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VPNRS-RF的飞机液压系统故障诊断模型

针对飞机液压系统故障诊断特征值冗余难以精准获取和准确率不高的问题,提出一种基于变精度邻域粗糙集（Variable Precision Neighborhood Rough Set,VPNRS）和随机森林（Random Forest,RF）相结合的特征选择算法,并以此为基础建立飞机液压系统故障诊断模型。VPNRS-RF算法主要是利用随机森林算法分别对变精度邻域和模糊熵粗糙集约简后的特征进行重要度排序,再次筛选后确定最优特征子集,使用最优特征子集对在线贯序极限学习机（OSELM）分类模型进行训练,从而提高故障信息获取准确率。最后以飞机起落架收放系统为例进行仿真研究,验证了VPNRS-RFOSELM模型的优越性。     

基于Focal Loss的GBDT改进分类算法研究

为了解决传统分类算法梯度提升决策树(Gradient Boosting Decision Tree,GBDT)在多分类情况下由于样本不平衡和数据量大的情况下收敛速度较慢的不足,提出基于焦点损失(Focal Loss,FL)的FLGBDT算法。该算法与AdaBoost的主要区别在于采用基于概率的简单形式来修改样本权重,减少计算量,提高了收敛速度。利用癌症患者的RNA基因序列数据集进行训练与验证,并与原始GBDT、随机森林(Random Forest,RF)算法所得到的数据进行对比分析,结果表明FLGBDT与原始GBDT算法相比有更快的收敛速度、与RF算法相比具有更快的收敛速度和更高的精度。     

基于增强聚类分割与L-峭度的Teager能量算子解调诊断轴向柱塞泵故障

振动信号中的周期性脉冲对于轴向柱塞泵故障诊断具有重要意义,但在工作状态下,轴向柱塞泵的振动信号经常会受到背景噪声和柱塞往复运动引起的自然周期性脉冲的污染,故障特征提取是轴向柱塞泵故障诊断的一个难点。为解决这个问题,提出基于增强聚类分割与L-峭度的Teager能量算子解调方法。与传统的聚类分割方法不同,增强后的算法是一种两周期的方法,能够有效从背景噪声和自然周期性脉冲中提取故障特征。L-峭度在识别周期性脉冲方面与峭度类似,但不像峭度对离群值那么敏感。Teager能量算子解调计算简便,比传统的希尔伯特解调更适合用来进行故障特征提取。为说明该方法的可行性,进行仿真模拟和试验数据研究,并将结果与传统的聚类分割方法进行了比较。结果表明,该方法能够有效地检测轴向柱塞泵的缸体和轴承故障。     

小样本下基于原型网络的轴向柱塞泵故障诊断模型

在实际工程应用中，有限的故障样本数量及噪声都影响轴向柱塞泵故障诊断的效果，所以，如何提高模型在小样本、噪声条件下轴向柱塞泵故障诊断的性能是一个亟待解决的问题。在样本数量有限、噪声条件下，采用基于深度学习的故障诊断方法会出现过拟合、诊断准确率下降的问题，为此，提出了一种小样本条件下基于原型网络的轴向柱塞泵故障诊断模型(方法)。首先，搭建了轴向柱塞泵故障诊断模型，并等量随机抽取了每个故障的样本以构建多个任务，模型使用一维卷积神经网络作为主干，每个任务中包含当前模型、支持集、查询集；然后，利用模型将样本映射到特征空间，在特征空间中，模型使用支持集的同类样本构建了原型点，并逐个将查询集样本与多个原型点进行了距离度量，实现了轴向柱塞泵不同故障的分类；最后，为了验证基于原型网络的轴向柱塞泵故障诊断模型的有效性，采集了轴向柱塞泵不同元件发生故障时产生的振动信号，并使用上述诊断模型对此进行了故障识别实验；为了验证该诊断模型的优越性，将其与基于卷积神经网络等的模型进行了性能对比。实验结果表明：在样本有限的条件下，采用基于原型网络的轴向柱塞泵故障诊断模型的准确率达到85%以上；同时，在噪声条件下，采用基于...     

基于能量增强的双斜式轴向柱塞泵滑靴磨损故障诊断方法

针对盾构机等大型设备用双斜式轴向柱塞泵故障诊断中滑靴磨损故障特征信号易被湮没的问题,提出了一种基于能量增强的双斜式轴向柱塞泵滑靴磨损故障诊断方法。首先,考虑到双斜式柱塞泵滑靴磨损会造成轴向、径向两个方向的振动,对发生滑靴磨损故障下的泵的力学特性进行分析,确定了敏感频率范围;其次,考虑到故障信号易被湮没,将轴向和径向的振动信号分别进行小波包分解,进而得到轴向和径向的振动信号的能量谱,并将轴向与径向敏感频率范围内的能量谱进行叠加,增强故障特征;最后基于试验数据进行验证,对比正常状态与滑靴故障状态下的能量谱,可以有效提高故障诊断的准确度。     

基于BO-LightGBM混合模型的热轧带钢板凸度预测

为了满足日益增长的热轧带钢板凸度预测要求，建立了基于贝叶斯优化(Bayesian Optimization,BO)结合轻量梯度提升机(Light Gradient Boosting Machine,Light GBM)的板凸度预测模型BO-Light GBM。首先通过贝塞尔公式去除异常值，并经过五点三次平滑降噪。其次，建立Light GBM模型进行板凸度预测，最后通过贝叶斯优化算法选择最优参数，得到最优的模型，并与梯度提升决策树(Gradient Boosting Decision Tree,GBDT)、极端梯度增强(Extreme Gradient Boosting,XGBoost)和随机森林(Random Forest,RF)模型XGBoost、GBDT、RF算法进行比较。实验表明，基于BO-light GBM的板凸度预测模型优于XGBoost、GBDT、RF模型，对测试集预测的决定系数(Coefficient of Determination,R²)、平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square...     

多特征信息融合的贝叶斯网络故障诊断方法研究

针对轴向柱塞泵故障特征的模糊性和不完备性特点,提出一种多特征信息融合与贝叶斯网络相结合的故障诊断方法。该方法从柱塞泵采集的振动信号中提取出频域和幅域的多个故障特征,并将这些特征当作来自多个不同传感器的多源信息。利用贝叶斯参数估计算法进行多特征信息融合。通过构造贝叶斯网络并建立贝叶斯分类器来简化融合后的结果,通过最大后验概率估计值的计算进行故障识别。经过轴向柱塞泵多故障模式的诊断实验,验证了该方法能够有效地实现柱塞泵柱塞松靴和脱靴故障的诊断。     

柱塞泵故障的阈值自适应诊断方法研究

为准确诊断轴向柱塞泵故障,避免因负载工况变化导致的虚警误判,提出多特征参量阈值自适应故障诊断方法。研究了该方法特征参量的选取、阈值区间的确定及变载工况下阈值自适应计算,定性地分析了该型柱塞泵的振动特性及故障机理,揭示了柱塞泵主要故障模式下的振动信号特征规律,实验结果表明,阈值自适应故障诊断方法能准确检测变负载工况下的柱塞泵配流盘磨损故障,为开展轴向柱塞泵可靠性评估及故障诊断研究提供了重要的理论依据。     

基于多传感器数据融合和深度残差收缩网络的轴向柱塞泵故障诊断

为了解决单传感器振动信息不能全面表达柱塞泵故障特征信息的问题，提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先，采用多传感器对振动信号进行采集，完善振动信号的故障特征信息。其次，针对振动信号的非平稳、非线性等特征，提出基于多元多尺度散布熵的多通道融合方法，获取一维故障特征向量，从而达到增强故障冲击特征的目的。然后，将故障特征向量输入到深度残差收缩网络模型，通过注意力机制，利用软阈值函数降低样本噪声及无关特征干扰，实现轴向柱塞泵故障特征识别。最后，通过轴向柱塞泵故障诊断试验验证所提方法的有效性。试验结果表明，该方法可有效提取振动信号的故障特征，识别正确率明显高于典型的深度学习方法。     

Fault diagnosis of axial piston pumps with multi-sensor data and convolutional neural network

Axial piston pumps have wide applications in hydraulic systems for power transmission. Their condition monitoring and fault diagnosis are essential in ensuring the safety and reliability of the entire hydraulic system. Vibration and discharge pressure signals are two common signals used for the fault diagnosis of axial piston pumps because of their sensitivity to pump health conditions. However, most of the previous fault diagnosis methods only used vibration or pressure signal, and literatures related to multi-sensor data fusion for the pump fault diagnosis are limited. This paper presents an end-to-end multi-sensor data fusion method for the fault diagnosis of axial piston pumps. The vibration and pressure signals under different pump health conditions are fused into RGB images and then recognized by a convolutional neural network. Experiments were performed on an axial piston pump to confirm the effectiveness of the proposed method. Results show that the proposed multi-sensor data fusion method greatly improves the fault diagnosis of axial piston pumps in terms of accuracy and robustness and has better diagnostic performance than other existing diagnosis methods.     

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。     

基于小波包变换和GA-PLS算法的故障特征选择方法

为了提高故障诊断的分类精度,减小分类运算时间等问题,需要从原始特征集合中选择出更为优化的特征子集合,因此,提出了一种基于小波包变换和GA-PLS算法的特征选择方法。首先,采用小波包变换对提取出的振动信号进行分解,从而得到小波包的分解系数;其次,运用遗传算法 偏最小二乘法从原始信号和小波包系数的统计学特征中选择出最优特征集;最后,将最优特征集作为输入,输入到支持向量机中以实现对不同故障的诊断与识别。应用于轴向柱塞泵故障诊断中,与现有特征选择方法对比,实验结果验证了本研究特征选择方法的有效性。     

Minimum entropy deconvolution based on simulation-determined band pass filter to detect faults in axial piston pump bearings

The fault diagnosis of axial piston pumps is of significance for enhancing the reliability and security of hydraulic systems. Most of the faults occurring in the mechanical components of piston pumps are exhibited as fault-excited impulses. However, the strong impact-induced natural periodic impulses under the common working conditions (i.e. reciprocating motion of pistons) inevitably cause interference that considerably affects the fault detection performance. In this study, a simulation-determined band pass filter is employed to improve the performance of minimum entropy deconvolution (MED) for the fault diagnosis of axial piston pump bearings. First, a finite element method (FEM) simulation is performed to determine the possible carrier frequency. Second, the carrier frequency is used as the center frequency in association with a fixed bandwidth to determine the band pass filter parameters. Finally, the MED technique is applied to enhance weak fault-excited impulses by means of kurtosis maximization. Thereafter, envelope spectrum analysis is applied to the enhanced signals to obtain faulty feature frequencies. Two case studies are conducted, using bearings with faults in the outer and inner races of an axial piston pumps under common working conditions. The case studies confirm the necessity and effectiveness of the proposed method for detecting bearings faults in axial piston pumps.     

基于随机卷积核与孤立森林柱塞泵异常检测方法

液压柱塞泵出口压力脉动信号近似于周期信号,有比较明确的物理含义,携带着丰富的泵的健康状态信息,是柱塞泵健康管理比较理想的信号源。利用柱塞泵出口压力上的脉动成分,提出一种基于随机卷积核的柱塞泵异常检测方法,只需柱塞泵在正常工况下的压力脉动数据即可具备检测异常压力脉动数据的能力。该方法包括波形划分、异常数据段检测2个阶段：采用基于动态时间规整(Dynamic Time Warping, DTW)数据划分算法对柱塞泵压力脉动原始数据进行分割,获取压力脉动数据段以构建数据集;基于大量一维随机卷积核提取特征,获取正常状态下压力脉动数据段特征;使用孤立森林算法对基于随机卷积核提取的特征进行异常检测。该方法在真实数据集上的表现,表明其对于异常波形的判断有优异的表现,且查准率较单一孤立森林算法提升了6.3%。     

基于局部s变换和极限学习机的柱塞泵滑靴磨损故障诊断

针对轴向柱塞泵结构复杂、故障信号微弱且易受噪声干扰难以进行故障模式识别的问题,提出一种基于局部s变换和极限学习机的柱塞泵故障诊断方法,对不同程度滑靴磨损故障进行诊断。采集柱塞泵在正常和不同故障状态下的振动信号进行局部s变换,对不同的特征向量组进行定性和定量比较,选择提取s矩阵最大奇异值、转轴振动基频能量占比和柱塞振动基频能量占比共三维特征向量,将特征向量输入极限学习机完成故障模式的识别,识别精度可达99%以上。最后将极限学习机与支撑向量机分类结果进行对比,证明所提故障诊断方法可以用较少的特征向量获得较高的诊断精度。     

VMD能量熵与随机森林相结合的齿轮故障诊断

针对齿轮故障的非线性、非稳定性特点和单个分类器在故障诊断中准确率低的问题,提出了一种基于变分模态分解(VMD)和随机森林(RF)的齿轮故障识别方法。首先,采用变分模态分解将振动信号分解成有限个本征模态函数(IMFs),并与总体平均经验模态分解对比其分解效果;其次,计算各模态函数的能量熵,将能量熵作为评判齿轮状态的标准,构建特征向量;最后,将特征向量输入随机森林进行故障分类。结果表明,与支持向量机(SVM)识别方法对比,该方法具有较强的学习能力以及较高的诊断精度。     

轴向柱塞泵振动机理的研究现状及发展趋势

从轴向柱塞泵振动产生的危害出发,首先阐述了振动产生的机理及其复杂性,在此基础上分析了流体振动和机械振动的研究现状;接着阐述了试验分析研究与振动控制研究的现状,最后提出:发展高速高压轴向柱塞泵是其主要方向;从微观角度揭示轴向柱塞泵内流体对流量脉动及流固耦合振动的影响,结合转子动力学、非线性动力学理论等揭示轴向柱塞泵机械振动规律,是轴向柱塞泵振动机理研究的新动向;在系统内开展轴向柱塞泵故障诊断技术研究也具有重要意义。     

基于多项式Chirplet变换和变分模态分解的变转速工况轴向柱塞泵故障诊断

针对变转速工况轴向柱塞泵故障诊断时故障特征提取困难的问题,提出了基于多项式Chirplet变换和变分模态分解的诊断方法。首先使用多项式Chirplet变换估计瞬时频率;然后基于估计的瞬时频率重采样,将时域非平稳信号转化为角域平稳信号;最后对角域信号进行变分模态分解。根据峭度对所得的本征模态函数分量进行重构并作包络阶次谱分析,判断轴向柱塞泵中轴承的故障类型。实验结果表明,该方法有效提取了变转速工况轴向柱塞泵轴承的故障特征。