基于递归灰度图局部二值特征的故障诊断方法

针对内燃机故障诊断问题,提出采用递归灰度图(Recurrence Gray Plots, RGP)和局部二值模式(local binary pattern,ILBP)提取内燃机故障信号特征信息的方法。将递归图引入内燃机缸盖振动信号的处理中,并针对递归图(Recurrence Plots,RP)中阈值选取的问题进行了优化,提出了递归灰度图算法,对振动内燃机缸盖振动信号进行递归灰度图分析,然后采用局部二值模式提取内燃机递归灰度图的纹理特征,并结合‘uniform’模式对特征参数进行优选,来表达内燃机气门故障特征。将该方法用于4种不同气门状态的内燃机故障诊断实验中,获得了较高的故障识别精度,得出结论：该方法具有较强的故障特征描述能力,噪声鲁棒性好,自适应性强,可用于准确诊断内燃机气门故障。     

基于LBP值对空间统计特征的纹理描述符

针对基于内容图像检索应用背景下局部二值模式(LBP)描述符缺乏空间描述能力及所需特征矢量维数较长的不足, 提出一种基于LBP值对空间统计特征构建的改进纹理描述符(ILBP)。ILBP描述符首先利用LBP微模式编码方法将原始图像转换为LBP伪灰度图像, 然后再提取出多个关于LBP值对空间分布关系统计值构成描述图像特征的特征矢量。在基于内容的图像检索原型测试平台上完成大量实验。实验结果表明, 与LBP及其各类变种描述符相比, ILBP描述符在进一步增强LBP描述符描述能力的同时大幅度压缩特征矢量维数, 具有更好的查询正确率和查询效率。     

基于声信号小波包分析的故障诊断

为了避免传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取 故障特征频率的麻烦,提出了一种基于内燃机工作声信号小波包图像处理的方法.通过该方法, 可以得到含有内燃机主轴承间隙磨损状态的时频信息，定义出各个标准故障状态的时-频分布 图,建立了基于图像匹配技术的内燃机主轴承磨损故障诊断模型.通过比较待诊断时频分布图 与所有故障模式时频分布图的欧氏距离,可以判断出轴承的间隙磨损状态.结果表明此方法简 单有效、状态信息利用充分．     

基于递归图和局部非负矩阵分解的轴承故障诊断

针对轴承振动信号的非平稳特征和现实中难以提取故障参数的情况,提出了一种基于递归图和局部非负矩阵分解的轴承故障诊断方法。该方法首先对采集到的轴承振动信号进行递归图分析,生成灰度图;然后用局部非负矩阵分解对生成的递归图进行特征参数提取,得到系数编码矩阵;最后采用分类器对上述编码矩阵直接进行模式识别,从而实现轴承故障的自动化诊断。将该方法应用在4种典型工况的轴承故障诊断实例中,应用结果表明,该方法可对不同工况的递归图自适应地计算特征参数,避免了人为因素对诊断准确率的影响,具有较好的自适应性和鲁棒性。     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

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.     

BP神经网络在滚动轴承故障诊断中的应用研究

滚动轴承表面振动信号中包含着丰富的工作状态信息和故障特征信息,从其表面振动信号中提取时域特征参数,可以有效地识别轴承工作状态。通过试验采集振动信号作为识别故障的原始数据,建立基于振动信号的轴承故障诊断神经网络,并对网络进行训练得出标准故障模式,从而最终实现轴承的故障诊断。     

改进粒子滤波在汽轮机故障诊断中的应用

针对汽轮机的振动信号容易受到较为复杂的随机噪声污染,提出了一种改进粒子滤波的振动信号降噪方法;首先建立采集振动信号的数学模型,将其作为粒子滤波的状态方程;然后利用小波分析提取采集振动信号的背景噪声,将其和状态信号一起作为观测信号,得到观测方程,把降噪问题转化成在状态空间模型下的滤波问题;由于采用序贯重要性采样的粒子滤波存在着样本退化问题,在重采样阶段采用了一种权值排序、优胜劣汰的重采样算法,就是对各粒子的归一化权值从小到大的排列顺序,并根据权值方差大小淘汰粒子,从而得到了改进的粒子滤波算法,在一定程度上解决了标准粒子滤波的退化问题;进而运用改进粒子滤波算法对振动信号进行降噪处理,降噪前信号和降噪后信号分别通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征向量浓缩了汽轮机振动故障的全部信息,对提取的故障特征向量应用诊断识别算法进行故障模式识别;通过对比降噪前信号和降噪后信号的故障诊断识别率,证明了改进粒子滤波在汽轮机故障诊断中的应用效果更佳。     

基于LCD和改进SVM的轴承故障诊断方法

针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。     

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。     

基于振动模型的采煤机摇臂齿轮局部故障频谱分析

从齿轮传动机理出发,考虑直齿轮局部故障对啮合振动的调幅调频作用,建立了直齿轮局部故障振动信号模型;在直齿轮局部故障模型的基础上,分析了行星齿轮结构特征及振动信号产生和变化规律,建立了行星齿轮局部故障振动信号模型。对带有不同齿轮局部故障的摇臂进行加载试验,对采集的试验振动信号进行了频谱分析,分析结果表明,所建立的齿轮故障振动信号模型能客观、准确地反映摇臂齿轮故障状态,应用频谱分析方法可实现摇臂齿轮局部故障诊断。     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于神经网络VLSI与噪声信号的故障诊断

为了改变传统的基于软件的机械故障诊断模式，以及发挥神经网络超大规模集成电路(vLSI)的优势，提出了一种用于故障诊断识别的脉冲频率调制(PFM)模拟神经网络脉冲流vLSI电路。实现了一种脉冲流数字模拟混合突触乘法／加法器电路，而且该神经网络电路的突触权值不需要学习调整．降低了电路的复杂性。以此电路为基础．设计了进行主轴承磨损故障诊断的神经网络故障识别系统。利用含有故障信息的噪声信号代替传感器安装困难的基于振动信号的特征值提取，最后．根据代表待识别信号与标准故障模板之间欧氏距离的电路输出端电容电压值可以判断出故障类别。该电路具有较高的识别精度．可以实现噪声故障信号的实时在线识别。     

脉频调制神经网络VLSI的设计及应用

本文提出了一种用于故障诊断识别的改进脉冲频率调制(PFM)VLSI神经网络电路,改进了传统的基于软件的机械故障诊断模式,发挥了神经网络超大规模集成电路(VLSI)的优势.利用单层感知器网络、场效应管电路实现了一种新的数字模拟混合突触乘法/加法器电路,而且该神经网络电路的突触权值不需要学习调整,降低了电路的复杂性.以此电路为基础,设计了进行主轴承噪声故障诊断的神经网络故障识别系统.将含有故障信息的原始噪声信号,经过前置信号处理分析、故障特征值提取和神经网络运算,得出VLSI电路输出端电容的电压——代表待识别信号与模板故障信号的“欧氏距离”,进而判断出故障的类别.经过仿真测试,基于硬件的诊断系统的识别性能接近于基于软件的系统.     

基于变差函数和局部方差图的煤岩图像纹理特征提取

针对现有煤岩纹理特征提取采用局部二值模式算法存在分类准确率欠佳、算法运行效率较低及旋转纹理识别鲁棒性较差等缺陷,提出了一种基于变差函数和局部方差图的煤岩纹理特征提取算法。该算法首先在局部二值模式理论框架中逐像素计算局部方差得到局部方差图,然后在局部方差图中利用变差函数计算不同方向的变差函数向量,最后组合变差函数向量作为纹理特征,将所提取特征与局部二值模式特征融合完成煤岩纹理分类与识别。实验结果表明,该算法能够有效地提取局部方差的空间分布信息,实现对局部二值模式丢失信息的再利用,分类结果优于多种经典的局部二值模式纹理特征提取算法,分类准确率达到86%。     

电机故障诊断的仿真研究

研究电机故障诊断问题.针对电机信号具有非平稳和随机性特点,为保证电机运行的安全性,准确进行故障诊断,传统方法不能有效识别故障信号特征,导致故障识别准确率低,现提出一种基于小波分析和神经网络相结合的电机故障诊断方法.采用小波包变换技术对电机故障振动信号进行去噪处理,然后利用小波包分解系数计算各子频带能量值,根据能量值的变化构建故障特征向量,利用将特征向量作为RBF神经网络的输入进行故障识别,并在Matlab仿真平台上进行仿真.仿真结果表明方法提高电机故障诊断的准确率,有效克服了传统方法存在不足,同时缩短了电机故障诊断的时间.     

基于梯度和局部多值模式的图像纹理特征提取

为了进一步增强局部二值模式的纹理特征表达能力,提出了一种将图像梯度同局部多值模式相结合的纹理特征提取方法.该方法首先计算出图像的梯度幅度和梯度方向,并根据量化的梯度方向对幅度图进行分解,之后利用得到的幅度图对其进行局部多值模式特征的提取,得到一种新的纹理特征,最后将得到的特征进行图像检索实验.实验结果表明,在纹理丰富的检索库上,该方法所提取的纹理特征更加具有通用性,相对传统局部二值模式图像检索方法具有更好的稳健性和更好的检索效果.     

基于EEMD能量熵和混合算法的电机轴承故障诊断

针对提升机电机轴承振动信号的非平稳特性和单一粒子群算法(PSO) 优化径向基函数（RBF）神经网络时存在网络收敛速度慢和适应度值易陷入局部最小的缺点，提出基于集合经验模态分解（EEMD）能量熵和模拟退火粒子群混合算法（SAPSO）优化RBF神经网络的提升机电机轴承故障诊断方法。基于EEMD求取振动信号各固有模态函数分量的能量熵，并使用相关性分析方法剔除虚假的分量，把筛选后的有效数据作为故障识别的特征向量；利用模拟退火（SA）算法具有局部概率突跳的特性，将SA算法和PSO算法相结合，在优化RBF诊断模型隐含层参数时以实现不同算法间的优劣互补。仿真结果表明，使用SAPSO算法优化后的RBF神经网络模型在提升机电机轴承故障诊断中能够加快网络收敛速度和提升故障识别精度。     

基于改进WLD的纹理特征提取方法

在纹理分类应用背景下,原始韦伯局部描述符( WLD)对纹理模式区分能力有限。针对该问题,提出一种基于正负梯度改进的WLD( WLD-PNG)。利用局部窗内像素点间灰度变化的正负梯度构建纹理特征描述符,通过分离计算正负梯度的差分激励算子,保留灰度等级变化的正负性信息,以增强纹理模式的可区分性,运用均匀局部二值模式( uLBP)提取灰度等级变化的空间分布结构信息,并提高纹理模式的识别能力,使用均匀量化和编码技术将差分激励算子与uLBP结合,从而描述图像的纹理特征。在Brodatz和KTH-TIPS2-a纹理库上进行对比实验,结果表明,与原始WLD,uLBP,WLD+uLBP及已有改进的WLD等方法相比,WLD-PNG在提高纹理分类性能的同时,具有较好的稳健性和较低的计算复杂度。     

基于小波包分解和PSO-BPNN的滚动轴承故障诊断

针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题,提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分:在信号特征提取部分,对采集的滚动轴承振动信号进行小波包分解,得到各子频带能量及信号总能量,经归一化处理后获得表征滚动轴承状态的特征向量;在故障类型识别部分,通过粒子群优化算法优化BP神经网络的初始权值和阈值,以加速网络收敛速度,避免陷入局部极小值。实验结果表明,该方法提高了滚动轴承故障诊断效率和准确率。