基于支持向量机的转子振动故障融合诊断技术

针对某些大型复杂旋转机械振动信号特征提取和故障样本获取难的问题,提出了一种基于小波包特征谱熵支持向量机（SVM）的转子振动故障融合诊断方法.通过转子实验台模拟了转子振动的4种典型故障,并采集其振动故障数据.用小波包对振动故障信号进行分解,提取故障信息含量大的频带并计算出其小波特征谱熵作为故障特征,建立故障诊断模型.通过对故障类别的区分和故障严重程度的判断,验证了该方法在解决转子振动故障信号的特征提取及小样本情况下的故障诊断问题等方面是有效的.     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

基于小波包特征熵的高速列车监测数据的特征分析

将高速列车在不同工况和速度下的监测数据进行傅里叶分析用来确定各种不同工况信号的频率范围,再对不同工况和速度下的信号进行小波包分解,并重构通频范围内前几个低频带信号,进而建立信号的小波包特征熵向量,不同频带信号的小波包特征熵变化反映了列车运行状态的改变,最后将得到的小波包特征熵向量输入支持向量机进行故障识别。仿真分析结果表明该方法对高速列车故障状态识别是有效、可行的。     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

基于小波包分析和支持向量机的锅炉结渣诊断

针对燃煤锅炉运行中管屏受热面的结渣问题,提出基于对炉外测量的管屏振动信号小波包分析和支持向量机的结渣故障诊断方法.根据锅炉过热器管屏的结构特征,采集过热器管屏炉外管段的振动信号进行小波包对信号分析,利用管屏振动信号的时域指标和小波包分解后的相对小波包能量作为特征向量,建立基于支持向量机的结渣故障诊断模型.结果表明,实验平台上该模型能够对过热器管屏不同结渣故障实现有效的诊断.     

基于小波包能量熵的低压串联故障电弧诊断

为了实现低压串联故障电弧的有效诊断,基于ULI699标准搭建了交流电压为220V、频率为50Hz的串联故障电弧实验平台,并对不同负载回路正常工作电流以及串联故障电弧电流进行数据采集,提出基于小波包能量熵的低压串联故障电弧诊断方法.通过对电流信号进行4层小波包分解,提取小波包能量熵作为特征向量描述故障电弧电流信号在不同频段的能量分布.采用主元分析（PCA）法提取特征向量的主元作为BP神经网络的输入,实现样本最优压缩以简化神经网络结构.仿真结果表明,该方法故障诊断准确率较高,能够有效地识别串联故障电弧.     

基于GA-PSO优化BP神经网络的压缩机气阀故障诊断

针对压缩机气阀故障信号非平稳性、非周期性的特点,提出一种基于主成分分析（PCA）和GA-PSO优化BP神经网络的压缩机气阀故障诊断方法。首先利用小波包分解提取出气阀故障的特征;然后故障特征向量通过PCA降维,降低网络的规模和计算时间。针对标准BP算法收敛速度慢且易陷入局部极小的缺点,引入一种GA-PSO算法用于BP神经网络的参数优化过程。最后以往复压缩机阀盖的振动信号作为信号源,通过故障诊断仿真测试,验证了PCA和GA-PSO-BP神经网络对压缩机气阀故障诊断具有可行性和有效性。     

基于声振联合特征熵的断路器故障诊断方法

针对断路器机械故障复杂、诊断困难的现状,提出了一种基于声振联合分析的断路器故障诊断方法。利用小波包和特征熵理论对采集到的振动和声音信号进行分解和特征提取,故障状态与正常状态之间的差异由特征熵矩阵之间的偏差来反映。将形成的特征熵矩阵作为支持向量机的输入特征向量,对断路器的卡涩和螺丝松动故障进行了分类识别,并与传统的单一信号故障诊断方法进行了比较。结果表明:以声振联合特征熵矩阵作为输入的支持向量机,在分类的效果上明显优于单信号,更适合在断路器故障识别中应用。     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

基于Fisher比率与SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断中普遍存在的小样本学习问题,采用支持向量机实现轴承故障的模式识别.为了解决时域统计参数对于轴承故障的多分类效果较差的问题,引入小波包分解(wavelet packet decomposition,WPD)技术,提取振动信号各频带的能量系数构造特征向量,并采用Fisher比率法对特征向量进行优化选取;然后利用支持向量机(support vector machine,SVM)进行故障模式识别,并与小波包分解及时域统计参数的分类效果进行对比分析.结果表明:支持向量机是实现轴承故障模式识别的一种有效手段;本方法的分类效果及时间效率明显优于传统的多维时域指标和小波能量系数分类方法;将Fisher比率法与SVM相结合可以提高轴承故障诊断的准确率.     

基于变分模态分解与多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有非平稳、非线性特征以及提取特征困难等问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的多尺度熵(Multi-scale entropy,MSE)的特征向量提取方法,并输入拉普拉斯支持向量机(Laplacian support vector machines,LapSVM)中进行滚动轴承故障识别。该方法首先利用VMD分解的多尺度熵对原始振动信号进行特征向量的提取,然后与基于VMD样本熵以及VMD时域统计量(峭度、歪度)对比说明该方法的优势,最后将上述特征向量输入到LapSVM分类器中进行识别对比。试验数据分析结果表明,所提方法在诊断精度、计算速度上大大提高。     

遗传神经网络在数控机床刀具监测与 控制系统中的应用

数控机床刀具磨损监测与磨损量估算对于提高机床加工的利用率,减小由此带来的经济损失和安全隐患具有重要意义.提出了一种基于无线传输技术的数控机床刀具监测与控制系统,利用遗传算法优化BP神经网络的算法诊断刀具磨损状态.通过采集刀具加工过程中的振动信号,利用时频分析法提取反映刀具磨损状态的信号特征量作为神经网络的输入样本,完成加工过程中刀具磨损状态的识别.试验结果表明:该系统工作稳定,识别结果较准确,且具有较强的实用性.     

超声检测缺陷分类的小波分析与神经网络方法

根据金属超声检测中缺陷脉冲回波为非稳态信号的特点,提出了一种基于小波变换和模式识别技术的缺陷宁性分类方法,重点研究了利用小波变换提取反映缺陷性质的特征值以及动用模式识别技术对特征值进行缺陷定性识别的方法。为验证上述方法,设计了实验系统,同时对信号的采集异常信号的剔除等问题进行了研究。利用实际焊接试样进行了实验,经小波变换提取缺陷特征值,然后采用ＢＰ（ｂａｃｋ ｐｒｏｐａｇａｔｉｎｏ）神经网络,使缺     

幅值域无量纲指标对液压泵故障敏感性的实验研究

有效地提取故障特征向量,找到故障敏感因子是进行液压泵故障诊断的关键。采集轴向柱塞泵松靴、滑靴磨损、斜盘磨损以及中心弹簧失效等故障情况下的端盖振动信号,通过包络解调得到各故障的包络信号,在此基础上利用幅值域无量纲特征指标对每种故障进行敏感性分析,找到了各故障的无量纲敏感因子。为液压泵的故障诊断提供了可靠的敏感特征信息,增加了故障特征信息的完备性,对提高故障诊断系统的故障确诊率具有重要的意义。     

基于小波包分析的道路信号加速度特征谱提取

道路信号是一个复杂的含有多种成分的时域波形, 具有非平稳性, 同时信号中还存在各种干扰和噪声. 应用小波包的分解与重构算法, 将由加速度传感器测得的离散时域信号的频带进行多层次划分, 并根据被分析信号的特征, 选择相应的频带, 使之与信号频谱相匹配, 从而提高了时-频分辨率, 最后提取出加速度信号的特征谱. 实验结果表明, 小波包分析可以有效地用于分析处理道路信号.     

基于多特征提取的滚动轴承故障诊断方法

滚动轴承故障是旋转机械失效和损坏的最主要原因之一。轴承振动信号通常表现为非线性和非稳态的特征。常规的时域和频域方法不容易对轴承工作的健康状况做出准确的评估。提出了一种基于多特征提取的滚动轴承故障检测方法,首先从轴承振动信号中提取故障特征（熵特征、Holder系数特征及改进分形盒维数特征）,然后通过灰色关联理论算法自动地识别出轴承的故障类型和严重程度。该方法能够在确保检测实时性的同时,准确有效地识别不同的滚动轴承故障类型及其严重程度。     

Parameters of Exterior Ballistic Feature Points Extraction in Radar Measurement Data by EMD

The problem of measuring exterior ballistic feature points is always difficult to solve and it is essentiale on exterior ballistic measurement. By analysis of radar reflection characteristics and non-stationary echo signals of exterior ballistic feature points, the echo data of exterior ballistic feature points is measured by using the continuous wave radar. The parameters of feature points are extracted by the empirical mode decomposition method (EMD) of Hilbert-Huang transform (HHT) spectrum analysis technique. The radar echo signal model and EMD extraction model are established to analyze the exterior ballistic mutation point detection and EMD extraction method of aliasing echo signal. Typical feature point parameters of exterior ballistic in rocket flight tests are carried out and the effectiveness of the method is verified. A new method of measuring the parameters of exterior ballistic feature point is therefore presented.     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于二维卷积神经网络的滚动轴承变工况故障诊断方法

为了实现滚动轴承变工况运行下仍能进行有效的故障诊断, 提出了一种基于二维卷积神经网络的滚动轴承变工况故障诊断方法。该方法将原始信号以及运行载荷这一工况变量作为输入信号, 无需人工提取特征向量, 减少特征提取过程中的损失, 实现端到端检测, 并将该方法与传统卷积神经网络模型进行了实验对比。结果表明, 相较于传统卷积神经网络, 该方法在故障的识别准确率和诊断的实时性上都有很大程度的提升。