基于矢模糊函数的旋转机械故障诊断方法的研究

结合全矢谱技术与模糊函数,提出了一种矢模糊函数的新概念.定义的矢模糊函数继承了全矢谱技术与模糊函数各自的优点,既能全面地反应机械振动的全面性,又能很好地抑制Wigner分布中的交叉项干扰.阐述了矢模糊函数的定义、算法及其特点,并把矢模糊函数成功地应用到旋转机械故障诊断中.为了对比分析,还通过类似的方法定义了矢Wigner分布.仿真和实验结果表明,提出的矢模糊函数在旋转机械故障诊断中是非常有效的,矢模糊函数优于矢Wigner分布.     

基于信息融合的短时矢功率谱分析方法

研究了基于信息融合的旋转机械短时矢功率谱分析方法。根据单通道信号处理的不足,本文提出把全矢谱技术与短时傅里叶变换相结合,建立矢量信号的短时矢功率谱概念,导出其计算公式,阐述其图谱表达,并将其应用于实际故障诊断系统中。研究表明,短时矢功率谱可以对矢量信号的短时能量随频率、时间等的变化过程作出分析,可以应用于旋转机械故障诊断实践中。     

矢Wigner高阶谱在齿轮故障诊断中的研究

全矢谱技术能够有效的融合同源双通道的信息,融合后的信息无论从结构上还是能量上都能够真实的反映转子的实际运行状态。针对Wigner高阶谱只能处理单通道信息这一缺点,将全矢谱技术与Wigner高阶谱相结合,提出矢Wigner高阶谱分析方法,给出了其定义与算法,并将其应用到齿轮故障诊断中。仿真研究及实例验证结果表明,矢Wigner高阶谱能够克服基于单通道信息的Wigner高阶谱的片面性,并且该分析方法同时具备两者的优点,为齿轮故障诊断提供更可靠的依据。     

矢Hilbert解调及其在齿轮故障诊断中的应用

提出一种基于旋转机械同源数据融合的全矢Hilbert解调分析方法.将全矢谱技术融于希尔伯特解调之中,从理论分析该方法的可行性,并将其应用于高速旋转的齿轮故障诊断中,进一步证实矢Hilbert方法的有效性.     

全矢—模糊核聚类在旋转机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的信息不完整以及经典模糊聚类算法中的不足,结合全矢谱技术、密度函数法和模糊核聚类法,提出一种新的旋转机械故障识别方法。该方法首先应用全矢谱技术为特征提取工具,然后以密度函数法求得模糊核聚类的初始聚类中心,最后再用模糊核聚类法建立分类器进行故障识别。实验结果表明,该方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,提高故障诊断的准确率。     

基于矢Wigner高阶谱方法的研究

全矢谱技术是同源信息融合技术的一种,能够有效的融合同一个截面两个传感器通道的信号信息,并且准确的提取机械故障的特征信息。信号信息不同的时间和频率的能量的密度或者强度可以通过时频分析方法描述,然而Wigner高阶谱是Wigner-ville分布在高阶谱领域的扩展,能够非常有效的分析时变非高斯信号,但是它仅仅只能用来处理单通道信号信息,现针Wigner对高阶谱的这一缺点与全矢谱分析方法相结合,提出一种新的分析方法—矢Wigner高阶切片分析法,给出它的定义和算法,运用仿真实验和实例验证。     

矢Wigner三谱分析及其在齿轮故障诊断中的研究

Wigner高阶谱作为分析非高斯信号的重要工具,其实现了时域和频域的同时分析,能有效提取信号的非线性特性。但常规Wigner高阶谱以单通道信号为研究对象,不能全面反映转子的特征信息,并且基于同一截面不同通道信号的分析结果也会不一致。为解决这个问题,以全矢谱技术为基础,对同源双通道信息进行融合,给出了一种矢Wigner三谱切片分析方法,并完成了仿真分析,通过齿轮故障实例验证了所给出方法的有效性,为转子特征提取和故障诊断提供了一种可用方法。     

矢谱：一种实用的旋转机械故障诊断分析方法

旋转机械的振动具有其复杂性的特殊性,在各个响应频率下,转子的运动轨迹是一个椭圆,该轨迹的主振矢、所在方向、副振矢以及进动方向是进行旋转机械故障诊断的重要信息。本文给出一种实用的旋转机械振动分析方法－－矢谱分析,对于旋转机械故障诊断具有十分重要的工程意义。     

基于复调制的细化全矢谱分析研究

将全矢谱理论在旋转机械故障诊断中的优越性与传统复调制细化分析方法相结合,复调制细化全矢谱(zoom vector spectrum,ZVS)的原理为,两次频移-低通滤波-隔D(细化倍数)点选抽-FFT(fast Fourier transform)-计算全矢谱.其兼具信息全面和高分辨率的特点,运算量远小于具有相同分辨率的普通全矢谱.仿真计算表明,复调制细化全矢谱可应用于旋转机械故障诊断中,对频谱密集型多源融合矢量信号进行有效分析.     

基于小球大间隔方法的机械故障检测

针对机械故障检测中,正常样本多、故障样本少、训练样本严重不平衡的客观情况,将小球大间隔方法引入其中,提出了一种不平衡样本下的机械故障检测方法。该方法同时使用大量的正常样本和少量的故障样本进行训练,在特征空间中构造一个包围正常样本的超球,在该超球体积最小化的同时,进一步使超球边界与故障样本之间的间隔最大化,从而显著减小将故障情况误判为正常情况的概率。将该方法应用到滚动轴承故障检测中,并与传统的支持向量机和支持向量数据描述方法进行了比较,实验结果表明,该方法在解决不平衡样本下机械故障检测问题具有优越性。     

多小波系数特征提取方法在故障诊断中的应用

针对机械故障的特征提取问题,提出一种基于多小波系数的机械故障特征提取方法。首先,对不同工况的机械振动信号进行多小波分解;其次,利用分解后各层多小波系数的统计特征包括最大值、最小值、均值和标准差作为该工况振动信号的特征向量;最后,利用支持向量机的方法对机械故障进行识别。对滚动轴承正常状况与内圈故障、滚动体故障、外圈故障3种故障及多种损伤程度的实测振动信号进行故障识别试验,试验结果表明,该方法用于机械故障诊断可以获得较高的识别率,识别效果要优于基于单小波系数统计特征的识别方法,具有一定的工程应用价值。     

基于小波包分解和支持向量机的机械故障诊断方法

提出应用小波包分解和支持向量机进行机械故障诊断的方法。该方法将振动信号小波包分解后的频带能量作为特征向量，输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。试验结果表明，与神经网络相比，采用支持向量机进行故障诊断可以获得更高的诊断精度，表明该方法是有效的、可行的。     

全矢谱及其新方法在旋转机械故障中的应用

介绍了全矢谱分析技术的思路,研究了全矢谱分析技术与旋转机械回转信号之间的理论关系,导出了全矢谱分析基于复合信号的理论计算公式及简洁数值算法,并将其应用于实际故障诊断中,且对全矢谱理论图谱多方面研究,提出新的面积图谱表达法。研究与应用表明:全矢谱分析能够清晰处理转子正反进动之间的关系,可识别转子的回转强度,表明全矢谱分析对于旋转机械故障诊断是一种非常实用的分析工具。     

基于全矢谱和径向基概率神经网络的旋转机械故障诊断方法研究

结合全矢谱和径向基概率神经网络的优点,提出一种故障诊断的新方法,该方法是以提取全矢幅值谱的特征输入到径向基概率神经网络分类器进行故障识别.试验结果表明,该方法与传统单通道相比故障正确识别率很高,把它应用于旋转机械故障诊断是有效的.     

改进支持向量机模型的旋转机械故障诊断方法

针对支持向量机在旋转机械的故障诊断中存在的模型超参数选择的不确定性,利用超参数相关理论和先验知识界定模型超参数选择区间,结合全局搜索和局部搜索实现参数优化组合,运用泛化模式搜索的模型超参数选择方法,并将改进的支持向量机模型引入旋转机械的故障诊断。结果表明,改进的模型具有较高的搜索效率和参数优化选择性能,提高了故障诊断的精度。     

基于光滑支持向量回归的旋转机械动静碰摩故障分析

转子动静碰摩是旋转机械设备的常见故障,应用传统的数学建模方法常常得到复杂的非线性系统模型,傅立叶变换等时频域分析方法由于自身的局限性,不利于问题的求解．基于对碰摩故障程度和趋势的分析要求,引入了采用时间序列分析方法的支持向量回归算法．基于光滑化方法的支持向量回归算法能够在模型的复杂性和识别误差之间寻求最佳折衷,以建立反映故障趋势内部机制的线性化模型．经仿真计算发现,该方法不但提高了算法的收敛速度和精度,而且具有很好的泛化能力．针对实际转子碰摩故障的特点,建立了Jeffcott转子模型,采用光滑支持向量回归算法对时间序列的故障数据进行趋势分析．实验结果表明,光滑支持向量回归（SSVR）算法对于故障趋势的分析明显优于神经网络,所占用的存储空间也比较小,可以有效地分析转子动静碰摩故障的趋势,对旋转机械设备的使用和维护具有一定的指导意义．     

基于SVDD和相对距离的设备故障程度预测

针对设备故障程度预测问题,提出一种基于支持向量数据描述和核空间相对距离的预测算法。首先通过实验分析法,优化选取了对设备故障程度敏感的频域特征参数及核函数参数;然后分别单独训练设备不同故障程度的数据样本,得到相应的描述设备故障程度的各独立封闭超球体,并引入待测样本点至各超球体中心的相对距离,确定样本所属的故障程度,在此基础上建立设备故障程度预测模型。通过转子振动台所模拟的不平衡故障数据进行实验验证,表明所提出方法能有效预测设备的故障程度。     

基于小波分析和支持向量机的旋转机械故障诊断方法

提出了一种基于小波分析和支持向量机相结合的旋转机械故障诊断方法.首先运用小波包对振动信号进行分解和重构,然后提取各个频带里的信号能量值,将该能量值作为特征参数输入到支持向量机,进行故障模式识别.通过对实验数据的分析表明,与BP神经网络相比,该方法可以获得更高的旋转机械故障诊断准确率.