基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法

针对表征齿轮故障特征信息难提取与极限学习机输入权值与隐含层节点阈值随机选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法。该方法首先将齿轮振动信号经过小波包分解,再利用分解所得各节点信号与原信号的相关系数选取出最优节点并计算其能量特征;其次,利用蝙蝠算法优化极限学习机的输入权值与隐含层节点阈值,建立BA-ELM的齿轮故障分类模型;最后,将所得小波包最优节点能量特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明,与基于SVM和ELM的故障分类方法相比,基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

利用小波包和SVDD的分拣机轴承故障诊断

针对邮政分拣机供包台轴承故障识别精度较低问题,展开一种基于小波包结合支持向量数据描述的振动故障辨识研究。运用小波变换对检测的振动信号进行降噪,再利用统计分析、共振解调和小波包技术从预处理后的信号中提取故障特征频率和小波包能量等时、频域特征作为输入向量。通过核参数优化选取和正常类样本集训练学习,建立描述轴承正常工作状态的最小特征超球体作为预测模型并带入轴承试验台中。试验结果表明,该方法的正确识别率可以达到98%以上。     

随机森林算法在柴油机故障诊断中的应用

针对基于单一分类器的柴油发动机常见故障识别效果不够理想,泛化性较差等问题,结合实验数据探索了一种随机森林(Random Forest,RF)分类器,提出小波包分解和随机森林相结合的柴油发动机故障诊断方法。首先,对缸盖振动信号进行小波包分解,并利用分解所得的小波包重构系数计算各频带能量特征;然后,对小波包频带能量特征进行归一化处理,得到特征向量;最后,特征向量作为输入参数输入到随机森林算法中,训练得到分类模型,对柴油机常见故障进行识别。实验结果表明,随机森林方法相比于单一分类器可以更准确的识别出柴油机的运行状态,该方法在柴油发动机在线监测与故障诊断领域中具有良好的应用前景。     

基于小波包熵和ISODATA的滚动轴承故障诊断

针对滚动轴承不同振动信号各个频带的能量不同的特点,提出一种基于小波包熵（WPE）和ISODATA的集合型故障诊断方法（WPE-ISODATA）。文中对滚动轴承振动信号进行采样;利用小波包提取滚动轴承振动信号的能量特征并归一化运算,将归一化的能量特征作为振动信号的概率分布进行信息熵运算,提取滚动轴承振动信号特征;以信息熵作为ISODATA聚类算法的输入进行故障辨识。滚动轴承实验结果表明：基于小波包熵和ISODATA的集合型故障诊断方法鲁棒性好,可靠性高。     

基于量子遗传算法的轴向柱塞泵故障特征选择

为了进一步减少特征维数、缩短运算时间、提高分类正确率等,提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法,该方法采用量子位进行染色体编码,利用量子门更新种群。首先,对轴向柱塞泵振动信号进行小波包变换,提取出原始信号和各个小波包系数的统计特征;然后,利用量子遗传算法从原始特征集中选择出最优特征集;最后,以神经网络为分类器(其输入为最优特征集),对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择,试验结果表明,与普通遗传算法相比,量子遗传算法可以更有效地减少特征维数,提高分类正确率。     

基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

基于优选小波包和PSO-SVM的失火故障诊断

小波包变换在柴油机故障特征提取中应用广泛,其中,小波包基函数的选取对特征提取性能的影响至关重要。基于此提出了1种优选小波包和粒子群优化支持向量机(PSO-SVM)的失火诊断方法。首先,选择5种不同类型的离散小波包基函数分别对缸盖振动信号进行小波包多层分解;然后,计算缸盖振动信号的小波包能量与信息熵的比值,从中选择比值最大的小波包基函数作为最优的小波包基函数;进一步,采用最优小波包基函数分解缸盖振动信号并提取小波包频带能量概率密度作为特征向量,以及构造故障诊断特征集;最终,将故障诊断特征集输送到粒子群优化支持向量机中进行柴油机失火诊断识别。实验结果表明,利用最优小波包基函数提取特征具有良好的效果,同时PSO-SVM的识别准确率达到97.5%,说明了优选小波包和PSO-SVM的诊断方法是可行且有效的。     

主轴系统切削振动的ANFIS预警研究

对主轴系统切削振动状态的提前识别,可以避免切削剧烈振动的发生,对提高加工质量和切削效率,具有十分重要的理论和实际价值。基于小波包能量信息熵和高阶累计量谱理论提出了一种识别切削振动状态的特征识别矢量,并依据此建立了基于ANFIS(自适应模糊神经推理系统)的切削状态识别模型。利用小波包理论对切削振动信号的能量分布进行了研究,以信息熵的形式量化了能量分布情况。同时,利用高阶累积量谱理论中的双谱分析统计了切削振动信号的极大值分布情况,以概率的离散系数进行了量化分析。使用量化后的两种特征识别量对ANFIS模型进行了训练和验证,实验证明了模型的有效性。     

一种基于非线性流形的滚动轴承复合故障诊断方法

针对滚动轴承振动信号的非平稳以及非线性特点,提出了一种基于非线性流形的滚动轴承复合故障诊断方法。该方法首先提取振动信号的时域指标和小波包频带分解能量所构成的频域指标,组成原始特征空间,采用基于判别准则的邻域因子优化选择算法,运用基于局部切空间排列算法的非线性降维算法对原始特征空间进行学习,极大地保留了信号中内在的整体几何结构信息,从而提取出振动信号最优的敏感故障特征。试验结果表明,与经典的线性降维方法相比,该方法的聚类效果更好。     

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。     

基于多小波包和邻域粗糙集的故障诊断模型

为了解决机械设备复合故障难以正确识别的问题,提出一种基于多小波包和邻域粗糙集的机械故障诊断模型.首先,采用多小波包对原始振动信号进行分解,分别提取原始信号和各分解频带信号的时域特征组成原始特征;然后,采用邻域粗糙集方法筛选出敏感特征作为多分类支持向量机的输入,实现机械设备不同状态的自动识别.模型应用结果表明相比于传统小波包,多小波包分解够提取到更丰富的故障信息和获得较高的识别精度;邻域粗糙集能够从大量的原始特征中选择出敏感特征,减小分类算法的复杂性,进一步提高分类准确率.该模型在复合故障的诊断方面具有显著优势.     

小波包能量谱在滚动轴承故障诊断中的应用

提出了基于小波包能量谱的滚动轴承故障诊断方法。首先,以6406轴承为例采集不同工况的振动信号,然后对试验数据进行小波包变换,振动信号被分解到独立的频段,不同频带内的信号能量变化反映了运行状态的改变,提取各频带小波包能量谱为特征向量,最后应用基于模糊聚类的故障诊断方法。经对大量实测数据的处理和分析,能够比较准确地诊断出轴承的故障。     

面向转子故障特征提取的多尺度拉普拉斯特征映射方法

融合多尺度分解理论和流形学习思想,提出了一种面向转子故障特征提取的多尺度拉普拉斯特征映射算法。首先对转子故障振动信号进行多尺度小波包分解,提取各独立频带信号的最优尺度小波熵,构建特征参量矩阵并估计其固有维数,然后通过拉普拉斯特征映射将特征参量数据嵌入到低维本征空间,得到故障的最敏感特征,最后融合决策实现故障的准确识别。实验表明,相对于主成分分析算法、局部线性嵌入算法和拉普拉斯特征映射算法,多尺度拉普拉斯特征映射方法提取的转子故障信号特征更容易识别。     

基于小波包和GA-LM-BP神经网络的汽轮机故障诊断

对火电厂汽轮机转子常见的各类振动故障进行识别与诊断,可以及时发现故障并进行维修与预防。在传统故障诊断的基础上,采用基于shannon熵的最优小波包基降噪算法对原始故障信号进行去噪,利用"小波包-能量法"提取信号不同频段能量构造不同故障征兆表,并对故障特征量采用GA改进的LM-BP优化算法进行训练与识别。结果表明最优小波包基降噪效果优于硬阈值去噪,改进后的GA-LM-BP神经网络在汽轮机转子振动故障诊断精度和速度上均具有明显的改善。     

基于小波包变换的支持向量机损伤诊断方法

针对结构损伤识别中缺少实际损伤样本的问题,提出基于小波包特征提取的支持向量机结构损伤诊断方法.该方法将结构振动信号小波包分解后的频带能量,经过多传感器数据融合后作为特征向量,输入到多分类的支持向量机中,实现了结构多损伤的识别和定位.应用该方法对IASC-ASCE模型进行了分析,试验结果表明,小波包分解频带能量能够较好地反映结构的损伤特征.多传感器数据融合能够使不同传感器的信息相互补充,减小了损伤检测信息的不确定性,提高了损伤诊断准确率.     

基于能量特征和RBF神经网络的柱塞泵状态识别方法

柱塞泵状态发生改变时,其振动信号各频带的能量发生相应变化,利用各频带的能量特征可识别柱塞泵状态。基于此提出一种基于能量特征和径向基函数(radial basis function,RBF)神经网络的柱塞泵状态识别方法。首先利用改进阈值的小波包降噪方法对原信号进行降噪处理,然后对降噪后的信号进行经验模态分解(empirical modedecomposition,EMD),选取含主要状态信息的IMF(intrinsic mode functions)分量,提取能量特征作为神经网络的输入参数,识别柱塞泵的状态。同时利用小波包分析技术提取能量特征,并运用神经网络进行状态识别。应用实例表明,以EMD提取各频带能量作为特征参数的RBF神经网络状态识别方法比小波包分析提取各频带能量特征的方法具有更高的识别率,能有效地识别柱塞泵的状态。     

基于小波包变换的回转窑托轮轴承故障诊断

针对回转窑对象给出了水泥回转窑故障诊断框图。说明了水泥回转窑工艺流程和常见的水泥回转窑设备故障及原因。阐述了小波包分解方法和小波包分解的优缺点。阐述了基于小波包变换的水泥回转窑故障诊断算法,给出了基于小波包变换的轴承故障诊断流程图。对正常状态、外圈故障状态和内圈故障状态的轴承小波包变换进行分析。得到经小波包分解1~4层细节进行重构后的波形图,得到经4层小波包分解后各频带的能量分布以及重构信号的包络图。将正常状态下小波包分解后的能量频谱信号与故障状态下的进行比照,通过能量频谱信号的不同,确定正常状态和故障状态的特征信息。文中对采集到的振动信号进行小波包分解,对分解后不同频带上的信号进行功率谱计算,通过能量的改变表示某一种特征信号,再对提取到的特征信号进行Hilbert谱分析。最终,通过对特征信号的Hilbert谱分析来区分出不同的故障。     

多尺度变异粒子群优化MK-LSSVM的轴承寿命预测

提出一种基于多尺度变异粒子群优化(MSPSO)算法和多核最小二乘支持向量机(MK-LSSVM)的预测新方法用于滚动轴承寿命预测。提取小波包相对能量特征对轴承性能衰退予以描述,提出MSPSO算法对MK-LSSVM模型参数进行优化选取,构造融合多核函数的LSSVM模型实现轴承寿命估计。MK-LSSVM中多核函数的引入克服了单核LSSVM对核函数类型强依赖性的弱点,MSPSO算法中种群全局大尺度均匀变异与个体局部邻域小尺度变异搜索联合策略的提出在增强种群多样性的同时保证了粒子群局部精确搜索的能力。利用实测滚动轴承振动数据分析,验证了所提MSPSO算法在模型参数优化及优化MKLSSVM模型在滚动轴承寿命预测应用中的有效性。     

基于小波去噪的机车牵引电机轴承故障诊断仿真研究

轴承是牵引电机重要的传动部件,其性能直接影响机车的运行状态,机车运用时间过长,运行环境恶劣往往导致轴承不同程度的磨损、烧结,为降低牵引电机轴承故障率和机车维护成本,方便获取牵引电机轴承运用信息,本文提出基于小波去噪提取轴承特征的分析方法,利用LabVIEW编译软件对采集到的仿真试验台轴承振动信号进行小波包去噪处理,结合Hilbert包络分析提取去噪后信号的故障特征频率进行故障识别,为机车牵引电机故障诊断提供理论依据。