基于LPP与VPMCD的液压泵故障模式识别

针对液压泵振动信号复杂且难以提取有效特征量的问题,提出一种基于局部保留投影(LPP)算法的故障特征提取方法。采用集总经验模态分解(EEMD)法对液压泵振动信号进行分解,从得到的内禀模态分量(IMF)中选取敏感分量,对敏感分量进行分析并从中提取液压泵故障高维特征向量,利用局部保留投影法对高维特征向量进行融合降维,提取隐藏在高维特征空间中的故障本质信息,即敏感特征向量。基于变量预测模型的模式识别(VPMCD)算法实现模式识别的良好性能,提出采用VPMCD算法实现液压泵故障模式识别。基于提取的敏感特征集,建立各状态敏感特征的变量预测模型,进而实现液压泵的故障识别,实测液压泵振动信号分析结果验证了所提出液压泵故障模式识别方法的有效性。通过对比分析验证了所提出方法的良好性能。     

基于RQA和V-VPMCD的滚动轴承故障识别方法

多变量预测模型模式识别(variable predictive model based class discriminate,简称VPMCD)利用样本特征值内在的相关性来建立特征学习模型,但是当训练样本较少时会导致模型预测不准确,因此提出了基于递归定量分析(recurrence quantification analysis,简称RQA)和投票法多变量预测模型模式识别(voted variable predictive model based class discriminate,简称V-VPMCD)的故障识别方法。该方法利用了递归定量分析对非线性、非平稳信号分析的鲁棒性和样本质量不高时处理的优势,以VPMCD作为分类方法,并用投票法优化了VPMCD方法,提升了算法的稳定性和识别率。对滚动轴承不同程度、不同类型故障的模式识别实验表明,该优化算法具有较高的识别准确率和稳定性。     

基于Morlet小波-SVD和VPMCD的故障诊断方法研究

如何在含有噪声的振动信号中提取特征参数,是轴承故障诊断的关键问题,为此提出一种基于Morlet小波-奇异值分解(Singular Value Decomposition,SVD)和变量预测模型模式识别(Variable Predictive Model Based Class Discriminate,VPMCD)的故障诊断方法。首先对时域采样信号进行Morlet小波变换预处理,将所得时频系数矩阵进行SVD分析,根据奇异值曲率谱特征滤除噪声,以提取相应尺度下的微弱故障信息;然后自适应选取最佳尺度附近的分量信号,并将Shannon能量熵作为特征参数,以此构建特征向量,用于建立基于VPMCD的故障识别模型。实验采用5折交叉验证法及Jackknife检验法对所提方法进行检验,结果证明了所提方法的有效性。     

VPMCD和模糊熵在转子系统故障诊断中的应用

针对转子系统的故障特征,提出了基于多变量预测模型（variable predictive mode based class discriminate,简称VPMCD）和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数（intrinsic mode function,简称IMF）分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。     

基于LCD降噪和VPMCD的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(LCD)降噪和多变量预测模型(VPMCD)的滚动轴承故障诊断方法。该方法首先采用LCD对滚动轴承振动信号进行降噪;然后计算降噪后信号在不同维数下的模糊熵,并以模糊熵为特征值,采用VPMCD方法建立模糊熵的预测模型;最后用所建立的模型来预测待分类样本的特征值,把预测结果作为分类依据进行模式识别。实验分析结果表明,采用LCD方法降噪可以有效地提高VPMCD的分类性能,与神经网络、支持向量机等分类器相比,VPMCD方法可以更准确、更有效地识别滚动轴承的工作状态和故障类型。     

VMD的AR模型和关联维数在齿轮故障特征提取中的应用

针对齿轮故障信号的非线性及常伴有大量噪声干扰的问题,提出一种基于变分模态分解(VMD)的自回归(AR)模型和关联维数相结合的故障特征提取方法。该方法采用VMD将齿轮振动信号分解为一系列固有模态函数(IMF),通过频域互相关系数准则选取对信号特征敏感的IMF分量进行信号重构,对重构信号建立AR模型,并以AR模型自回归参数的关联维数作为特征量对齿轮的工作状态和故障类型进行识别。通过实测齿轮振动信号的分析,证明了所提方法的有效性。     

基于嵌入式SRVPMCD的模式识别方法

针对多变量预测模型（VPMCD）模式识别方法的固有缺陷和机械故障特征难以选择的难题,即特征维数较多时对时效性的影响和特征选择需要引入主观因素的现状,提出了一种基于嵌入式的逐步回归多变量预测模型（SRVPMCD）模式识别方法。该方法首先通过逐步回归引入变量并计算其显著水平,建立只包含显著特征值的预测模型,同时实现嵌入式特征选择和建模分类的功能,然后用所建立的预测模型来预测待分类样本的特征值,最后把预测结果作为分类依据进行模式识别。对滚动轴承故障信号的分析结果表明,基于嵌入式SRVPMCD的模式识别方法可以实现特征选择和分类的双重功能,在保证识别精度的前提下,比原VPMCD方法及其组合方法可以更快地识别滚动轴承的工作状态和故障类型。     

基于多尺度样本熵和VPMCD的自动机故障诊断

针对自动机故障诊断过程中振动信号的非线性、非平稳性、非周期性导致的故障特征较难提取,以及故障识别率偏低这一问题,提出了一种基于多尺度样本熵和多变量预测模型(variable predictive model-based class discriminate,简称VPMCD)的自动机故障诊断方法。首先,对采集到的信号进行小波阈值降噪处理;其次,利用小波包分解的方法对振动信号进行分解,得到多个尺度下的信号分量;然后,计算不同尺度下信号的样本熵值,并提取对故障特征较为敏感的尺度因子,组成故障特征向量;最后,利用多变量预测模型对故障特征向量进行训练和识别,进而实现自动机的故障诊断。自动机故障诊断试验分析结果表明,利用多尺度样本熵和多变量预测模型的方法可以准确识别多种典型的自动机故障类型。     

基于MCKD和VMD关联维数的轴承故障特征提取AR模型

针对滚动轴承早期故障易受噪声影响难以准确提取特征信息的问题,提出了一种基于最大相关峭度解卷积(MCKD)和变分模态分解(VMD)关联维数的故障诊断AR模型.采用MCKD对滚动轴承振动信号进行降噪处理,滤除噪声影响;对降噪后的信号进行VMD分解,选择对故障特征敏感的IMF分量进行信号重构,并对重构信号建立AR模型,获取自回归参数;计算在指定嵌入维数上自回归参数的关联维数,对滚动轴承的故障进行诊断.实验结果表明,所提方法能够有效提取故障信号中的特征信息,证明了方法的有效性.     

利用时序模型参数指标的齿轮故障诊断研究

对齿轮故障诊断方法进行研究,针对齿轮箱早期故障特征不明显,研究一种时序模型参数指标的诊断方法.利用齿轮故障模拟实验台采集了齿轮正常、早期裂纹与磨损的振动信号,应用时序AR模型将参数指标作为判据,实现了此三种故障模式的分类和诊断.结果表明,时序模型参数指标诊断法,对于故障的分类和检测是一种有效的诊断方法.     

基于ICA相关系数和VPMCD的滚动轴承故障诊断

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明,该方法能够有效应用于滚动轴承故障诊断。     

A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition

Essentially the fault diagnosis of roller bearing is a process of pattern recognition. However, existing pattern recognition method failed to capitalize on the nature of multivariate associations between the extracted fault features. Targeting such limitation, a new pattern recognition method – variable predictive model based class discriminate (VPMCD) is introduced into roller bearing fault identification. The VPMCD consider that all or part of the feature values will exhibit interactions in nature and these associations will have different performances between different classes, which is always true in practice when faults occur in roller bearings. Target to the characteristics of non-stationary and amplitude-modulated and frequency-modulated (AM–FM) of vibration signal picked up under variable speed condition, a fault diagnosis method based upon the VPMCD, order tracking technique and local mean decomposition (LMD) is put forward and applied to the roller bearing fault identification. Firstly, LMD and order tracking analysis method are combined to extract the fault features of roller bearing vibration signals under variable speed condition; Secondly, the feature values are regard as the input of VPMCD classifier; finally, the working condition and fault patterns of the roller bearings are identified automatically by the output of VPMCD classifier. The analysis results from experimental signals with normal and defective roller bearings indicate that the proposed fault diagnosis approach can distinguish the roller bearing status-with or without fault and fault patterns under variable speed condition accurately and effectively.     

基于OC-VPMCD和ITD的滚动轴承故障诊断方法

基于变量预测模型的模式识别方法可以充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型并以预测误差平方和值最小为判别函数进行分类。基于此,提出了一种新的一类分类方法--单类基于变量预测模型的模式识别（OC-VPMCD）方法,将该方法与本征时间尺度分解（ITD）方法相结合并应用于滚动轴承故障诊断。首先采用ITD对滚动轴承振动信号进行分解并对包含主要故障信息的若干固有旋转（PR）分量提取排列熵作为故障特征值;然后对OC-VPMCD分类器进行训练,并确定预测误差平方和阈值;最后进行OC-VPMCD模式识别,根据模式识别结果判断滚动轴承的工作状态正常与否。实验数据分析结果表明,该方法能够有效地应用于滚动轴承振动信号的故障诊断。     

强噪声背景下的滚动轴承故障微弱信号检测新方法

分析共振解调技术和小波变换在滚动轴承故障诊断中存在的不足,提出一种用于提取滚动轴承微弱信号的新方法,该方法将时间序列模型(AR模型)和多重自相关方法应用于滚动轴承信号降噪,再利用小波包络分析,提取出反映滚动轴承故障的特征频率。通过对新方法包络谱特征的自动提取,实现了基于支持向量机(SVM)的智能诊断。实际试验验证了新方法的正确有效性。