基于进化支持向量机的机载燃油泵故障诊断及实验研究

针对机载燃油泵故障数据少、诊断方法效率低、成本高等问题,研制了机载燃油转输系统实验平台,提出了一种基于小波包和进化支持向量机的机载燃油泵故障诊断方法。该方法依据机载燃油转输系统实验平台获取的振动传感器信号与压力传感器信号,利用小波包理论对振动信号进行分解,以不同频段信号的能量值作为特征参数,并结合出口压力信号均值构造故障特征向量。然后,将基于遗传算法的支持向量机作为分类模型,以得到的故障特征向量训练并验证该分类模型。试验结果表明,方法一方面能够提高故障分类准确率,另一方面能够优化传感器的设计,即只安装一个压力传感器与一个特定方向的振动传感器即可对机载燃油泵的多故障诊断率达100%。     

基于小波包BP_AdaBoost算法的机载燃油泵故障诊断研究

针对机载燃油泵故障数据少、诊断效率低、维护成本高、缺乏有效诊断方法的问题,搭建了机载燃油泵燃油转输系统实验平台,提出利用小波包分析进行特征提取和基于BP_AdaBoost机载燃油泵故障诊断方法。首先测量燃油泵7种典型状态模式所对应的振动信号和出口压力信号;然后在分析信号时频特性和统计特性的基础上,利用小波包分解提取振动信号不同频段能量值作为故障特征参数,结合振动信号峭度以及压力信号均值构造特征向量;最后利用特征向量训练和验证BP_AdaBoost分类模型。实验结果不仅优化了传感器,而且表明BP_Adaboost算法与SVM、BP算法相比,能够有效实现对机载燃油泵的故障诊断。     

机载燃油泵复杂应力退化试验设计与应力影响分析

针对机载燃油泵可靠性高、寿命长,实际工作环境复杂,而试验应力因素单一等特点,设计搭建了复杂应力条件下燃油泵退化试验平台,并对应力因素影响进行了分析。首先通过对燃油泵失效机理的分析,选取了影响轴承磨损的电应力和机械振动作为主要应力,开展其性能退化研究;然后基于以上选取的应力搭建了燃油泵退化试验平台和振动试验装置,并对压力传感器和流量传感器进行了选型,介绍了信号采集控制系统,设计了燃油泵夹持装置并对其动态性能进行了分析;最后基于正交试验思想设计了试验方案,并采用极差分析和方差分析2种方法对试验结果进行了分析。所提方法缩减了2/3的试验次数,节省了试验时间,并得出电压对燃油泵可靠性的影响更为显著,其置信度可达99%。     

电流与振动信号融合的转子系统故障诊断研究

针对传统转子系统故障诊断信号的单一性,提出了基于电机电流和多传感器振动信号的融合信号的转子系统故障诊断方法。首先在单跨转子试验台上模拟转子系统的不平衡、不对中、碰磨故障,并采集不同故障类型下拖动电机的电流信号及不同位置的振动信号,其次利用小波包能量法对采集的信号进行特征值提取,最后利用贝叶斯网络对转子系统故障类型进行识别。试验结果表明:与只利用电机电流信号或振动信号相比,利用融合信息进行转子系统故障诊断准确率明显提高。     

基于信息融合的滚动轴承故障诊断

滚动轴承故障诊断中同一征兆域很难区分多种故障，单一传感器对故障分类识别有不确定性。提出了利用加速度传感器和声音传感器，基于BP神经网络及D-S证据理论，对所采集的振动信号和声音信号的多种特征信号进行信息融合，实现故障诊断。并对该方法进行仿真试验验证。     

基于优化CNN与信息融合的地铁牵引电机轴承故障诊断

针对在单一传感器下轴承故障识别率低的问题,提出一种基于优化CNN与信息融合的地铁牵引电机轴承故障智能检测方法。首先,选取NU216轴承为研究对象,预制故障缺陷;然后,采用正交试验法设计试验方案,采集NU216轴承的振动信号和声发射信号;其次,将原始数据通过连续小波变换,分别提取轴承的振动和声发射信号的时频域特征,并将2类单通道数据进行融合,得到双通道融合数据集;最后,将得到的3类数据集分别划分为训练集和测试集,输入优化后的卷积神经网络模型进行训练、测试。试验结果表明,基于振动信号的故障诊断准确率为95.76%,基于声发射信号的故障诊断准确率为92.33%,基于融合信号的故障诊断准确率为98.59%。     

液压泵信息融合故障诊断

针对液压泵故障特征的分散性和模糊性，提出基于振动和压力传感器的信息融合故障诊断方法。在充分分析液压泵球头松动故障机理的基础上，对振动信号和压力信号进行小波消噪处理，有效提取球头松动的故障特征。将不同类型特征参数进行特征层融合，利用主成分分析和改进算法的BP神经网络实现液压泵球头松动故障诊断。试验表明，基于不同类型传感器信息融合故障诊断方法可以有效地实现液压泵微弱故障的诊断。     

基于声振耦合分析的离心泵故障诊断

离心泵故障诊断一般采用接触式传感器采集的振动信号作为分析依据,但由于某些泵组的结构复杂、工况特殊,有时难以采用接触式传感器采集任意位置的振动信号。故本文采用了非接触式的传声器采集故障泵组的声音信号,并与振动信号进行耦合分析,从而利用噪声信号诊断出故障位置,为离心泵故障诊断技术提供了一个新的思路与方法。     

基于MCSA和Fisher-SAE的RV减速器故障特征提取研究

针对RV减速器实际监测中振动传感器的安装空间和信号采集容易受到限制和干扰等问题,提出了一种基于电机电流信号分析,稀疏自编码和Fisher准则相结合的RV减速器故障特征提取方法。首先,将采集的驱动电机电流数据转换到频域,研究了不同超参数对稀疏自编码的特征提取能力的影响,利用优化参数后的稀疏自编码对频域信号自动提取故障特征;然后,利用Fisher准则对提取的特征的判别能力进行了降序排名,取排名前n个特征,得到了最优故障特征集;最后,结合SoftMax分类层,实现了对RV减速器的故障诊断;搭建了RV减速器故障实验台,采集了电机电流数据,对基于Fisher-SAE的方法进行了验证,并将其与其他典型机器学习故障诊断方法进行了对比。研究结果表明：该方法能够从RV减速器电机电流信号中提取出故障特征,并选择最有效的故障特征集,解决了振动信号的局限性以及运用电流信号进行故障诊断难以提取有效特征的问题;相比于其他典型机器学习故障诊断方法,该方法的诊断准确率提高了10%～20%,具有更好的诊断效率和准确性。     

基于离散小波分解的刀具故障诊断

针对石材加工过程中刀具状态监测问题,基于振动采集装置分别对不同状态刀具进行振动铣削对比试验,采集不同状态下刀具振动信号,通过离散小波分解确定表征刀具故障诊断的特征值,同时确定了不同转速时的特征值范围,并在工艺范围内实现了刀具的故障诊断。     

基于小波包分解与DAG SVM的柱塞泵故障诊断

针对柱塞泵检测诊断中故障特征模糊、成因复杂、难以准确定位的问题,结合决策树与支持向量机提出一种基于小波包分解与DAG SVM的柱塞泵故障诊断方法。该方法预先对所用C SVM和RBF核函数的参数进行优化,而后采用db5小波包对泵体振动信号进行三层分解以提取特征向量,将特征向量输入支持向量机完成其训练及模式识别过程。同时设计了柱塞泵故障诊断的一体化装置,通过模拟不同故障,利用已知故障样本完成支持向量机的训练过程,进而对待测样本进行故障模式识别。诊断结果与样本已知状态相符,验证了该方法的准确性。     

关联维数分析方法在液压泵多故障诊断中的应用研究

针对液压泵故障信号非线性和非平稳性特征,提出了利用相空间重构技术和分形理论相结合的特征关联维数提取方法。该方法将液压泵不同故障模式下获取的一维振动信号重构到高维相空间,进行信息深层挖掘;通过对相空间特征信号关联维数变化规律的分析,找出对故障反映敏感的关联维数,由此进行故障识别。通过实验验证,该方法提取的关联维数能有效反映液压泵的故障特征,为液压泵多故障诊断方法的研究提供可靠的特征信息,具有良好的应用前景。     

Fault diagnosis of axial piston pumps with multi-sensor data and convolutional neural network

Axial piston pumps have wide applications in hydraulic systems for power transmission. Their condition monitoring and fault diagnosis are essential in ensuring the safety and reliability of the entire hydraulic system. Vibration and discharge pressure signals are two common signals used for the fault diagnosis of axial piston pumps because of their sensitivity to pump health conditions. However, most of the previous fault diagnosis methods only used vibration or pressure signal, and literatures related to multi-sensor data fusion for the pump fault diagnosis are limited. This paper presents an end-to-end multi-sensor data fusion method for the fault diagnosis of axial piston pumps. The vibration and pressure signals under different pump health conditions are fused into RGB images and then recognized by a convolutional neural network. Experiments were performed on an axial piston pump to confirm the effectiveness of the proposed method. Results show that the proposed multi-sensor data fusion method greatly improves the fault diagnosis of axial piston pumps in terms of accuracy and robustness and has better diagnostic performance than other existing diagnosis methods.     

基于LMD和灰色关联度的故障诊断方法研究

针对高压隔膜泵单向阀故障振动信号的非平稳特性,提出基于局部均值分解法(LMD)和灰色关联度理论相结合的故障诊断方法.首先,利用LMD将高压隔膜泵单向阀不同运行状态下的振动信号分解成多个乘积函数.然后,计算所有乘积函数的互相关系数,并从中选择互相关程度高的乘积函数来提取相应的特征向量.最后,引入灰色关联度理论,构建单向阀...     

基于局部s变换和极限学习机的柱塞泵滑靴磨损故障诊断

针对轴向柱塞泵结构复杂、故障信号微弱且易受噪声干扰难以进行故障模式识别的问题,提出一种基于局部s变换和极限学习机的柱塞泵故障诊断方法,对不同程度滑靴磨损故障进行诊断。采集柱塞泵在正常和不同故障状态下的振动信号进行局部s变换,对不同的特征向量组进行定性和定量比较,选择提取s矩阵最大奇异值、转轴振动基频能量占比和柱塞振动基频能量占比共三维特征向量,将特征向量输入极限学习机完成故障模式的识别,识别精度可达99%以上。最后将极限学习机与支撑向量机分类结果进行对比,证明所提故障诊断方法可以用较少的特征向量获得较高的诊断精度。     

新能源汽车油泵电机电磁力建模及其匝间故障监测方法研究

新能源汽车油泵电机出现匝间故障,无法保证燃料供给、控制压力、提供润滑和冷却等,威胁行车安全。对此,本文提出了一种基于电流和振动信号相结合的匝间故障在线监测方法。首先,根据麦克斯韦张量法构建含有故障电流谐波的电磁力模型。其次,设计了一个多传感器的电机信号采集电路。最后,采用改进的自适应经验模态分解法对经降噪后的振动信号进行自适应分解,利用相关系数法对所得的一系列本征模式函数筛选和重构。综合评估峭度与均方根值之比以及包络谱特征因子,得到故障特征指标提升52.3%,表明重构信号具备更高的敏感性,并通过电流波形分析验证了重构信号与故障特征的一致性。该研究对油泵电机故障诊断和状态预测具有重要工程意义。     

基于递归定量分析的液压泵故障识别方法

提出了一种局部投影消噪和递归定量分析相结合的轴向柱塞泵故障识别方法。以轴向柱塞泵故障振动信号为研究对象，首先用局部投影消噪方法对振动信号进行消噪；其次对消噪后的振动信号绘制递归图，进而通过递归定量分析对递归图所反映出的系统动力学信息进行特征提取，选择确定率（DET）和递归熵(ENTR)2个特征构成特征向量，构成故障特征样本；然后通过核模糊C均值聚类(KFCMC)方法对训练样本进行聚类,进而依据最小欧氏距离准则对测试样本进行故障识别；最后，将递归定量分析方法和相空间复杂网络定量特征方法进行对比。结果表明，基于递归定量分析的轴向柱塞泵故障识别方法具有更高的故障确诊率。     

递归定量分析在离心泵故障诊断中的运用

为了准确诊断离心泵的振动故障,针对振动信号的非平稳特征,提出了一种基于递归定量分析的离心泵振动故障诊断方法。采用递归定量分析(recurrence quantification analysis,简称RQA)方法提取离心泵振动信号的非线性特征参数,由这些特征参数构成特征向量,并以此作为改进Elman神经网络的输入,对神经网络进行训练,建立了离心泵运行状态分类器,用以诊断离心泵的不同状态。试验结果表明,递归定量分析与Elman神经网络相结合的方法可以准确诊断离心泵的振动故障。