LLTSA特征降维与ELM模型在单向阀故障诊断中的应用

信号的单一特征难以全面反映设备运行状态,而利用多域特征表征设备运行状态时,随着特征维数增加,将引发维数灾难,导致分类器性能退化,降低状态监测模型的辨识性能。针对这一问题,提出线性局部切空间排列(Linear local tangent space alignment,LLTSA)特征降维与极限学习机(Extreme learning machine,ELM)模型的故障诊断方法,利用LLTSA从高维特征空间提取低维流形,实现信号特征的维数约简,保证模型分类性能。该方法首先利用完备总体经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)对振动信号进行分解,采用相关系数与峭度准则筛选分量,重构得到降噪后的振动信号;然后,计算重构信号的多域特征,并利用LLTSA进行特征维数约简;最后,利用其低维本质特征建立ELM故障诊断模型,监测设备运行状态。高压隔膜泵单向阀运行状态监测实验表明,对振动信号进行特征维数约简,降低特征间的冗余性,可提高ELM模型的故障识别精度。     

基于虚拟仪器的旋转机械主轴故障在线监测系统研究

针对机床主轴状态直接影响加工产品精度及刀具寿命的问题,对加工过程中的主轴故障状态监测技术进行了研究,提出了一种基于虚拟仪器的旋转机械主轴故障在线监测系统。该系统以主轴振动、转速及温度为监测信号,采用了时域分析、频域分析和小波包分析相结合的信号处理技术,提取了能反映主轴运行状态的特征参数,建立了基于模糊C均值聚类算法的主轴故障识别模型,通过计算当前故障特征参数与模型中已知状态的隶属度来判断主轴状态;最后,采用了基于虚拟仪器技术的Lab VIEW软件作为编程工具,设计了一套旋转机械主轴故障在线监测与诊断系统软件,并在实际机床中进行了理论验证和实例验证。研究结果表明,该系统可在线实时识别主轴的冲击、摩擦、松动、不平衡等故障,具有速度快、效率高的特点,平均准确率达99%。     

基于AdaBoost-SOM方法的电机故障诊断

采用一种基于AdaBoost特征选择和SOM(自组织映射)相结合的电机故障诊断方法。通过对不同电机状态的性能试验,采集驱动电机的振动信号,对信号进行时域、频域以及小波包处理,构建信号的原始特征。利用AdaBoost算法和相关性去除冗余和关联度高的特征,选取具有强区分能力的特征,采用SOM对各电机状态进行故障分类,识别电机的运行状态。试验表明,该方法能够对电机的故障特征进行有效提取,提高了对电机状态的识别能力,鲁棒性更好。     

特征选择与t-SNE结合的滚动轴承故障诊断

为准确识别滚动轴承当前故障状态,提出一种集合经验模态分解（EEMD）、特征选择与t-分布邻域嵌入（t-SNE）的诊断方法。采用EEMD分解故障信号获得若干本征模态函数（IMF）,采用峭度准则筛选有效IMF分量并重构;求出重构信号的高维时、频域特征矩阵并对其归一化,采用t-SNE算法获得对故障状态更敏感的低维特征矩阵;将特征矩阵输入粒子群优化的最小二乘支持向量机（LSSVM）中,实现轴承的故障识别与诊断。采用实验分析并对比几种典型的降维法,证明了t-SNE的优越性,所提方法可以实现故障状态的100%识别,验证了该方法的有效性。     

基于邻域属性重要度与主成分分析的齿轮箱故障特征约简

为有效降低齿轮箱故障特征的维数并提高诊断效率,提出了基于邻域属性重要度与主成分分析法相结合的齿轮箱故障特征约简方法,并利用支持向量机和BP神经网络对诊断的准确率进行对比分析。针对齿轮箱中具有不同程度裂纹的齿轮,选取其时域、频域和基于希尔伯特变换的36个特征;将邻域模型引入到特征属性的约简,构造前向贪心算法,以邻域属性重要度较大的9个特征作为特征集,提取累积贡献率达到95%以上的主成分,分别输入支持向量机和BP神经网络分类器中进行分类识别,并与不经过特征优选的主成分特征融合相对比。结果表明,采用基于邻域属性重要度与主成分分析法相结合的特征约简方法,既可以降低齿轮箱故障特征的维数,又不影响对其运行状态的表征,有助于识别不同裂纹水平的齿轮,与不经过特征优选直接进行融合的方法相比,所提出方法诊断准确率更高,训练时间更短。     

基于局部边缘判别投影的机械故障诊断方法

针对故障特征集维数过高的问题,提出一种基于局部边缘判别投影(locality margin discriminant projection,简称LMDP)的故障数据集降维算法。该算法定义了局部类间相似度和局部类内相似度,使相邻的异类在低维空间中离的更远、相邻的同类样本在低维空间中离的更近。分别提取转子振动信号的时域和频域统计特征,组成原始故障特征集;通过LMDP算法对原始特征集进行特征融合,选择出其中最能反映故障内在信息的低维敏感特征子集;将得到的低维特征子集输入到K近邻(K-nearest neighbor,简称KNN)分类器中进行训练和故障分类。通过2个不同型号的双跨度转子系统采集的振动信号集合验证了该方法的有效性。     

基于一维卷积长短时记忆网络的多信号融合刀具磨损评估

为实现刀具磨损状态的有效在线监测,提出一种基于一维卷积长短时记忆网络的多信号融合刀具磨损评估模型.该模型综合使用加工过程中主轴和工作台的振动和声发射信号,以实现信号间的优势互补,弥补单一信号的不足;基于一维卷积的特征学习能力和长短时记忆网络的时序特征分析能力,充分挖掘信号中包含的刀具磨损状态信息;最后通过全连接层和softmax分类器对刀具磨损状态进行评估.试验结果表明,该模型在各单一工况下对刀具磨损状态的识别准确率均可达93.8％以上,整体工况下识别准确率达95.3％,具有很好的稳定性和多工况通用性.     

基于LSTM与电气参数的电机状态监测方法

针对现有的电机状态监测方法因状态曲线反复穿越报警线，导致状态预警分析准确率低的问题，提出一种长短期记忆网络（LSTM）与工艺参数相结合的状态监测方法。该方法首先采用主成分分析（PCA）对电机正常运行状态的电流、电压信号特征矩阵进行特征降维，再借助LSTM完成状态预测模型构建，基于历史运行数据实现对当前阶段运行待测数据状态值的预测，最终通过对比实测值与预测值的差异度完成电机运行状态的判断。搭建电机故障实验台对提出方法进行验证，实测数据分析结果表明，所提出的方法可有效实现针对电机的状态监测，与振动参数分析的对比结果显示，该方法具备较好的模型稳定性及准确性，有效解决了状态监测模型误报、漏报的问题，实现了对电机运行状态的准确监测。     

流形模糊C均值方法及其在滚动轴承性能退化评估中的应用

滚动轴承全寿命周期性能退化监测是设备主动维修技术重要的组成部分,对损伤状态进行有效评估可以实现设备接近零停机运行,发挥机器的最大生产力。为有效描绘滚动轴承性能退化趋势,提出一种基于流形学习的模糊C均值(Fuzzy C-means algorithm,FCM)方法。首先提取监测信号的时域、频域特征及小波包时频域特征组成高维特征集,然后按确定的本征维数提取高维特征集的低维流形特征,进而建立基于局部线性嵌入流行学习(Locally linear embedding,LLE)的模糊C均值模型评估轴承当前运行状态。通过IMS滚动轴承全寿命试验,验证了该方法能够有效描绘滚动轴承性能退化阶段,为预知维修提供了重要信息。     

利用多传感器信号指标的风扇状态监测方法研究

本文提出一种基于多传感器信号指标的风扇状态监测方法。首先使用多种常用的传感器对风扇进行拾取信号,采集不同状态下的多种传感器信号,并且计算出信号的指标;然后采用主成分分析法（PCA）对多传感器信号指标进行降维处理,提取可以表征风扇运行状态的主要成分指标;最后使用对非线性特征指标进行学习具有优势的循环神经网络（RNN）进行预测分析,实现对风扇状态的有效监测和故障识别,并通过实验验证了本文方法的有效性。     

基于KPCA-HSMM设备退化状态识别与故障预测方法研究

为消除多通道观测信息冗余,压缩高维故障特征,提出基于KPCA多通道特征信息融合的HSMM设备退化状态识别与故障预测新方法.首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量,然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量,并以此向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器与故障预测模型,从而实现设备退化状态识别与故障预测.将其应用到滚动轴承的退化状态识别与故障预测中,验证了该方法的有效性.     

数字化制造装备的主轴服役性能监测与诊断

数字化制造是先进制造的核心技术,实现制造过程的数字化定量描述是推进数字化制造的关键.主轴部件是数控装备的最重要部件之一,针对主轴中最易损伤的轴承,研究了新的时频分析方法S变换,获得主轴振动信号的时频分布,采用奇异值分解技术对所获得的时频矩阵进行数据压缩,从而定量提取振动信号的故障特征.数值仿真和试验研究结果表明该方法对于主轴轴承运行状态具有较高的识别精度,为数字化制造装备的主轴服役性能评估提供了新思路.     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

基于神经网络的多特征融合刀具磨损量识别

采用切削力信号监测钻削过程钻头的磨损量 ,分别从时域、频域提取了切削力信号的均值、方差、峭度系数和特定频段能量作为刀具磨损的特征信号 ,讨论了特征信号随着刀具磨损量增加的变化规律 ,并将各个特征信号构成的特征矢量输入多层反传神经网络进行融合 ,实现钻削过程刀具磨损量的智能识别。试验结果表明该方法能有效实现多特征融合 ,但识别精度和推广能力有待进一步提高     

基于MDFF和DCNN-SVM混合网络的滚动轴承故障诊断研究

针对滚动轴承的故障类型比较多，且具有明显的不确定性，采集的单一的信号往往包含各种冗余信息且容易受到噪声信号的干扰，文章提出基于多域特征融合(multi-domain featurefusion,MDFF)和DCNN-SVM的滚动轴承故障诊断研究。通过对多个传感器采集轴承的振动信号，通过时域、频域和完备自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)等方法进行特征提取，利用随机森林算法对敏感特征进行筛选，降低特征维度，将优化后的敏感特征值分别输入到DCNN网络中进行自适应特征提取。利用DCNN网络改变各个敏感特征量的权重值，进行综合训练，获得多域融合特征量，输入到支持向量机中进行故障诊断。通过设置多组对比试验可知，提出的方法的识别准确率达到96.82%，比人工-SVM识别准确率提高19.95%，可以有效实现对滚动轴承故障状态的全面诊断，具有一定的应用价值。     

局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

柔性材料卷对卷系统多域特征参数提取

由于柔性材料卷对卷系统辊轴的运行状态会直接影响产品质量,非常有必要对辊轴的运行状态进行实时监测,并根据监测数据制定出合理的预防性维护策略,以保证加工设备平稳运行。采用滑动平均法对样本数据滤波降噪预处理,并对降噪后的样本数据进行多域特征参数提取,包括时域提取、频域提取和基于EMD分解的时频域提取。最终实现了从海量样本中提取到多维特征变量用于性能衰退分析。在不影响有效特征信息的情况下,通过剔除噪声信号来提高设备性能衰退趋势预测的准确度,具有一定的参考意义。     

基于PCA和SVM的内燃机故障诊断

为有效对内燃机运行状态进行评估,根据内燃机振动信号特征和故障样本较少的特点,提出了基于主分量分析和支持向量机进行内燃机状态判别的故障诊断方法。提取内燃机振动特征参数,利用主分量分析消除其信息冗余,提取反映内燃机运行状态的主分量特征,实现内燃机振动特征参数降维。通过选择适合内燃机振动信号的径向基核函数,构造一对多的支持向量机多类分类器,对主分量特征进行训练学习,实现内燃机运行状态判别。通过对模拟内燃机不同运行状态的试验分析,结果表明该方法可以有效识别内燃机不同的运行状态。