基于KJADE的列车轴承轨边声学诊断方法研究

为在线诊断运行列车的轴承状态,提出一种基于核特征矩阵联合近似对角化(kernel joint approximate diagonalization of eigen-matrices,简称KJADE)的列车轴承轨边声学故障诊断方法。首先,从校正后的轨边信号中提取原始特征,将其通过非线性映射函数映射到高维特征空间;其次,对特征空间的核矩阵进行四阶累积量的特征分解,获得新融合特征,并采用支持向量机分类器对融合特征进行辨识;最后,对轴承外圈、内圈、滚子故障和正常4种状态下的列车轨边声学信号进行分析。结果表明,该方法可以有效实现对列车轴承轨边声音信号的非线性特征提取,提高了故障的识别率。     

基于特征贡献率的机械故障分类方法

为提高往复压缩机、航空发动机等复杂机械故障分类的准确率，依据特征参数对不同故障的敏感度存在差异的特性，提出一种狄利克雷过程混合模型(Dirichlet process mixture model,简称DPMM)与贝叶斯推断贡献(Bayesian inference contribution,简称BIC)相结合的分析方法。采用DPMM方法自学习机械振动信号高维特征的统计分布模型，并依据BIC理论计算得到各特征参数对模型的贡献率，通过对比观测数据与各类故障数据特征贡献率间的差异实现故障分类。试验结果表明，该方法的平均分类准确率比基于高斯混合模型(Gaussian mixture model,简称GMM)的故障诊断方法的平均分类准确率提高19.29%，比基于Relief算法的故障诊断方法的平均分类准确率提高32.71%，且该方法的时效性高，泛化性能强，能够更有效地进行复杂机械故障分类。     

一种新型DSCNN-GRU结构的减速机轴承故障诊断方法

结合深度学习理论,将一维卷积神经网络运用于振动信号故障诊断,相较于传统方法,提取特征简单且高效。为进一步优化一维卷积结构,弥补其在信号所有位置的寻找模式,联系周期内的故障特征,提出一种新型DSCNN-GRU网络。该模型融合了深度可分离卷积的轻量快捷,降低了一维卷积结构参数;加入门控机制,可记忆分析故障点的信号特征,联系周期内的信号关系,更好地捕捉信号故障特征,提升对时间序列的敏感性。提出一种跟踪梯度优化Adam算法,解决模型随时间窗振荡问题。通过采集的减速机滚动轴承数据研究表明,该算法平均故障识别率可达94%以上,分类效果明显,泛化能力强。     

基于小波时频图和卷积神经网络的断路器故障诊断分析

高压断路器操动机构振动信号为非平稳性信号,蕴含着丰富的操动机构工作状态的信息,对操动机构工作状态的检验辨识具有重大意义。提出一种基于小波时频图和卷积神经网络的断路器故障诊断方法。对操动机构振动信号进行连续小波变换生成时频图(CWT),并对时频图进行统一压缩预处理;将预处理后的时频图作为特征图输入卷积神经网络AlexNet模型;通过对网络参数的调整,逐步改进网络模型,有监督地实现对操动机构故障状态的辨识诊断。结果表明,该方法能够有效地运用于断路器操动机构故障辨识诊断,与小波频带能量-RBF、小波频带能量-SVM的故障识别相比,故障识别准确率最高。     

元胞自动机模型在航空发动机故障诊断中的应用

航空发动机一般在高温、高压和高速转动的状态下工作，因此很难获取其全生命周期试验数据。针对无完整生命周期数据的小样本集合进行设计，提出一种基于元胞自动机的航空发动机故障诊断方法，该方法在获取发动机故障特征信息之后，利用元胞的扩散机制获取故障模式的分类边界。其优势在于:在给定的数据集前提下,可以利用较少的运行时间来约减给定的规则样本;可以利用积累或迭代的方式来分步获得原给定样本集的一致性子集。同时，算法的可积累性、运算时间可控等特点，使得该算法能连续应用在航空发动机试验样本数据集由小样本持续增加到大样本的过程中。该方法的应用对发动机的故障诊断的研究具有重要的指导意义。     

TD300型矿用带式输送机托辊故障的诊断研究

基于正常与故障的TD300型皮带托辊的振动信号,以信号频域特征为分析对象,对比故障与正常的振动信号,提取故障信号特征值,并应用一种新局部均值分解方法 LDM,将轴承频域信号分解,得到故障特征频率,最终获得了准确的故障源频率。结果表明故障频率为57 Hz,验证了轴承内圈存在故障。     

现代大型设备故障智能诊断技术的现状与展望

针对大型复杂工业控制设备的特点,从优化方法和优化策略的角度对近年来智能故障诊断技术在复杂动态不确定环境下的研究进行了综述,并指出了目前存在的问题和未来的研究方向。