双谱和支持向量数据描述相结合的机械故障诊断研究

针对机械智能监测和故障诊断中故障样本缺乏的问题,提出了一种支持向量数据描述和用双谱提取故障特征值相结合的机械故障诊断方法。该方法可以只利用正常状态数据样本来建立单值分类器,判别机器的运行状态。高阶谱能有效地抑制噪声,对不同类型的故障,高阶谱存在明显差异。采用双谱对角切片对原始数据信号进行特征提取,将特征值作为SVDD的输入参数进行分类。运用该方法在滚动轴承的故障诊断中。     

基于球结构支持向量机的液压泵故障诊断研究

针对目前故障诊断中难以获得大量故障数据样本的不足,提出球结构支持向量机故障分类算法,并运用其构成多故障分类器进行YB-6叶片泵的故障识别。试验表明该方法只需要少量的时域故障数据样本来训练分类器,不必进行信号预处理便可实现多故障的识别和诊断,在少样本情况下比BP神经网络具有故障分类能力强的优点。     

基于支持向量机的机械多故障智能分类方法研究

典型故障数据样本的严重不足是制约机械故障智能诊断技术发展的主要原因之一。提出了一种基于支持向量机的机械故障诊断新方法,综合了单值和多值支持向量机分类算法,在此基础上,建立了多故障分类器。采用该方法对转子实验台典型的多故障数据进行分类,结果表明:只需少量的时域数据样本来训练分类器,即可实现多故障的识别与诊断,克服了已有方法需要对原始数据进行预处理的困难,可更方便地应用于机械设备多分类故障诊断领域。     

基于BP-LSTM的旋转机械振动信号异常检测模型

旋转机械运行环境恶劣,振动信号易受外界干扰,因此实现振动状态的异常检测较为困难。神经网络技术能够从大量的振动数据中自动提取故障特征,相对于人工提取故障特征,工作量大为减少。结合长短时记忆(LSTM)网络对时间序列数据具有的超强感知与处理能力,提出一种用BP神经网络压缩输入数据维度从而提取故障特征、用LSTM网络进行异常检测的新方法。首先将实验台获取的振动数据划分为相同序列长度的数据样本并划分为不同的数据集,然后将数据样本进行预处理并搭建BP-LSTM网络,将建立的模型用于旋转机械振动信号异常检测。模拟仿真和实验结果表明:BP-LSTM网络模型对旋转机械运行状态的检测具有较高的精度和稳定性,该方法优于基于时域特征参数进行异常检测的支持向量机(SVM)、K近邻和LSTM等传统学习方法。     

双权法LSSVM在旋转设备故障诊断中的应用

由于旋转设备故障数据样本存在不平衡性,导致传统的LSSVM无法对异常值样本正确分类,为了解决这一问题,首先采用LSSVM从训练集中提取错分样本及其分类的支持向量,再根据各类故障样本数量对惩罚因子进行加权,以减少样本数量不平衡对分类结果的影响;然后根据错分样本到本类边界支持向量的距离,对松弛系数设置不同的权值,使错分的异常值样本分类得以修正。通过煤矿风机故障数据集验证了该算法分类效果明显优于传统的LSSVM方法。它有效地消除了因故障样本数据不平衡、样本分布异常对分类器造成的影响,提高了设备故障诊断的正确率。     

SVM在齿轮小样本故障诊断中的应用

将SVM的分类算法应用于齿轮小样本故障诊断中。选取识别能力好的时域无量纲指标和频域中的9段频谱融合作为支持向量机的特征矢量,对齿轮的3种典型故障进行分类,结果表明:SVM在解决小样本情况下的机械故障诊断的分类问题中具有良好的应用前景。     

基于节点优化的决策树支持向量机及在故障诊断中的应用

针对目前故障诊断中,难以获得大量的故障数据样本以及诊断知识获取困难等不足,提出了专门针对有限样本的新一代机器学习的算法—支持向量机(SVM),它在样本很少的情况下具有较好的泛化能力,比较适合解决故障诊断小样本情况的实际问题。在多故障诊断时,必须先进行多分类扩展.决策树是一种性能优秀的多分类扩展策略,但该方法的决策结果与结点的排部密切相关,结点的排部影响了诊断的正确率.提出一种根据故障数据的空间分布来优化结点排部的方法,它能够提高支持向量机诊断的正确率.采用该方法扩展的多分类支持向量机在故障诊断中获得良好效果.     

诊断汽轮发电机组振动故障的一种Fuzzy聚类分析模型

首先运用基于传递闭包的模糊等价矩阵法对原始数据进行初始分类,得到了标准故障样本,然后将标准故障样本与待检样本一起作为分类样本,再用模糊ISODATA法求出最优分类矩阵和聚类中心,并依此来判断待检验样本的故障类型。实践证明,这种方法能够有效地诊断发电机组的振动故障。     

PNN在旋转机械故障诊断中的应用

研究了利用PNN进行旋转机械故障诊断和预报的方法。PNN是基于Parzen窗函数和Bayes分类规则的前向型自监督神经网络模型,具有强大的非线性处理能力,快速的收敛速度和准确的分类效果。以某旋转机械典型故障样本为例,给出了利用该模型进行诊断和预报的详细过程。理论分析和仿真实验结果表明,利用PNN进行旋转机械故障诊断和预报的方法可行、有效。     

基于图卷积网络的轴承故障诊断

针对基于图卷积网络（GCN）的故障诊断方法大多默认节点间的权重相同、导致诊断精度较低与鲁棒性较差的问题,提出了一种基于欧式距离和余弦距离的GCN故障诊断方法（EC-GCN）。首先,充分考虑节点间的数值特征和方向特征,利用欧式距离和余弦距离构建加权样本关联图。其次,利用GCN对样本关联图的故障特征进行提取。最后,将故障特征输入分类器进行分类识别。对公开轴承数据集进行测试,EC-GCN方法能够有效提取轴承故障特征,故障分类精度达到了98.93%。     

基于ICA的齿轮箱故障诊断研究

主要介绍了独立分量分析的基本思想及算法,采用快速独立分量分析(FastICA)的算法对混合的机械振动信号进行分离。应用该算法对实验室采集到的齿轮箱多组振动信号进行了分析,结果表明,独立分量分析在对混合信号进行盲源分离方面有着很好的效果,它是一种很有效的信号预处理的方法,在齿轮箱等机械设备监测和早期故障诊断中得到很好的应用。     

基于小波变换的煤矿机械滚动轴承故障诊断

由于煤矿机械的特殊工作环境,采集到的故障振动信号通常掺杂着非常明显的噪声干扰信号,如何从复杂的信号中提取出有用的信号非常重要。以煤矿机械滚动轴承为研究对象,通过模拟实验并利用小波变换的阈值去噪及分解与重构对煤矿机械滚动轴承振动信号进行分析处理,提取故障特征信息。实验结果表明,与传统机械故障诊断方法相比,该方法在振动信号的有效提取及检测时效性与准确性方面具有明显的优势,既减少了检测人员的工作量,又提高了检测效率。     

模糊理论在机械故障诊断中的应用

机械设备在经过长时间运行或环境条件的改变之后,机器本身的性能参数会发生变化,这些变化导致故障征兆与故障原因间的隶属关系是模糊的,为此,将模糊理论方法引入到机械设备故障诊断中,提出了由加权统计法确定模糊隶属度的方法,建立了模糊诊断模型,并在计算机上实现了机械设备故障的模糊诊断。     

掘进机机械故障监测诊断系统设计

掘进机是煤矿采掘机械化过程中的一种关键机械,亦是工作环境恶劣,故障多发的环节。因此,开展掘进机机械系统故障诊断关键技术研究具有重要意义。搭建基于现代信号分析处理方法和网络的故障监测诊断系统,拾取掘进机关键部件故障信号,采用现代谱分析方法提取故障特征,达到故障诊断的目的,可用于掘进机故障预知和智能维修。     

基于SOM网络的带式输送机齿轮箱混合故障诊断研究

针对带式输送机齿轮箱故障信号成分复杂、故障识别难的问题,提出了基于自组织映射(SOM)网络的故障诊断方法。首先使用融入Shannon熵的小波降噪方法对齿轮箱振动信号进行预处理;然后利用齿轮箱不同状态的信号通过高斯混合分布模型对其参数使用最大期望算法进行估计,获得反映不同运行状态的特征向量;最后使用SOM网络对齿轮箱不同工况振动信号的特征进行分类识别,进而诊断出相应故障。结果表明:该方法可以有效地识别齿轮箱混合故障,总识别正确率达90%,其中有6种工况的识别正确率达100%。     

基于人工蜂群算法优化VMD的旋转机械故障诊断方法

旋转机械在运行复杂环境下振动信号复杂且有许多噪声,难以有效提取故障特征并准确诊断,为此提出一种人工蜂群优化变分模态分解(VMD)的机械故障诊断方法。首先采用人工蜂群算法优化VMD的参数,对振动信号进行变分模态分解,获得相应的本征模态函数分量;然后对各模态分量信号计算多尺度熵,构造故障特征向量;最后利用最小二乘支持向量机(LS-SVM)进行故障诊断。实验结果表明,该方法具有较高的准确率,准确率达到97.5%,可以满足旋转机械故障诊断的要求。     

基于关联维数与支持向量机的内燃机故障诊断研究

为解决内燃机故障诊断这一复杂问题,在ANSYS环境下,对6110型内燃机曲轴在正常工作状态和几种故障状态下进行瞬态动力学分析,得到曲轴的振动信号,对各信号进行相空间重构,并计算其关联维数,采用支持向量机(SVM)直接对关联维数进行分类,从而将配气机构的故障诊断转换为对曲轴振动信号关联维数的分类。研究结果表明:内燃机曲轴在不同工作状态下,振动信号的关联维数各不相同,将关联维数作为特征参数能够去除内燃机曲轴振动信号时域图中的冗余信息,突出故障类型,将关联维数与支持向量机相结合能够较好地解决内燃机故障诊断中的样本少、维数高等问题。     

基于冲击脉冲法滚动轴承状态监测研究

 滚动轴承的状态监测和故障诊断一直是国内外发展机械故障诊断技术的研究重点之一。本文研究了冲击脉冲法的原理和评判依据,以洗煤厂渣浆泵滚动轴承组件为对象,利用冲击脉冲法研究了其状态监测和故障诊断问题,通过对洗煤厂渣浆泵轴承组件的跟踪监测,并对监测结果进行了趋势分析,发现了该滚动轴承组件存在故障的结论,检修结果验证了判断结果的正确性。