子群优化算法进行参数优选，然后对特征向量进行训练和测试，实现了内燃机的故障识别诊断。将该方法应用于内燃机气门间隙故障8种工况下缸盖振动信号的识别诊断试验，结果表明，该方法能够对不同工况振动信号进行有效识别分类。通过参数优选，最高识别率达到了99.17%，同时对比传统的最近邻分类器的分类结果，证明了该方法的优越性。     

发动机异常检测多目标优化方法

针对柴油发动机异常检测中的特征选择和分类器参数与检测精度之间的耦合关系,提出了一种基于非支配排序粒子群优化的柴油发动机异常检测封装式多目标同步优化方法.利用双树复小波包的分解与重构,对发动机振动信号进行时域、频域和时频域多角度特征提取,构建了较完备的特征参数集,分析了故障诊断中特征选择与分类器参数优化对检测精度的影响,运用非支配排序粒子群优化算法对多个优化目标进行协调和折衷处理,同时追求特征参数子集维数最小化和分类正确率最大化.实验数据分析表明,该方法能够寻找出最优的特征子集和分类器参数,提高柴油发动机异常检测的精度和效率.     

基于离散粒子群优化算法的汽车发动机故障特征选择

最优特征选择属于组合优化范畴,针对汽车发动机机械故障特征选择问题,分析了冗余特征的存在对于故障分类器分类性能的影响,选择最优特征组合可以提高故障分类的正确率,提出基于离散粒子群算法的特征优化组合算法,利用BP神经网络评价特征优化的性能,并将其应用到汽车发动机曲轴轴承磨损故障诊断中.实验结果表明,与遗传算法相比,基于离散粒子群算法的特征优化算法优化效率较高,分类正确率较高,优化后的特征集可以显著地提高故障分类器的分类性能.     

改进蝙蝠算法优化支持向量机的故障诊断方法

提出了一种基于变分模态分解（VMD）和时移多尺度散布熵（TSMDE）的故障特征提取结合改进的蝙蝠算法（IBA）来优化支持向量机（SVM）的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机（IBA-SVM）,实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法（PSO）优化支持向量机（PSO-SVM）的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

Bispectrum feature extraction of gearbox faults based on nonnegative Tucker3 decomposition with 3D calculations

Nonnegative Tucker3 decomposition（NTD） has attracted lots of attentions for its good performance in 3D data array analysis. However, further research is still necessary to solve the problems of overfitting and slow convergence under the anharmonic vibration circumstance occurred in the field of mechanical fault diagnosis. To decompose a large-scale tensor and extract available bispectrum feature, a method of conjugating Choi-Williams kernel function with Gauss-Newton Cartesian product based on nonnegative Tucker3 decomposition（NTD_EDF） is investigated. The complexity of the proposed method is reduced from o（nNlgn） in 3D spaces to o（RiR2nlgn） in 1D vectors due to its low rank form of the Tucker-product convolution. Meanwhile, a simultaneously updating algorithm is given to overcome the overfitting, slow convergence and low efficiency existing in the conventional one-by-one updating algorithm. Furthermore, the technique of spectral phase analysis for quadratic coupling estimation is used to explain the feature spectrum extracted from the gearbox fault data by the proposed method in detail. The simulated and experimental results show that the sparser and more inerratic feature distribution of basis images can be obtained with core tensor by the NTD EDF method compared with the one by the other methods in bispectrum feature extraction, and a legible fault expression can also be performed by power spectral density（PSD） function. Besides, the deviations of successive relative error（DSRE） of NTD_EDF achieves 81.66 dB against 15.17 dB by beta-divergences based on NTD（NTD_Beta） and the time-cost of NTD EDF is only 129.3 s, which is far less than 1 747.9 s by hierarchical alternative least square based on NTD （NTD_HALS）. The NTD_EDF method proposed not only avoids the data overfitting and improves the computation efficiency but also can be used to extract more inerratic and sparser bispectrum features of the gearbox fault.     

基于稀疏自动编码深度神经网络的感应电动机故障诊断

针对目前感应电动机故障诊断大多采用监督学习提取故障特征的现状,提出一种将去噪编码融入稀疏自动编码器的深度神经网络,实现非监督学习的特征提取并用于感应电动机的故障诊断。稀疏自动编码器通过自动学习复杂数据的内在特征来提取简明的数据特征表达。为提高特征表达的鲁棒性,在稀疏编码器的基础上融入去噪编码,提取更有效的特征表达用来训练神经网络分类器进而完成整个深度神经网络的构建,并结合反向传播算法对深度神经网络进行整体微调,提升故障分类的准确度。整个训练过程引入"dropout"训练技巧,减少因过拟合带来的预测误差。试验结果表明,相比传统反向传播(Back propagation,BP)神经网络,提出的深度神经网络能更有效地实现感应电动机故障诊断。