基于香农熵特征的发动机故障诊断方法

通过分析活塞销在不同配合间隙下的运行轨迹,针对活塞销敲击响产生缸盖振动信号的有序性和在频率成分上的差异性,并考虑到实验数据的有限性,提出了用香农熵选取小波包子信号的特征提取方法和支持向量机的故障诊断方法。将振动信号进行小波包分解并求出各子信号的香农熵,根据香农熵的大小选取出合适的子信号进行分析研究,求出子信号的能量作为特征值,用支持向量机对活塞销不同程度的故障进行分类识别。诊断结果表明:用香农熵选取小波包子信号结合支持向量机的方法能够对活塞销不同程度的故障进行分类识别。     

基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究

为了有效地从非线性、非平稳性的风电齿轮箱故障信号中提取有用的信息成分,将微分经验模式分解、局部时频熵和支持向量机相结合,提出了一种微分经验模式分解局部时频熵和支持向量机的风电齿轮箱故障诊断方法。采用自适应多尺度的数学形态学对故障信号进行滤波;将滤波后的信号进行微分经验模式分解,获得齿轮振动信号的若干IMF分量;把每一个IMF进行分块,计算每一块的局部时频熵值;把局部时频熵值作为支持向量机的输入参数,通过支持向量机进行故障识别与诊断。实验结果表明,基于微分经验模式分解局部时频熵和支持向量机相结合的方法能够对风电齿轮箱故障信号进行准确有效地识别分类。     

基于内燃机振动信号的可视化识别诊断

为提高故障识别诊断的精确度和实时性,有效解决内燃机多分量、非平稳振动信号特征提取困难的问题,提出一种基于改进局部二值模式(ILBP)与双向二维主成分分析(TD-2DPCA)的内燃机振动信号可视化故障识别诊断方法。针对传统时频方法在分析内燃机振动信号中,存在时频分辨率低及交叉干扰项的问题,将经验小波变换(EWT)与同步压缩小波变换(SST)应用到内燃机振动信号的时频图表征中;利用ILBP提取图像的纹理特征,并对ILBP图谱采用TD-2DPCA降维,将降维后的编码矩阵向量化后得到图像的特征参数;通过支持向量机(SVM)和最近邻分类器(NNC)分别特征向量进行训练、测试,实现内燃机的故障识别诊断。在内燃机气门间隙故障8种工况下缸盖振动信号的识别诊断试验中,均得到较高的分类精度;通过参数的合理优化,在保证了分类速率的同时,最高识别率达到96.67%,对比其他方法,充分表明该方法在内燃机故障诊断中的有效性。     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

基于EMD小波阈值去噪和时频分析的齿轮故障模式识别与诊断

建立了齿轮故障系统试验装置,对齿轮传动系统在各种转速与故障状态下进行测试分析,获取了有关振动信号,对齿轮系统的无故障、齿根裂纹、分度圆裂纹、齿面磨损四种状态信号进行特征提取,并对提取的信号进行基于经验模态EMD分解的小波阈值去噪处理,然后对预处理后的信号进行时频分析与诊断。结果表明,采用基于EMD的小波阈值去噪方法比单纯采用小波阈值去噪对测试信号进行预处理,能提高信噪比,并更加有效的提取出故障特征,而在EMD的小波阈值去噪的基础上,再与时频分析方法相结合能够较好的识别不同运转状况下不同种类的故障,如齿根裂纹、分度圆裂纹、齿面磨损等,可用于对实际工程工作的齿轮系统进行故障诊断。     

基于脚步诱发结构振动的人员特征身份识别研究EI北大核心CSCD

身份识别是安防领域一项重要工作,目前生物特征识别方法主要利用静态生理特征,利用脚步振动信号进行身份识别研究相对较少,本文提出利用行走过程中脚步诱发结构振动信号的差异性来识别人员。基于能量阈值法检测脚步事件与非脚步事件,对不同测试人员单一脚步事件在时域、频域方面共16个脚步特征参数进行了对比分析,研究发现可以将不同特征组合下参数差异性作为身份识别的依据。为了验证方法的有效性,采用支持向量机(support vector machine, SVM)作为分类工具,测试人数为10人数据样本500个情况下,选用16个脚步特征参数平均识别率为79.21%;采用皮尔逊相关系数法筛选出彼此不相关的10个脚步特征参数平均识别率为91%,相比于采用16个脚步特征参数平均识别率提高了11.79%;对比了在不同SVM核函数下分类工具对选取的10个脚步特征参数平均识别率的影响,结果采用线性核函数下平均识别率最高达到96%。结果表明,有效的脚步特征参数组合适用于小样本下的身份识别。     

应用S.L.Peng窄带分解与广义分形的自动机故障诊断

针对某型高射机枪自动机振动信号低信噪比、干扰多的特点,提出利用S.L.Peng的局部窄带分解理论对信号进行分解和重构,并用支持向量机对故障模式进行识别。通过对自动机故障机理分析,找到易发生故障的位置,并设置3种故障后进行振动信号采集。将信号通过基于局部窄带信号的分解和重构后通过广义维数计算获得各种工况的盒维数、信息维数、关联维数、广义分形维数谱均值,将其供给支持向量机进行故障分类。所得诊断结果准确率达93.75%,具有一定的参考及实用价值。     

基于支持向量机的汽车发动机故障诊断研究

研究在汽车发动机不解体的情况下获取发动机缸盖表面的振动信号和上止点信号,按曲轴转角的周期对振动信号的时域能量进行合理分段;提取各段信号的时域能量作为发动机各缸状态的特征值。建立发动机各缸不同故障状态的训练集,用支持向量机的方法实现发动机故障模式的诊断与识别。研究结果表明,该方法对汽车发动机故障类型、故障位置的诊断识别具有重要工程意义。     

支持向量机在电机转子故障诊断识别中的应用

提出了一种基于支持向量机的鼠笼式电机转子断条故障检测方法,通过对电机转子断条故障进行实验模拟,获取了采样信号,利用支持向量机(SVM)对故障样本进行训练,使得支持向量机(SVM)具有分类功能.最后,采用支持向量机(SVM)对电动机各种转子断条故障进行诊断分类,取得较满意的结果.     

基于EMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了基于经验模态分解（empirical mode decomposition,EMD)和支持向量机的齿轮故障诊断方法。首先通过EMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(intrinsic mode function, IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可以通过计算不同振动信号的EMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机（support vector machine,SVM）,判断齿轮的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于齿轮的故障诊断。     

Mechanical Fault Diagnosis Using Support Vector Machine

The Support Vector Machine (SVM) is a machine learning algorithm based on the Statistical Learning Theory ( SLT), which can get good classification effects even with a few learning samples.SVM represents a new approach to pattern classification and has been shown to be particularly successful in many fields such as image identification and face recognition. It also provides us with a new method to develop intelligent fault diagnosis. This paper presents a SVM-based approach for fault diagnosis of rolling bearings. Experimentation with vibration signals of bearings is conducted. The vibration signals acquired from the bearings are used directly in the calculating without the preprocessing of extracting its features. Compared with the methods based on Artificial Neural Network (ANN), the SVM-based method has desirable advantages. It is applicable for on-line diagnosis of mechanical systems.     

基于EMD模糊熵和SVM的转子系统故障诊断

提出一种经验模态分解、模糊熵和支持向量机相结合的转子系统故障诊断方法。该方法首先对转子系统故障信号进行经验模态分解,得到若干阶表征故障信息的固有模态函数,并运用基于能量原理的虚假模态消除方法剔除虚假模态分量;再利用模糊熵能够表示信号复杂程度且具有相对稳定性等特点,选取前4阶固有模态函数的模糊熵值作为各故障信号的特征向量;最后将该特征向量输入到支持向量机中进行转子系统的故障分类。试验结果表明,该方法能够有效的提取转子系统故障特征和对转子系统进行故障诊断。     

基于扭振分析方法的齿轮传动系统故障辨识

通过分析齿轮啮合过程的数学模型及典型故障,论证了扭振分析方法在齿轮系统故障诊断上的优越性,并提出一种测量齿轮轴上扭振信息的新方法。在此基础上搭建了齿轮传动系统,通过采用永磁旋转(角)加速度传感器检测齿轮系统各个运行状态下不同轴上的扭振信号;然后,分别对齿轮传动系统轴上的扭振信号和平台的振动信号采用小波包分解,提取各个节点的能量作为特征向量;最后,结合以径向基函数(RBF)为核函数的支持向量机(SVM)分别进行故障的辨识。实验结果表明:轴上的扭振信号在齿轮系统故障诊断上的效果要优于平台振动信号的诊断效果。     

基于支持向量机的转子振动信号故障分类研究

转子在运行过程中的振动加速度信号包含了转子运行状态大量信号，瞬态过程中故障加速度信号特征的提取及其识别对于旋转机械故障诊断是十分重要的。针对在升降速运行时的故障特征数据样本有限而制约有效智能诊断的问题，探讨和提出了基于支持向量机的加速度信号故障诊断方法。实验分析结果表明：该方法可实现转子的振动加速度信号对转子在升降速运行时的多故障的识别和诊断。     

支持向量回归算法在梁结构损伤诊断中的应用研究

支持向量机算法具有很优秀的回归特性，所以将其应用于梁结构的损伤诊断方面。以模态频率作为特征参数，训练支持向量机实现对损伤的定位和程度标识，并通过对悬臂梁的损伤识别仿真计算进行了验证。结果表明：支持向量机在结构损伤诊断领域中具有很好的应用前景。     

不均衡数据下基于SVM的故障检测新算法

针对传统支持向量机(SVM)算法在数据不均衡情况下无法有效实现故障检测的不足,提出一种基于过抽样和代价敏感支持向量机相结合的故障检测新算法。该算法首先利用边界人工少数类过抽样技术(BSMOTE)实现训练样本的均衡。为减少人工增加样本带来的噪声影响,利用K近邻构造一个代价敏感的支持向量机(CSSVM)算法,利用每个样本的代价函数消除噪声样本对SVM算法分类精度的影响。将该算法应用在轴承故障检测中,并同传统的SVM算法,不同类代价敏感SVM-C算法,SVM和SMOTE相结合的算法进行比较,试验结果表明当样本不均衡时,建议算法的故障检测性能较其它算法有显著提高。     

基于内积延拓LMD及SVM的轴承故障诊断方法研究

针对特征提取中局域均值分解(Local Mean Decomposition, LMD)存在端点效应缺陷及模式识别中人工神经网络(Artificial Neural Network, ANN)存在收敛速度慢、过学习等不足,提出基于内积延拓LMD及支持向量机(Support Vector Machine, SVM)的轴承故障诊断方法。利用内积延拓LMD方法对信号延拓分解抑制LMD端点效应;利用分解的可描述信号特性主分量PF(Product Function)构建初始特征向量矩阵;用SVD(Singular Value Decomposition)方法对初始特征向量矩阵进行奇异值分解,获得信号特征参数作为SVM的输入进行训练;对训练的SVM进行测试及模式分类。通过实际轴承故障信号分析及故障类型分类表明,该方法不仅能抑制LMD端点效应缺陷,且在故障模式识别中能有效避免ANN网络结构难确定、收敛速度慢等不足,能较好实现轴承故障准确分类,可用于轴承故障诊断。     

旋转机械振动的监测技术研究

本文介绍一种新型的旋转机械振动试验系统,该系统采用扰动激振,用分布式监测系统对振动信号进行在线监测。文中以转子系统为测试对象,其测量、分析结果将为旋转机械振动特性的研究及故障预测提供可靠的基线信息。     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。