基于SVD-AR模型与VPMCD的轴承故障诊断方法

针对强噪声背景下振动信号故障特征难以提取的问题,提出了基于奇异值分解的自回归(SVD-AR)模型,用于提取振动信号的特征,并与变量预测模型模式识别(VPMCD)方法相结合应用于轴承故障诊断.对轴承振动信号进行SVD;然后,利用奇异值差分谱对分量信号进行筛选,对能够反映故障信息的分量信号建立AR模型,提取轴承振动信号的特征信息;采用VPMCD对滚动轴承运行状态进行识别.实验证明了方法的合理性和有效性.     

一种改进的特征提取方法在语音识别中的应用

针对梅尔频率倒谱系数(MFCC)参数在噪声环境中语音识别率下降的问题,提出了一种基于耳蜗倒谱系数(CFCC)的改进的特征参数提取方法.提取具有听觉特性的CFCC特征参数;运用改进的线性判别分析(LDA)算法对提取出的特征参数进行线性变换,得到更具有区分性的特征参数和满足隐马尔可夫模型(HMM)需要的对角化协方差矩阵;进行均值方差归一化,得到最终的特征参数.实验结果表明:提出的方法能有效地提高噪声环境中语音识别系统的识别率和鲁棒性.     

基于梅尔频率倒谱系数与翻转梅尔频率倒谱系数的说话人识别方法

为提高说话人识别系统的识别率,提出了基于梅尔频率倒谱系数(MFCC)与翻转梅尔频率倒谱系数(IMFCC)为特征参数的特征提取新方法。该方法利用Fisher准则将MFCC和IMFCC相结合,构造了一种混合特征参数。实验结果表明,新的混合特征参数与MFCC相比,在纯净语音库及噪声环境中均具有较好的识别性能。     

基于Fisher比的梅尔倒谱系数混合特征提取方法

针对语音识别中梅尔倒谱系数(MFCC)对中高频信号的识别精度不高,并且没有考虑各维特征参数对识别结果影响的问题,提出基于MFCC、逆梅尔倒谱系数(IMFCC)和中频梅尔倒谱系数(MidMFCC),并结合Fisher准则的特征提取方法。首先对语音信号提取MFCC、IMFCC和MidMFCC三种特征参数,分别计算三种特征参数中各维分量的Fisher比,通过Fisher比对三种特征参数进行选择,组成一种混合特征参数,提高语音中高频信息的识别精度。实验结果表明,在相同环境下,新的特征与MFCC参数相比,识别率有一定程度的提高。     

基于条件局部均值分解与变量预测模型的轴承故障诊断方法

针对局部均值分解(LMD)方法在分解非线性、非平稳振动信号过程中存在的模态混淆现象,从而影响故障识别准确性的问题,提出了基于条件局部均值分解方法(CLMD)与模式识别变量预测模型(VPMCD)的故障诊断方法。该方法将数字图像处理的频率分辨率方法与LMD相结合,首先确定振动信号中所有局部极值点的频率分辨率,将振动信号分为低频率分辨率区域和高频率分辨率区域;然后对高频率分辨率区域进行LMD分解,可得若干乘积函数(PF)分量;最后用折线将所有PF分量连接起来,经滑动平均处理可得PF分量,提取PF分量的偏度系数和能量系数构成故障特征向量,用于VPMCD故障识别。将该方法应用于轴承故障诊断,实验结果表明,与LMD方法相比,识别效率提高了8.33%,表明了该方法的有效性和可行性。     

基于MRSVD和VPMCD的轴承故障智能诊断方法研究

针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解（Multi-Resolution Singular Value Decomposition,MRSVD）和变量预测模型模式识别（Variable Predictive Model based Class Discriminate,VPMCD）的轴承故障智能诊断方法。利用MRSVD对轴承加速度振动信号进行多层分解,提取包含故障特征的细节信息,建立对数正态分布模型,凸显细节信息中的非高斯特性,计算对数均值和对数标准差构造特征向量,并采用VPMCD方法进行故障识别。将该方法应用于实际轴承外圈、内圈、滚动体局部微弱故障状态下的故障诊断,结果显示：故障识别精度达到98.75%,证明了该方法的可行性和有效性。     

主成分分析和K-means聚类在说话人识别中的应用

为了解决特征提取计算量大且特征参数不够全面的问题,提出了用主成分分析和K-means聚类进行语音特征参数提取的方法。通过对说话人识别系统中最常用的线性预测倒谱系数( LPCC)参数和梅尔倒谱系数( MFCC)参数提取原理以及差分参数的提取算法深入研究,选择LPCC、MFCC以及其一阶差分参数的组合作为最终混合特征参数。首先用主成分分析降低每一帧语音信号特征参数的阶数,然后经过K-means聚类降低帧数,最后通过矢量量化( VQ)来进行说话人识别。实验结果表明,该方法降低了计算复杂度,同时也提升了识别准确性。     

S能量谱特征提取在轴承故障诊断中的应用

准确提取振动信号的特征,是滚动轴承故障检测的关键问题,为此提出一种基于S能量谱特征提取的故障诊断方法。该方法对振动信号进行S变换,得到时频矩阵,并构建S能量谱,对S能量谱进行奇异值分解（Singular Value Decomposition,SVD）分析,得到能够反映S能量谱特征的奇异值,利用变量预测模型（Variable Predictive Model based Class Discriminate,VPMCD）方法,通过建立特征值之间的内在关系,构建故障识别模型。将所提方法应用于滚动轴承故障检测,实验结果表明,S能量谱特征提取轴承故障诊断方法具有较高的正判率。     

基于Fisher比的梅尔倒谱系数混合特征提取方法

针对语音识别中梅尔倒谱系数（MFCC）对中高频信号的识别精度不高,并且没有考虑各维特征参数对识别结果影响的问题,提出基于MFCC、逆梅尔倒谱系数（IMFCC）和中频梅尔倒谱系数（MidMFCC）,并结合Fisher准则的特征提取方法。首先对语音信号提取MFCC、IMFCC和MidMFCC三种特征参数,分别计算三种特征参数中各维分量的Fisher比,通过Fisher比对三种特征参数进行选择,组成一种混合特征参数,提高语音中高频信息的识别精度。实验结果表明,在相同环境下,新的特征与MFCC参数相比,识别率有一定程度的提高。     

基于GA改进DHMM和KPCA-RS的滚动轴承智能诊断方法研究

为实现滚动轴承故障智能诊断,提出了一种基于核主元分析法(KPCA)、粗糙集(RS)和遗传算法(GA)改进离散隐马尔科夫模型(DHMM)的智能诊断方法。通过使用混合核函数的KPCA和RS对时域、频域参数进行约简,构造敏感性高、稳定性强,并能准确表征轴承状态的特征参数矩阵。应用GA优化了DHMM,克服了DHMM训练算法容易陷入局部极小的缺点。最后应用GA优化的DHMM训练算法得到的滚动轴承各状态下的DHMM,并通过比较测试样本在各DHMM下的对数似然概率,实现了轴承故障类型的有效识别。实验结果表明,该方法可以有效地识别滚动轴承的状态,具有较强的适用性。     

随机森林在滚动轴承故障诊断中的应用

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出了一种基于分类回归树（CART）的随机森林滚动轴承故障诊断算法。随机森林是包含了多种分类器的集成学习方法。通过随机森林的“集成”思想来提高滚动轴承故障诊断的精度。从滚动轴承的振动信号中提取时域统计指标,将其作为特征向量,利用随机森林（Random Forest）对滚动轴承故障进行诊断。利用SQI-MFS实验平台的轴承数据,与传统分类器（SVM、kNN和ANN）以及单个分类回归树的诊断结果相比,随机森林算法具有比较高的诊断精度。     

基于Gibbs抽样的轴承故障诊断方法

针对现有轴承故障诊断方法的不足,即诊断片面性问题,提出了一种基于Gibbs抽样的轴承故障诊断方法。首先对轴承振动信号进行局部特征尺度分解（LCD）得到内禀尺度分量（ISC）;然后对轴承振动信号和ISC分别提取时域特征,按照特征敏感度高低对时域特征排名,选择排名靠前的特征组成特征集;其次使用特征集训练产生基于Gibbs抽样的多维高斯分布模型;最后通过后验分析得到概率,实现轴承故障诊断。实验结果表明诊断正确率达到100%,与基于SVM的轴承诊断方法相比,在特征数为43个时诊断正确率提升了11.1个百分点。所提方法能够有效地对滚动轴承故障状态进行诊断,对高维复杂的轴承故障数据也有很好的诊断效果。     

一种滚动轴承故障诊断方法

针对基于支持向量机的滚动轴承故障诊断方法中支持向量机的参数优化问题,提出一种改进的果蝇优化算法,即以模式分类准确率作为果蝇味道浓度函数,并采用该算法来优化支持向量机模型的惩罚因子和核函数参数;基于改进果蝇优化算法和支持向量机对滚动轴承的故障模式进行分类诊断,结果表明改进的果蝇优化算法具有较高的收敛速度和寻优效率,基于该算法和支持向量机的滚动轴承故障诊断方法具有较高的分类准确率。     

A novel fault diagnosis method of bearing based on improved fuzzy ARTMAP and modified distance discriminant technique

This paper presents a novel intelligent diagnosis method based on multiple domain features, modified distance discrimination technique and improved fuzzy ARTMAP (IFAM). The method consists of three steps. To begin with, time-domain, frequency-domain and wavelet grey moments are extracted from the raw vibration signals to demonstrate the fault-related information. Then through the modified distance discrimination technique some salient features are selected from the original feature set. Finally, the optimal feature set is input into the IFAM incorporated with similarity based on the Yu’s norm in the classification phase to identify the different fault categories. The proposed method is applied to the fault diagnosis of rolling element bearing, and the test results show that the IFAM identify the fault categories of rolling element bearing more accurately and has a better diagnosis performance compared to the FAM. Furthermore, by the application of the bootstrap method to the diagnosis results it can testify that the IFAM has more capacity of reliability and robustness.     

基于卷积注意力特征迁移学习的滚动轴承故障诊断

针对变工况条件下因源域和目标域样本数据分布差异大造成滚动轴承故障诊断准确率较低的问题,提出一种新的迁移学习方法——卷积注意力特征迁移学习(Convolutional Attention-based Feature Transfer Learning, CAFTL),并用于变工况条件下的滚动轴承故障诊断。在所提出的CAFTL中,将源域和目标域样本经过多头自注意力计算再经过归一化之后,输入到卷积神经网络中得到对应的源域和目标域特征;然后通过域自适应迁移学习网络将两域特征投影到同一个公共特征空间内;接着,利用由源域有标签样本构建的分类器进行分类;最后,利用随机梯度下降(Stochastic Gradient Descent, SGD)方法对CAFTL进行训练和参数更新,得到CAFTL的最优参数集后将参数优化后的CAFTL用于滚动轴承待测样本的故障诊断。滚动轴承故障诊断实例验证了所提出的方法的有效性。     

协同训练算法在滚动轴承故障诊断中的应用

针对单个分类器方法在滚动轴承故障诊断中精度较低、故障样本标记稀缺、特征空间维度高等问题，提出一种将协同训练与集成学习相结合的Co-Forest轴承故障诊断算法。Co-Forest是半监督学习中的协同训练算法，包含多个基分类器，通过投票实现协同训练中的置信度估算。从滚动轴承的振动信号中提取时域、频域特征指标。利用少量带标签和大量未标记样本重复地训练基分类器。集成基分类器，实现对滚动轴承故障的诊断。实验结果表明，与同类型的协同训练算法（Co-Training、Tri-Training）相比，Co-Forest算法在轴承故障诊断中具有更高的正确率，与当前针对特征向量高维、标记样本稀缺问题的ISS-LPP算法，SS-LLTSA算法相比，Co-Forest算法在保持很高诊断正确率的情况下，不需要降维、参数设置简单，具有一定的实际应用价值。     

基于加权密集连接网络和注意力机制的滚动轴承故障诊断

针对当前诊断方法对滚动轴承故障特征表征困难以及在噪声干扰大的环境中检测性能下降的问题,提出了一种基于加权密集连接网络和注意力机制的滚动轴承故障诊断的方法,该方法由特征提取和故障分类两部分组成;在特征提取部分,首先采用加权密集连接网络从轴承振动信号中提取特征,并将不同空间级别的特征进行组合以增强信息的多样性,然后利用注意力机制突出重要信息,获得准确的表征故障特征;故障分类模型以表征的特征信息作为输入,经过Softmax函数输出每种故障类型的诊断结果;实验结果表明,所提模型在加性噪声干扰的情况下具有良好的诊断性能,比其他方法更具优势。