基于多尺度特征融合的供输弹早期故障诊断

对于供输弹系统早期故障信息易被湮没难以识别的问题,提出了基于多尺度特征融合的早期故障识别方法。首先通过变分模态分解(VMD)对振动信号进行分解得到不同时间尺度的分量信号,然后对各分量信号分别提取盒维数、信息熵特征,并进一步通过主分量分析(PCA)对上述两种特征进行融合,得到累计贡献率的前3个主分量组成的融合特征,最后通过概率神经网络PNN分别对上述三种特征进行分类比较,结果表明融合后的特征对供输弹系统3种工况有更高的正判率,对供输弹系统早期故障预兆更敏感,能对供输弹系统早期故障作出有效诊断。     

基于信息熵与神经网络的供输弹系统早期故障诊断

对于供输弹系统早期故障信息微弱,难以识别诊断的问题,提出一种基于信息熵与Elman神经网络相结合的供输弹系统早期故障诊断的方法。通过合理布置测点采集供输弹系统振动信号,经自适应广义形态滤波后提取近似熵、样本熵为特征参量,分别运用Elman神经网络和BP神经网络对其识别。结果显示:该方法能有效对供输弹系统早期故障进行诊断,诊断正确率高达92.13%,且优于BP神经网络的诊断结果。文中所运用的方法在供输弹系统早期故障诊断中有良好的应用。     

基于MRSVD与Elman神经网络的供输弹系统早期故障识别

对于供输弹系统早期故障信息易湮没在强噪声中,潜在故障特征难以提取的问题,提出1种基于MRSVD与Elman神经网络的早期故障识别方法。供输弹系统振动信号经过预处理后采用双树复小波进行降噪,之后利用多分辨奇异值分解对降噪信号有效分解为若干分量,提取各分量的能量,归一化后将其作为特征值,运用Elman神经网络对供输弹系统早期故障有效识别。结果表明,该方法能有效识别供输弹系统早期故障,识别率为94.44%,证明该方法对自动供输弹系统早期故障识别的有效性。     

基于自适应TQWT和样本熵的供输弹系统故障诊断识别

为解决复杂供输弹系统早期微弱特征提取的问题,提出将自适应可调品质因子小波变换(TQWT)和样本熵相结合的供输弹故障诊断方法.基于能量加权归一化小波熵对TQWT的必要参数进行自适应选取,运用样本熵特征指标选出5个最优的特征子带,将样本熵组成的特征向量作为Elman神经网络的输入,对供输弹系统早期故障进行识别,输出结果显示,将TQWT和样本熵相结合的诊断方法可用于供输弹系统故障识别,准确率高达92.24％.     

基于EEMD与模糊核聚类的供输弹系统早期故障识别

对于供输弹系统早期故障中信号成分复杂,潜在故障征兆难以识别的问题,本文提出了基于EEMD-KFCM的早期故障识别方法。首先用EEMD方法对供输弹系统振动信号进行分解,对分解的分量进行相关系数运算,选取与原始信号相关系数大的前4层分量对信号进行重构;接着提取前4层分量的能量百分比作为特征;最后基于核的模糊C均值聚类方法,对供输弹系统三种不同状态振动信号EEMD分解后的能量特征进行分类识别,并与模糊C均值聚类方法进行了对比。实验结果表明,该方法能有效地对自动供输弹系统早期故障进行识别,正确率达88.89%。     

基于ITD与PSO-SVM的供输弹系统故障诊断

针对采集的供输弹系统测试信号成分复杂,故障难以识别问题,提出一种基于固有时间尺度分解(ITD)与粒子群优化支持向量机(PSO-SVM)的供输弹系统故障诊断方法。首先在时域内使用ITD方法对信号进行分解,对分解产生的分量进行相关系数计算,然后选取与原始信号相关系数大的前5层分量进一步验证在频域内ITD方法的有效性,在频域内提取前5层分量的样本熵值,最后将提取的样本熵值用PSO-SVM对供输弹系统故障进行故障诊断,并与支持向量机(SVM)的诊断结果进行对比,结果表明:PSO-SVM相对于SVM可以提高故障诊断的正确率,正确率高达92.31%。     

遗传编程和加权证据理论融合的旋转机械故障诊断

为了提高旋转机械故障诊断的准确性,提出了遗传编程和加权证据理论融合的旋转机械故障综合诊断方法。首先,利用遗传编程提取多个故障特征参量,实现对旋转机械故障的初步诊断;其次,将特征参量对各故障的初步诊断结果作为证据体,特征参量对各故障的诊断准确度作为证据的权重分配,实现故障诊断的历史数据对当前诊断结果的修正;最终,采用加权证据理论对多个证据进行融合决策,减小故障诊断的不确定性,实现对故障的准确诊断。实验结果表明,该方法提高了故障诊断的准确性。     

基于多域特征与改进D-S证据理论的齿轮故障智能诊断方法

为了能全面准确识别齿轮的故障类别,建立了基于时域、频域以及能量等多域特征参数的特征空间模型。在此基础上,提出了一种基于多域特征与改进D-S证据理论的齿轮故障智能诊断方法。通过实验台实测数据提取相关特征参数作为诊断样本,以粒子群优化支持向量机的初步诊断结果构建多个证据体。实验结果验证了改进D-S证据理论融合证据体诊断结果的有效性。     

基于EEMD与随机森林的的供输弹系统早期故障识别

对于供输弹系统早期采集的信号中成分复杂,故障特征难以识别及提取,提出了基于EEMD和随机森林相结合的的故障识别方法.首先对经过预处理的信号进行EEMD分解,对分解后的各个本征模态分量(IMF)求相关系数,选出与原信号较大的5个.结合信息熵和均方根构建每个IMF的混合特征向量,然后运用RF实现了故障的诊断识别,总体识别率达到94.57％,并与决策树的诊断结果进行了对比,证明了该方法的有效性.     

CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断问题,将深度卷积模型(CNN)和D-S证据理论相结合,对多传感器信息进行融合。首先,利用深度卷积模型对多个传感器信息进行自适应特征提取,经softmax进行初步分类。其次,将深度卷积模型的输出结果作为D-S证据理论的输入,计算出基本概率分配,根据Dempster合成法则进行决策融合。为验证此方法对齿轮箱复合故障诊断的有效性,使用BP神经网络与D-S证据理论模型作为对比,并对自适应提取的特征与人工特征进行了主成分分析(PCA)。实验结果表明,利用该方法对齿轮箱复合故障进行实验诊断,准确率达到84.58%。相比单一传感器,正确率提高了7.91%;相比BP神经网络与D-S证据理论模型,正确率提高了6.18%,验证了此方法的有效性。     

基于信息熵贴近度和证据理论的旋转机械故障诊断方法

从信息融合的思路出发,建立反映振动能量的旋转机械故障状态的信息熵特征,如奇异谱熵、功率谱熵、小波空间状态特征谱熵和小波能谱熵。通过试验,建立了旋转机械典型故障下的信息熵期望值,即获得基于信息熵的故障诊断标准特征向量。由于传感器的不确定性和故障的多样性,提出采用D-S证据理论来对4种信息熵进行信息融合。根据越相似模式间的距离越短的思路,提出采用信息熵贴近度来建立证据理论的基本可信度分配,以基于基本可信数的决策方法来作为故障模式识别方法。通过实例计算,证明基于信息熵贴近度和证据理论的旋转机械故障诊断方法是故障模式定量识别的一种可行的新方法。     

火电机组信息融合故障诊断方法及其发展

简要叙述了火力发电机组信息融合故障诊断技术的发展情况,介绍了信息融合的基本概念,总结了在火电机组融合诊断中常用的一些融合方法,包括多种融合方法相结合的形式,重点提到了一种新的信息融合定量诊断方法——信息熵,并预测了火电机组融合诊断今后的发展方向     

基于随机集理论的并发故障诊断信息融合方法

为了诊断并发故障,提出一种基于随机集理论的信息融合方法.首先构造包含并发故障的论域,并在此论域的超幂集上定义扩展型随机集.基于该随机集和广义集值映射给出证据组合规则的随机集模型,用其构造可以同时适用于单发和并发故障诊断的新型组合规则.此外,根据传感器提供的故障信息构造故障样板模式与待检模式的模糊隶属度函数,利用模糊集的随机集表示以及随机集似然测度,获得两种模式匹配的程度作为待融合的诊断证据.最后通过在电机柔性转子平台上的试验,证明了所提方法可有效地减少单一传感器信息诊断的不确定性,显著提高转子系统故障诊断的精度.     

基于频域时空特征谱的信息故障诊断方法

目前振动信号的分析主要是针对特定测点在某一瞬间采集的一段振动波形,提取其中的特征量来进行诊断故障,这种基于状态信息的诊断方法对故障类型的辨别能力有限。基于多个振动波形状态的过程信息,提出和定义了两种基于过程信息融合的信息火用指标,用于反映同一个过程中不同状态间的过程变化规律以及不同过程中对应状态间的过程变化规律。在此基础上,提出了一种基于频域时空特征谱的旋转机械信息火用故障诊断方法,并通过该方法对试验台获取的振动故障信号进行分析。计算结果表明,该方法是一种有效的故障诊断方法。     

多传感信息融合在液压故障诊断中的应用

针对恶劣工作环境下多传感信息融合识别效果差和D-S证据理论中证据难获取的问题,在组建有效的传感器网络的基础上,结合改进的JDL模型并根据数据融合分级处理思想,数据层采用自适应加权最小平方估计法对数据进行清洗和特征提取,特征层通过多并行PSO-Hopfield网络的联想记忆功能进行局部诊断,决策层根据修正的D-S证据理论进行时空域融合,并且每级和最终诊断之间都有直接数据通信和反馈,使得知识库信息能为数据挖掘进行知识发现作必要的数据储备。通过仿真结果可知:该数据融合系统容错性强、能综合利用传感器信息并准确定位故障。     

New method of fault diagnosis of rotating machinery based on distance of information entropy

This paper introduces the basic conception of information fusion and some fusion diagnosis methods commonly used nowadays in rotating machinery. From the thought of the information fusion, a new quantitative feature index monitoring and diagnosing the vibration fault of rotating machinery, which is called distance of information entropy, is put forward on the basis of the singular spectrum entropy in time domain, power spectrum entropy in frequency domain, wavelet energy spectrum entropy, and wavelet space feature entropy in time-frequency domain. The mathematic deduction suggests that the conception of distance of information entropy is accordant with the maximum subordination principle in the fuzzy theory. Through calculation it has been proved that this method can effectively distinguish different fault types. Then, the accuracy of rotor fault diagnosis can be improved through the curve chart of the distance of information entropy at multi-speed.     

An Intelligent Fault Diagnosis Method of Multi-Scale Deep Feature Fusion Based on Information Entropy

For a single-structure deep learning fault diagnosis model,its disadvantages are an insufficient feature extraction and weak fault classification capability.This paper proposes a multi-scale deep feature fusion intelligent fault diagnosis method based on information entropy.First,a normal autoencoder,denoising autoencoder,sparse autoencoder,and contractive autoencoder are used in parallel to construct a multi-scale deep neural network feature extrac-tion structure.A deep feature fusion strategy based on information entropy is proposed to obtain low-dimensional features and ensure the robustness of the model and the quality of deep features.Finally,the advantage of the deep belief network probability model is used as the fault classifier to identify the faults.The effectiveness of the proposed method was verified by a gearbox test-bed.Experimental results show that,compared with traditional and existing intelligent fault diagnosis methods,the proposed method can obtain representative information and features from the raw data with higher classification accuracy.     

多传感器信息融合方法在钻井事故诊断中的应用

论述了信息融合技术的特点、形式结构和具体的处理方法,并从信息论的角度论证了信息融合技术在故障诊断中的可行性和有效性;在此基础上,将钻井事故诊断与信息融合相结合,提出了一种基于信息融合技术的钻井事故诊断模型和方法。提出了一种在不同识别框架下的证据组合规则,用现场采集的多组数据进行试验,及时发现数据异常,并诊断可能的事故发生倾向。可充分利用传感器的冗余或互补信息,减少传感器状态的不确定性,提高了识别事故的精度和准确度。     

基于信息融合与神经网络的复合振动故障诊断

依据复合故障特性,提出了一种基于信息融合与神经网络的复合振动故障诊断方法。进行了传感器级的时间跨度的特征融合,然后再实行全局的空间跨度的融合。融合过程基于神经网络式特征提取,该方法可以在系统状态未知的情况下。自适应地融合不同故障测点的信息。从而较全面、准确、及时地反映系统的振动故障状态。并以汽车动力系统复合故障的诊断事例详细说明了该方法的具体实现步骤。结果表明,经过多故障特征信息融合,诊断结论的可信度明显提高,不确定性明显减小,显示了该诊断方法的有效性。     

基于多源信息融合技术的动车故障诊断

介绍多源信息融合故障诊断方法,以及动车故障诊断特点和常见故障类型。以制动系统为例,分析该方法的可行性和实现步骤。建立基于多源信息融合和神经网络的故障诊断系统,通过多种信号的融合诊断,减小系统的不确定性,从而提高故障诊断的可靠性。