基于SILPDA的旋转机械故障诊断方法EI北大核心CSCD

针对故障特征集因“维数灾难”导致的故障分类困难现状,提出了一种基于强化内蕴局部保持判别分析(strengthened intrinsic local preserving discriminant analysis, SILPDA)的故障特征集降维算法。该算法将强化的多流形内蕴模型与局部相似度矩阵融入目标函数的构建中,期间充分考虑了数据集的多流形结构特征并且保留了样本的局部结构信息,使降维后的低维特征子集易于实施分类运算,继而实现提高故障辨识精度的效果。利用转子试验台振动信号集合构建的原始故障特征集对算法性能进行了验证。结果表明,该算法能够从原始故障数据集中提取出利于实施分类运算的敏感特征子集,这些特征子集将会使不同故障类别之间的边界变得更加清晰,最终相较于局部保持投影(locality preserving projections, LPP)、线性判别分析(linear discriminant analysis, LDA)、局部边缘判别投影(locality margin discriminant projection, LMDP)等算法可实现更好的故障辨识效果。对于提高旋转机械大数据资源的价值密度,该算法提供了一种优化数据结构模型的理论依据。     

基于数据挖掘的数据库技术在转子故障知识发现中的应用方法研究

针对故障知识获取这一瓶颈难题,对基于数据挖掘的数据库技术去实现故障知识规则自动发现的方法进行了研究;在SQLSERVER 2005平台上,利用该平台提供的数据挖掘决策树算法,采用了将决策树算法与数据库系统的性能进行高效耦合的数据处理模式,建立了一种利用故障数据集自动获取故障知识规则的数据处理流程;最后利用转子故障实验获得的故障特征数据集进行的验证表明,该流程具有通过对故障数据集进行实时处理,自动建立起一种描述故障知识的决策树模型,并且通过对决策树枝进行结构元素的描述,可自动生成故障知识规则集合的功能;结果表明,SQL SERVER 2005数据挖掘平台提供的决策树算法,为基于故障数据资源的驱动挖掘出故障知识提供了一种新途径。     

止推轴承对多自由度柔性转子稳定性的影响

利用试验模太分析技术，在双跨三支承、多自由度柔性转子试验台上，试验研究了止推轴承及其间隙的改变对转子系统的稳定必的影响，通过对转子支承中不装止推轴承、装止推轴承且在两种轴向间隙状态下的三组试验的对照，证实止推轴承能有效地提高柔性多自由度转子系统稳定性。     

多尺度卷积神经网络小样本轴承故障辨识方法

针对基于深度学习的故障辨识方法工程应用准确率受制于样本数量与质量的问题，提出一种多尺度卷积神经网络（novel multi-scale convolutional neural network，简称NMS-CNN）故障辨识方法。首先，对滚动轴承的振动信号进行快速傅里叶变换（fast Fourier transform，简称FFT）获取其频域数据；其次，利用多尺度卷积提取频域数据中的多粒度敏感特征，并使用实例归一化技术（instance normalization，简称IN）对特征图进行归一化；然后，采取注意力机制对多尺度特征进行自适应加权并进一步使用卷积提取深层抽象特征；最后，使用softmax分类器完成故障辨识任务。经过实验验证，所提方法能够在较少训练样本下完成故障辨识任务，并且其抗噪性与泛化性均优于其他智能故障辨识算法。     

SVD-LMD联合降噪和TEO的滚动轴承故障诊断

针对随机噪声背景下滚动轴承局部损伤信息提取困难的问题,提出了一种奇异值分解(Singular value decomposition,SVD)和局部均值分解(Local mean decomposition,LMD)联合降噪,并结合Teager能量算子(Teager energy operator,TEO)的特征提取新方法.首先,利用SVD方法对滚动轴承故障振动信号进行处理,初步剔除背景噪声;然后,使用LMD方法分解降噪后的信号,依据相关系数指标筛分出敏感乘积函数(Product function,PF)并加以重构;最后,对重构的信号进行TEO解调分析,将解调谱中幅值突出的频率成分与故障特征频率理论值进行对比,提取故障信息.结果表明,该方法可有效提取轴承局部损伤的特征频率,最终实现故障诊断.     

基于QPSO⁃MPE的滚动轴承故障识别方法

为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性。     

IWO与BPNN混合智能算法在 转子故障诊断中的应用

在经典IWO杂草算法的基础上提出一种适用于神经网络优化的新算法。该算法将多种结构的神经网络权值阈值编码为不同维度的杂草种子，以神经网络均方误差作为种子适应度的统一评价标准，同时对多个维度的杂草种子进行排序筛选，实现了神经网络权值阈值与结构同时优化的目的。应用该方法于转子系统故障分类问题，实验结果表明该方法可以在结合BP算法优势的同时有效优化神经网络各参数，可以得到分类精度高、结构最简且泛化能力强的神经网络故障分类器。     

转子故障特征数据分类的KPCA-BFDA方法

对非线性转子系统故障特征数据的分类方法进行了研究.在提出一种偏费歇判别分析法(biased fisher discriminatory analysis,简称BFDA)的前提下,进一步提出将核主成分分析法(kernel principal component analysis,简称KPCA)与偏费歇判别分析法相结合的数据集降维方法,该方法中的核主成分分析步骤用于构造剔除数据集冗余信息的降维数据集,偏费歇判别分析步骤用于进一步降低数据集维数并提高不同类别数据子集间的分离程度.对实例数据与典型故障数据的分类结果表明,提出的偏费歇判别分析法在具备费歇判别分析降维可分性能的基础上,具有更低计算复杂度的特点.提出的核主成分分析结合偏费歇判别分析的算法,其对应的降维结果能直接应用于线性分类器,且取得了较好的分类效果.     

强脉冲干扰非线性混叠转子故障信号分离

由于旋转机械在运行过程中,传感器测得的振动信号是各振源的混叠信号且含有很强的噪声,常规的信号处理方法难以分离混叠信号,对设备的状态监测和故障诊断造成了很大的困难。针对这一问题,介绍了盲源分离基本原理和方法,指出源分离算法在脉冲噪声环境下失效。针对强脉冲噪声环境下的混叠振动信号,首先,通过中值滤波降噪方法对振动信号进行降噪;然后,通过盲源分离算法对降噪后的信号分离;最后,利用该方法对实测混叠转子振动信号成功实现了降噪和故障信号分离。仿真结果验证了提出方法的有效性。     

基于滑动窗口相似性因子分析的不均衡故障数据分类研究

针对机械装备监测过程中不均衡故障数据难以辨识,提出了一种基于滑动窗口相似性因子分析方法。该方法引入滑动窗口技术,通过分析目标数据与历史数据的PCA相似性因子,从旧的过程数据中筛选出与诊断目标相似的数据,构成待选数据池;然后采用距离相似性因子,从待选数据池中选择出与目标数据最相似的数据用于辅助训练。将该方法用于转子故障的不均衡数据分类中,在不同偏斜率下采用KPCA-SVM方法进行故障分类。结果表明:该方法可有效地改善分类决策边界,降低由样本不均衡而引起的误诊断率。