基于DHMM的轴承故障音频诊断方法

轴承音频信号包含了大量的运行状态信息,与振动信号相比,音频信号的采集是非接触式的,具有使用方便和成本低廉等优势。通过提取机械轴承音频信号的Mel频率倒谱系数（MFCC）特征参数,并使用具有良好识别和抗噪性能的隐马尔可夫模型（HMM）分析轴承运行状态,首次将HMM对音频信号的分析方法应用于故障诊断。为了能够实现对轴承故障的实时诊断,采用计算量较小的离散HMM（DHMM）模型加快训练和识别速度。实验结果表明,该方法对轴承运行状态的识别正确率接近90%,识别时间约为31 ms,效果较好,有效可行,具有很好的应用前景。     

基于音频信号的轴承故障诊断方法

介绍了一种基于隐马尔可夫模型的轴承故障音频信号诊断方法。通过对轴承音频信号的 Mel 频率倒谱系数特征提取,分别采用离散 HMM 和连续高斯混合密度 HMM 两种方法进行建模与诊断研究。与 CGHMM 方法相比,DHMM 方法运算速度快,但诊断精度低。而从总体上来看,两种方法都具有运算速度快,诊断精度高的优点。结果表明,本文方法具有很好的应用前景。     

基于音频内容的语义级场景检索

本文对基于内容的音频检索提出了一种分级方法,第一级:用HMM对音频事件的统计特性建模;第二级:用SVM结合一些音频事件对特定语义场景建模,完成对语义场景的检索。实验证明,HMM和SVM的结合对音频语义级场景的检索达到比较理想的效果。     

一种自适应报警的轴承性能退化评估新方法

论文首次将线性预测倒谱系数(LPCC)引入到轴承声信号特征提取,并提出了一种自适应报警的轴承声信号性能退化评估新方法:首先使用正常状态下的声信号进行隐马尔可夫模型(Hidden Markov Model,HMM)训练,建立正常HMM模型;然后计算当前评估数据在正常HMM模型条件下的输出概率,当输出概率超出阈值范围时,即认定轴承性能状态处于退化Ⅰ级.在启动报警的同时采集退化Ⅰ级声信号重新训练HMM,使用新的HMM对下一时刻运行的轴承进行性能退化评估,直到依次出现退化Ⅱ级,退化Ⅲ级或更严重的退化状态,实现了自适应性能退化评估功能.轴承加速疲劳寿命实验表明,论文提出的自适应性能退化评估方法能够描述轴承整个性能退化过程,具有良好地应用前景.     

基于单状态HMM的音频分类方法研究

经典的隐马尔可夫模型(HMM)是一种基于统计信号的模型,它在基于内容的音频检索系统中具有重要的作用。根据音频分类重类型轻内容的特性,将单状态的HMM用于音频分类,克服了多状态HMM在模型初始化时状态初始概率和转移概率赋值带有假设不准确的缺点。实验结果表明基于单状态的HMM模型音频分类方法能有效地减少误识率,提高音频分类的精确度。     

基于HMM与遗传神经网络的改进语音识别系统

为了解决语音信号中帧与帧之间的重叠,提高语音信号的自适应能力,本文提出基于隐马尔可夫(HMM)与遗传算法神经网络改进的语音识别系统.该改进方法主要利用小波神经网络对Mel频率倒谱系数(MFCC)进行训练,然后利用HMM对语音信号进行时序建模,计算出语音对HMM的输出概率的评分,结果作为遗传神经网络的输入,即得语音的分类识别信息.实验结果表明,改进的语音识别系统比单纯的HMM有更好的噪声鲁棒性,提高了语音识别系统的性能.     

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．     

基于动态内部主元分析和隐马尔科夫模型的动态过程故障检测与分类方法

随着工业生产过程的扩大, 保证生产过程的安全平稳高效运行日益受到重视. 因此, 对工业过程进行及时有效的监测与故障诊断具有重要意义. 一般而言, 工业过程采集的数据具有较强的动态性, 有效提取数据中的动态信息并进行分析极其重要. 本文基于动态内部主元分析(DiPCA)进行动态性分析并结合隐马尔科夫模型(HMM), 提出了一种新的故障诊断框架, 实现了动态过程故障检测与故障分类. 首先, 利用DiPCA算法提取正常工况下数据的动态特征; 然后, 利用HMM能够有效处理时序数据的特点, 对所提取的动态特征进行建模, 构建了动态过程的故障检测框架; 并利用HMM强大的模式分类能力, 对故障数据进行建模, 实现故障的分类; 最后, 将提出的方法用于田纳西-伊斯曼过程, 验证了该方法的有效性与优越性.     

基于小波分析和HMM的语音识别模型建立与仿真

利用隐马尔可夫模型HMM优异的时序建模能力及小波变换可以对信号进行多尺度分析并有效提取信号的局部信息的特点,建立了混合语音识别模型.在语音信号的识别过程中考虑到了信号的非平稳性,采用并行识别的方法分别获取分类信息,根据混合模型的识别算法做出识别决策,减小了系统对环境的依赖性,提高了其自适应能力.仿真实验结果表明,混合模型识别结果比单一HMM模型或小波模型识别结果更佳,提高了整体的识别速度和识别率.     

基于频谱细化技术的精密旋转轴承音频信号故障检测方法研究

本文研究了基于复解析带通滤波器的复调制频谱细化方法（一种优化ZFFT算法）在精密旋转轴承音频信号故障检测上的应用;针对音频信号的特点,采用加汉宁窗三点卷积幅值校正法进行了误差校正.通过实验证明：该频谱细化技术可以得到高精度的音频信号频率细化谱线,为精密旋转轴承音频信号频谱的细化分析、特征提取、故障检测提供了一种简单有效的方法.     

Development of an expert system for fault diagnosis in scooter engine platform using fuzzy-logic inference

In the present study, a fault diagnosis system using acoustic emission with an adaptive order tracking technique and fuzzy-logic interference for a scooter platform is described. Order tracking of acoustic or vibration signal is a well-known technique that can be used for fault diagnosis of rotating machinery. Unfortunately, most of the conventional order-tracking methods are primarily based on Fourier analysis with the revolution of the machinery. Thus, the frequency smearing effect often arises in some critical conditions. In the present study, the order tracking problem is treated as the tracking of frequency-varying bandpass signals and the order amplitudes can be calculated with high resolution. The order amplitude figures are then used for creating the data bank in the proposed intelligent fault diagnosis system. A fuzzy-logic inference is proposed to develop the diagnostic rules of the data base in the present fault diagnosis system. The experimental works are carried to evaluate the effect of the proposed system for fault diagnosis in a scooter platform under various operation conditions. The experimental results indicated that the proposed expert system is effective for increasing accuracy in fault diagnosis of scooters.     

列车轴承故障声学信号采集系统设计

目前大部分的声学信号轴承故障诊断系统是基于传声器与轴承位置相对固定的情况设计的,针对该方案每个轴承都要配备一个传声器,不适用于列车轴承故障诊断的缺点,提出了一种能让一个传声器同时应用于多个轴承故障数据采集的设计方案.首先,以TMS320F2812DSP为主控芯片设计了列车车速信息采集计算系统.其次,基于PCI8622型数据采集卡设计了轴承故障声学信号采集系统.最后,基于Visual Studio 6.0设计了人机交互系统.实验结果表明,该文设计的声学信号采集系统能够实现对轴承故障数据的采集及存储,具有可靠性高、人机界面友好等优点.     

基于CGHMM的轴承故障音频信号诊断方法

轴承音频信号包含其运行状态的重要信息,通过分析这些信息就能对轴承故障进行有效诊断。率先引入基于连续高斯混合密度隐马尔可夫模型的轴承故障音频诊断方法,避免矢量量化带来的数据处理误差,提高了系统诊断精度;引入基于聚类算法的模型参数初始化方法和标定系数的前向-后向算法,简化系统复杂度,加快了训练和诊断速度,进一步提高了诊断精度。实验结果表明,诊断精度达到98.75%,具有很好的应用前景。     

基于小波旁瓣相消器的轴承故障特征提取

为解决强背景噪声下声信号提取的轴承故障特征不显著问题,提出一种基于小波旁瓣相消器的故障特征提取方法。该方法利用小波滤波器组将含噪故障轴承声信号变换到小波域,进行小波域阵列广义旁瓣相消自适应波束形成,再通过小波滤波器组重构增强后的故障轴承信号,最后对重构增强后的信号进行包络解调并提取故障特征频率进行故障诊断。实验结果表明,该方法能够在强背景噪声下有效提取滚动轴承故障特征,并且相较于传统的延时求和波束形成器具有更好的降噪和故障特征增强效果。     

基于声发射参数分析的滑动轴承故障诊断方法研究

本文基于声发射产生机理,对基于声发射参数分析法进行滑动轴承故障诊断方法进行理论和实验研究。首先,通过汽轮机发电机组模拟转子实验台模拟了滑动轴承三种润滑状态,通过实验台以及设计的实验方案,利用声发射采集设备对不同润滑状态的声发射信号进行采集。其次,针对采集到的不同润滑状态声发射信号,对其能量均值以及功率谱熵均值进行计算,提出了基于声发射能量均值和功率谱熵均值的散度指标的滑动轴承润滑状态诊断方法,并利用这种方法对模拟信号进行诊断,同时将其与单一能量参数分析法进行对比,发现能量参数分析法不能很好的反映出滑动轴承的三种润滑状态,而文中所提的采用多参数结合的指标诊断方法具有更好的信号适应性以及更高的区分度。     

Intelligent diagnosis method for a centrifugal pump using features of vibration signals

In the field of machinery diagnosis, the utilization of vibration signals is effective in the detection of fault, because the signals carry dynamic information about the machine state. However, knowledge of a distinguishing fault is ambiguous because definite relationships between symptoms and fault types cannot be easily identified. This paper presents an intelligent diagnosis method for a centrifugal pump system using features of vibration signals at an early stage. The diagnosis algorithm is derived using wavelet transform, rough sets and a partially linearized neural network (PNN). ReverseBior wavelet function is used to extract fault features from measured vibration signals and to capture hidden fault information across optimum frequency regions. As the input parameters for the neural network, the non-dimensional symptom parameters that can reflect the characteristics of a signal are defined in the amplitude domain. The diagnosis knowledge for the training of the PNN can be acquired by using the rough sets. We also propose a diagnosis method based on the PNN, one which can deal with the ambiguity problem of condition diagnosis, and distinguish fault types on the basis of the possibility distributions of symptom parameters automatically. The decision method of optimum frequency region for extracting feature signals is also discussed using real plant data. Practical examples of diagnosis for a centrifugal pump system are shown in order to verify the efficiency of the method.     

动态系统的主动故障诊断技术

目前, 绝大多数动态系统的故障诊断方法仅利用系统的输入输出数据, 当数据中包含的故障特征不明显时, 诊断效果不佳. 动态系统的主动故障诊断方法通过向系统注入适当的辅助信号, 增强输入输出数据中特定故障的表现来提高对该故障的诊断能力. 主动故障诊断的研究不仅对于丰富与发展动态系统故障诊断理论具有重要价值, 还对故障诊断技术在实际中的推广应用具有重要意义. 本文阐述了主动故障诊断的思想, 介绍了用于增强故障表现的辅助信号所具有的特征, 分类概述了现有文献中的辅助信号设计方法, 分析了故障表现增强的形式与主动故障诊断技术的实现方式, 探讨了主动故障诊断中亟待解决的问题与未来的发展方向.     

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.