基于多尺度关联维数和流形学习的自动机故障诊断

针对自动机振动信号非平稳、非线性的特点,提出基于多尺度关联维数和线性局部切空间排列(linear local tangent space alignment,LLTSA)相结合的自动机故障诊断方法。首先,利用局部特征尺度分解(local characteristicscale decomposition,LCD)将自动机振动信号分解为不同尺度下的内禀尺度分量(intrinsic scale component),提取出反映状态信息的主要分量并计算各分量的关联维数。然后,利用线性局部切空间排列算法挖掘出可区分度更高的特征子集。最后,将得到的低维特征输入支持向量机进行识别,自动机故障诊断实验表明,所提方法具备较高的诊断准确率。此外,将LCD与经验模态分解(empirical mode decomposition,EMD)和局部均值分解(local mean decomposition,LMD)方法的诊断结果进行比较,验证所提方法的优势。     

基于局部特征尺度分解和形态学分形维数的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解与形态学分形维数的滚动轴承故障诊断方法。首先采用局部特征尺度分解方法将机械故障信号分解为若干个内禀尺度分量,然后利用形态学分形维数计算包含故障特征分量的分形维数,将得到的分形维数作为特征量判别信号故障的状态,实验结果表明基于局部特征尺度分解与形态学分形维数的故障诊断方法能够有效识别滚动轴承的内圈故障、外圈故障、滚动体故障和正常状态,实现滚动轴承故障诊断。     

双约束非负矩阵分解的复合故障信号分离方法

为了分离复合故障振动信号,提出了一种采用双约束非负矩阵分解算法的信号分离方法。首先对原始振动信号采用短时傅里叶变换,通过时频分布信息来描述信号的局部故障特征;其次在传统非负矩阵分解算法中引入β散度约束与行列式约束,构成双约束非负矩阵分解算法,利用双约束非负矩阵分解算法实现数据的降维,并从低维空间中分离出特征分量;然后通过特征分量重构出时域波形,同时提出加权峰值因子的影响参数筛选重构信号;最后将筛选出的分离信号进行包络频谱分析,提取故障特征。仿真及轴承复合故障实验结果表明:所提出的方法可以有效分离并提取出外圈与滚动体冲击性特征,实现了轴承的复合故障诊断。     

基于局部切空间排列与MSVM的齿轮箱故障诊断

针对齿轮箱故障特征重叠难以有效分离问题,提出基于局部切空间排列与多核支持向量机的齿轮箱故障诊断模型。在由振动信号时域统计指标及内禀模态分量能量构造的多元特征空间中,据局部切空间排列算法对多元特征进行非线性降维处理,得到初始低维流形结构,获取最优敏感特征向量;将该特征向量输入至多核支持向量机进行学习训练与故障辨识。局部切空间排列能克服传统降维方法的不足,多核支持向量机可实现复杂故障高精度、自动化智能诊断。通过齿轮箱故障模拟实验验证该方法的有效性。     

超声电机摩擦材料局部剥落故障特征提取方法EI北大核心CSCD

行波型超声电机摩擦材料局部剥落故障直接影响电机输出性能,并加速电机失效;针对故障信息易受噪声干扰,尤其故障初期特征难以提取的问题。将孤极电压信号作为处理对象,提出了一种基于局部特征尺度分解(local characteristic-scale decomposition,LCD)与Teager能量算子相结合的故障特征提取方法:首先,对原始信号样本进行LCD得到不同内禀尺度分量,并通过自相关分析对各分量进行重构,实现降噪预处理;其次,利用Teager能量算子对重构信号低频段所包含的故障信息进行放大;最后,筛选低频段故障频率成分,提出了以幅值和频率信息为基础的故障特征计算方法。试验结果表明,该方法可有效表征行波型超声电机摩擦材料局部剥落的扩增趋势,并具备一定噪声背景下的适用性。     

LCD谱熵及其在滚动轴承退化状态识别中的应用

针对滚动轴承在出现故障时其振动信号呈现出非线性、非平稳特性,以及退化特征难以提取等问题,将局部特征尺度分解法应用到轴承振动信号分析中,并与信息熵理论融合提出局部特征尺度分解谱熵的滚动轴承退化特征指标。该方法首先对不同故障程度的轴承振动信号做局部特征尺度分解,基于得到的内禀尺度分量计算振动信号得能谱熵、奇异谱熵和包络谱熵用于表征轴承故障程度,仿真信号分析结果表明以上特征指标能够较好地反映滚动轴承的退化状态。对内圈故障和外圈故障模式下不同程度故障的轴承振动信号进行分析,结果表明该文提出的退化特征能够有效表征轴承的退化状态,并采用灰关联分析法构建轴承退化状态识别模型,可有效实现轴承退化状态识别。     

双树复小波和双谱在轴承故障诊断中的应用

针对非线性、非平稳且包含强烈的噪声的轴承故障振动信号难以有效提取故障特征信息进行故障识别的问题,提出基于双树复小波变换和双谱的故障诊断方法。首先利用双树复小波变换将故障轴承振动信号分解为若干个不同频带的分量,选择出包含故障特征的分量;然后对该分量进行希尔伯特包络解调;最后对包络信号求其双谱图,从而有效地提取出故障信号的特征频率,准确地进行故障识别。滚动轴承故障实验和工程应用表明,该方法能有效地提取故障轴承的故障特征频率,并且几乎可以完全抑制噪声,验证了方法的可行性和有效性。     

基于双树复小波和奇异差分谱的滚动轴承故障诊断研究

针对滚动轴承故障振动信号中包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先利用双树复小波将非平稳振动信号分解为几个不同频段的分量;然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,根据奇异值差分谱最大突变点来确定奇异值个数进行重构;最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取轴承故障的故障信息,提取出了故障特征,验证了方法的可行性和有效性。     

基于VMD-PE-MCKD低速重载滚动轴承故障特征提取

针对低速重载滚动轴承故障特征频率低、难提取的问题,提出一种基于变分模态分解和最大相关峭度解卷积并且结合利用排列熵筛选分量的方法。首先对原始振动信号进行变分模态分解,得到若干个本征模态分量;其次,根据利用排列熵筛选分量的原则,将筛选出的分量利用最大相关峭度解卷积方法进行去噪;最后对处理后的分量进行包络谱分析,从而提取故障特征频率,实现故障诊断。通过分析低速轴承仿真信号以及工程实测所得低速重载轴承振动信号,验证了该方法的有效性。     

基于LTSA与K-最近邻分类器的故障诊断

针对局部切空间排列算法(LTSA)的效果受近邻数k值影响较大的缺点,提出基于聚类准则的LTSA与K-最近邻分类器的故障诊断模型。基于振动信号的时域特征构建高维特征矩阵;对高维矩阵进行标准化预处理,依据聚类准则确定局部切空间排列中的最佳近邻数k,运用LTSA提取高维矩阵的低维特征向量;将提取的低维特征向量利用K-最近邻分类器进行故障模式识别。采用轴承诊断实验系统进行验证,结果表明,基于聚类准则的优化方法可有效地克服近邻数k选择的盲目性,提高了局部切空间的降维精度和故障模式识别正确率,其在轴承时域特征维数约简方面,效果优于主成分分析(PCA)与拉普拉斯特征映射(LE),适用于轴承故障诊断。     

噪声协助的EMD-1.5维谱信号抗混分解与特征提取

针对大型动力装备核心部件微弱故障特征信息提取问题,提出了一种噪声协助的EMD-1.5维谱故障诊断方法。经验模式分解(EMD)方法中,信号极值点间隔特性影响模式混淆现象的出现,针对此状况提出信号极值点间隔特性评价方法,分析高斯白噪声有助于信号抗混分解原理,通过对原始信号加入高斯白噪声得到噪声协助的EMD方法,提高信号抗混分解能力。将1.5维谱与噪声协助的EMD方法结合,得到一种新的故障特征提取方法,该方法具有对信号进行有效抗混分解、提取非线性耦合等特性,并以此来提取故障的微弱特征信息。通过仿真研究与电力机车滚动轴承的故障诊断工程实例,验证了该方法的有效性。     

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型

提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。     

基于流形学习和改进VPMCD的滚动轴承故障诊断方法*

提出一种基于拉普拉斯特征映射流形学习算法(Laplacian Eigenmaps,简称LE)和改进多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的滚动轴承故障诊断方法,首先对振动信号进行局部特征尺度分解(Local characteristic scale decomposition,简称LCD),并提取各内禀尺度分量(Intrinsic scale component,简称ISC)的特征构造高维特征向量,接着采用LE算法挖掘出高维数据中包含有效信息且具有内在规律性的低维特征,然后输入到基于Kriging的改进多变量预测模型(Kriging-variable predictive model based class discriminate,简称KVPMCD)分类器中进行模式识别。该方法充分利用并有效结合了LCD在信号处理、LE在挖掘特征信息和KVPMCD在模式识别方面的优势,实现了滚动轴承故障特征提取到故障识别的全程诊断。实验分析结果表明:基于LE算法和KVPMCD的分类方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

一种新的差分奇异值比谱及其在轮对轴承故障诊断中的应用

因滚动体和保持架的随机滑动,轴承故障信号多为伪循环平稳信号。针对这种情况,提出了应用周期截断矩阵的奇异值分解的轮对轴承故障诊断方法。研究了轴承故障伪循环平稳信号的奇异值分布,结合奇异值能量差分和奇异值比,提出了一种新的能量差分奇异值比谱作为周期截断矩阵的嵌入维度计算方法;利用能量差分奇异值比谱计算嵌入维度并利用轮对轴承振动信号构造周期截断矩阵,对矩阵进行奇异值分解,并提出利用差分能量谱确定奇异值有效秩阶次并重构矩阵从而分离出周期信号;对该信号做包络分析以实现轮对轴承的故障诊断。应用轮对实验台的复合故障轴承振动数据对该方法进行验证,结果表明,所提方法能够有效提取轴承外圈、滚动体及保持架的特征频率的基频及其倍频,与传统应用Hankel矩阵进行奇异值分解降噪方法相比,该方法抗干扰能力显著,能够分离同频带的不同故障周期信号,且得到的包络谱谱线清晰,谐波丰富,使故障诊断的可靠性得到了显著提高。     

基于敏感特征选择与流形学习维数约简的故障诊断

针对故障诊断中特征集包含非敏感特征和维数过高的问题,提出基于特征选择(Feature selection, FS)与流形学习维数约简的故障诊断方法。提出了一种改进的核空间距离测度特征选择方法(Improved kernel distance measurement feature selection, IKMD-FS),在核空间中计算样本类间距离和类内散度,优选出使样本类间距大、类内散度小的特征,并根据特征的敏感程度对特征进行加权。通过线性局部切空间排列算法(Linear local tangent space alignment, LLTSA)对由敏感特征组成的特征子集进行特征融合,提取出对故障分类更加敏感的融合特征,并输入加权k最近邻分类器(Weighted k nearest neighbor classifier, WKNNC)进行故障识别。WKNNC具有比k最近邻分类器(k nearest neighbor classifier, KNNC)更加稳定的识别精度。最后,通过滚动轴承故障模拟实验验证了本文方法的有效性。     

一种新的非平稳信号分析方法——局部特征尺度分解法

在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,简称ISC)的基础上,提出了一种新的非平稳信号分析方法——局部特征尺度分解方法(Local characteristic-scale decomposition,简称LCD),该方法能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的内禀尺度分量之和.首先对LCD方法的原理进行了分析,然后给出了采用LCD对信号进行分解的详细步骤,最后采用仿真信号对LCD和经验模态分解(Em-pirical mode decomposition,简称EMD)方法进行了对比分析,结果表明了LCD方法的有效性及在端点效应、迭代次数和分解时间等方面都优于EMD分解方法.     

级联双稳随机共振和基于hermite插值的局部均值分解方法在齿轮故障诊断中应用

针对于弱信号在齿轮故障中难以提取问题,提出了一种基于级联双稳随机共振 (Cascaded Bistable Stochastic Resonance,简称CBSR)降噪和局部均值分解（Local Mean Decomposition,简称LMD）齿轮故障的诊断方法。随机共振可有效削弱信号中的噪声,利用噪声增强故障信号的微弱特征;LMD方法可自适应将复杂信号分解为若干个具有一定物理意义上PF分量之和,适合处理多分量调幅调频信号。首先将振动信号进行CBSR消噪处理,然后对消噪信号进行LMD分解,通过PF分量的幅值谱找到齿轮的故障频率。通过齿轮磨损故障诊断的工程应用,表明该方法可以有效提取齿轮故障微弱特征,实现齿轮箱的早期故障诊断。       

基于双树复小波和奇异差分谱的齿轮故障诊断研究

针对故障齿轮振动信号的非平稳特征和包含强烈噪声,很难提取故障特征频率的情况,提出了基于双树复小波和奇异差分谱的故障诊断方法。首先将非平稳的故障振动信号通过双树复小波分解为几个不同频段的分量;由于噪声的影响,从各个分量的频谱中难以准确地得到故障频率。然后对包含故障特征的分量构建Hankel矩阵并进行奇异值分解,求奇异值差分谱曲线,确定奇异值个数进行SVD重构降噪,由此实现对故障特征信息的提取。最后再求希尔伯特包络谱,便能准确地得到故障频率。实验结果和工程应用表明,该方法可以有效地提取齿轮的故障特征信息,验证了方法的可行性和有效性。