基于改进多项式响应面的VPMCD方法及其在滚动轴承故障诊断中的应用

基于变量预测模型的模式识别(Variable predictive model based class discriminate,简称VPMCD)方法在训练过程中是用多项式响应面(Polynomial Response Surface,简称PRS)法来建立预测模型的,然而PRS法的模型拟合精度不能随训练样本容量的增加而显著提高。针对这一缺陷,将原方法中的PRS方法进行了改进,提出了基于改进多项式响应面(Improved Polynomial Response Surface,简称IPRS)的VPMCD方法,并将其应用于滚动轴承故障诊断。通过实验,将原方法和改进方法在训练样本容量不同情况下的模式分类精度进行对比,结果表明,相对于原VPMCD方法,改进的VPMCD方法不仅具有更好的模式分类效果,而且其分类精度随训练样本容量的增加提高得更明显。     

机械故障智能诊断的诊断知识获取新发展问题

对实现机械故障智能决策的诊断知识获取方式进行了系统性分析。分析得出,通过机器学习获得诊断机器智能的信息处理技术,为解决诊断知识获取难题指明了发展的新方向。但数据库的知识发现问题研究所提出的基本要求也表明,要基于这种新知识处理方式获得诊断机器智能,则需解决好由此而引发出的对诊断知识资源实施妥善保护等新问题。     

探讨高压断路器机械故障诊断方法

针对高压断路器的机械故障诊断问题,阐述了近十年来国内外高压断路器机械故障振动诊断的方法。从振动信号的特征提取、故障识别的角度,对其进行了具体的分析。     

往复机械故障分析及诊断方法

往复式机械设备的结构复杂,运行不平稳,其故障诊断技术有待深入研究.文中对往复机械的常见故障进行了介绍,并介绍了在往复机械状态监测与故障诊断中常用的监测信号、信号特征提取方法及故障识剐方法,比较了各种监测信号及特征提取方法的优劣,并分析了制约往复式机械故障诊断发展的技术难点,并针对性地提出了解决这些技术难点的方法或可能的发展方向.     

往复机械故障分析及诊断方法

往复式机械设备的结构复杂,运行不平稳,其故障诊断技术有待深入研究。文中对往复机械的常见故障进行了介绍,并介绍了在往复机械状态监测与故障诊断中常用的监测信号、信号特征提取方法及故障识别方法,比较了各种监测信号及特征提取方法的优劣,并分析了制约往复式机械故障诊断发展的技术难点,并针对性地提出了解决这些技术难点的方法或可能的发展方向。     

机器学习分布式网络传输异常数据智能检测方法

对于链路状态数据库的网络传输异常数据检测存在检测数据不完整、较为敏感、检测效率差的问题,提出基于机器学习的分布式网络传输异常数据智能检测方法,通过K最近邻分簇算法对分布式网络节点实施分簇,利用贝叶斯分类算法检测簇头是否出现异常;确定异常簇后,选取小波阈值降噪方法对异常簇内数据进行降噪处理,在此基础上,采用遗传算法检测降...     

基于自适应滤波的机械故障诊断方法研究

本文提出了一种基于自适应滤波的机械故障诊断方法。该方法适用于较复杂机械的故障诊断和一些相关图和周期图不是信号功率谱密度的可靠估计的场合，通过采用自适应滤波去除背景噪声，分离出泵阀的故障信号。该方法尤其适用于信噪比低的非平稳信号。此外，文中还讨论了该方法的优势和不足，实例分析表明该方法对于机械故障诊断是有效的。     

优化遗传神经网络及其在机械故障诊断中的应用

提出了一种改进的遗传神经网络算法,该算法综合了遗传算法的全局性和神经网络的并行快速性等特点,有利于克服神经网络存在易陷入局部极小和收敛速度慢的问题,达到了优化网络的目的.此算法应用于磨机故障诊断,通过试验得出对故障模式的识别精度较高,具有较好的应用前景.     

支持向量机及其在机械故障诊断中的应用

支持向量机（SVM）是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性。对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍,讨论了支持向量机的特点和存在的问题,展望了其在机械故障诊断的研究前景。     

机械故障诊断技术中的信号处理方法：时域分析

应用信号处理方法对振动信号进行特征提取的技术是机械设备故障诊断领域的重要研究方向。常用的机械设备故障诊断领域的信号处理方法主要包括时域分析、频域分析和时频分析。针对常用的振动信号处理方法,总结多种算法的特征和优缺点。根据常见机械设备关键构件的振动特征,选择不同的信号处理和特征提取算法进行分析,以便提高多种构件、多类故障的特征提取精度和可靠性,从而为有效地实现机械设备的故障提供参考。     

机械故障诊断技术中的信号处理方法：时频分析

当机械设备的振动信号为非平稳信号和时变信号这类特殊信号时，时域分析和频域分析因其自身的局限，无法取得很好的分析效果，需要使用时间和频率的联合函数来表示信号，即信号的时频表示。针对常用的时频分析振动信号处理方法，总结多种算法的特征和优缺点。根据常见机械设备关键构件的振动特征，选择不同的信号处理和特征提取算法进行分析，以便提高多种构件、多类故障的特征提取精度和可靠性，从而为有效地实现机械设备的故障提供参考和指导。     

MDCNet轴承智能故障诊断方法研究

目的 为解决轴承故障特征时频图像难以识别的问题,在进行时频图像训练和学习故障特征的基础上,提出新的故障诊断方法。方法 本文提出一种MDCNet网络,该网络由多尺寸卷积核模块（Multi-Size Convolution Kernel Module）、双通道池化层（Dual-Channel Pooling Layer）和跨阶段部分网络（Cross Stage Partial Network）组成。首先,将采集的振动信号经过同步压缩变换,得到信号的瞬时频率图像,然后输入神经网络获得故障诊断结果。结果 将提出的方法在西储大学轴承数据集进行预测,准确率达到了99.9%。与AlexNet、VGG–16、Resnet等传统方法进行对比试验,结果表明MDCNet方法分类精度可达99.9%,高于传统方法的分类精度（95.70%、98.51%、97.64%）。结论 结果表明,本文所提出方法的预测准确率高于其他方法的,验证了该方法在包装机械故障诊断中是可行的。     

基于注意力BiGRU的机械故障诊断方法研究

为了解决机械故障诊断领域传统方法自适应性差、参数选择过于依赖人工的问题,提出了一种基于循环神经网络的机械故障诊断算法.该方法利用预处理后的机械振动信号,搭建了双向门控循环单元的故障诊断模型,并进行了基于注意力机制的模型优化,提高了特征提取效率.经过美国凯斯西储大学轴承数据集以及自采集的柴油机故障实验数据验证,相比于传统...     

RS-LOD方法及其在旋转机械故障特征提取中的应用

局部波动特征分解(LOD)方法是一种新的自适应时频分析方法。该方法通过采用微分、坐标域变换、分段线性变换三种运算,可以高效地将信号自适应分解为一系列的单一波动分量(MOC),非常适合于处理多分量信号。然而,由于分段线性变换的使用,虽可以显著提高算法的计算效率,但会使MOC分量缺乏光滑性,从而导致失真。对此,将样条曲线形状可调可控的有理样条函数引入LOD方法替代分段线性变换,提出了基于有理样条函数的局部波动特征分解(RS-LOD)方法。在详细阐述RS-LOD分解原理的基础上,通过仿真信号将RS-LOD、LOD和经验模态分解(EMD)进行了对比分析,结果表明RS-LOD方法可以明显改善原LOD方法中MOC分量光滑度差的问题。此外,针对旋转机械故障振动信号的多分量调制特点,将RS-LOD方法应用于旋转机械的故障特征提取,对滚动轴承和齿轮箱故障振动信号的分析结果表明,RS-LOD方法可以有效地提取旋转机械振动信号的故障特征。     

基于证据理论的断路器机械故障诊断方法

研究了证据理论在高压断路器故障诊断中的应用。探讨了D-S证据理论的有效性问题,并在失效性情况下提供了一种证据理论的改进方法以解决D—S算法在实现过程中存在的证据冲突问题。通过仿真实验,对该方法的有效性进行了验证。     

基于数据挖掘和机器学习的诊断智能研究

用粗糙集理论智能数据分析工具,对从诊断实例数据库中的诊断知识挖掘、基于诊断实例数据资源的神经网络模式识别实现方式进行了探讨.强调了数据资源中诊断知识蕴涵的必要性.建立了充分利用数据库中存储的故障实例知识资源的诊断智能知识获取和机器学习模型.该模型利用粗糙集理论的等价类概念实现诊断知识获取,等价类与所获取规则之间的映射关系作为神经网络训练的样本集.该机器学习模型的协调应用有助于逐步提高诊断系统的机器智能.     

机械故障智能诊断的研究

本研究概述了机械故障,说明了智能故障诊断设计及实现等内容。     

应用Bootstrap方法构造机械故障特征库

由于生产实际中往我法采集到大量故障样本以建立故障特征库，本文应用Bootstrap技术在小样本情况下建立故障特征库，讨论了如何根据各种指标在变工况下的稳定程度选择故障特征的问题，作为实例，本文以火车车轮滚动轴承在四种状态下振动信号的功率谱上，按谱峰的稳定程度选择作为特征指标，并应用所提出的方法对确定的指标进行统计模拟，构建了相应的故障特征库，说明了构造机械故障特征库的算法步骤，在这际中证明：状态辨识良好，最后，本文将所提方法应用到旋转机械故障诊断中，实践表明，这种方法解决了在机械故障诊断特征指标的提取和置信区估计的问题，是简单实用和可行的。     

基于深度张量投影网络的机械故障诊断方法研究

针对现有的、基于深度卷积神经网络的故障诊断方法利用池化层对高阶输入张量降维时容易破坏张量数据,造成数据信息丢失,以及网络结构相对复杂的不足,构造了一种深度张量投影网络。该网络利用张量投影层代替传统卷积神经网络中的池化层,在对输入的高阶张量数据进行降维时,不会对张量数据造成破坏,避免了特征信息的丢失,提高了模型对故障的识别准确率;并且张量投影层是一种维度可变的降维层,可以简化网络结构。在此基础上,结合高阶谱和深度张量投影网络各自的优点,提出了基于深度张量投影网络的机械故障诊断方法。在提出的方法中,利用高阶谱提取故障信号特征,将得到的高阶张量谱图输入到构建的深度张量投影网络模型中进行高阶张量降维和识别。提出的方法成功应用到齿轮箱故障诊断中。实验结果表明,所提方法能够更好地保留原始故障信息,有效识别不同类型的故障,准确率优于传统深度卷积神经网络故障诊断方法。     

基于核极限学习机的旋转机械故障诊断方法

传统的旋转机械故障诊断存在需人工干预、诊断精度低等问题。为更好诊断旋转机械故障,提出基于核极限学习机的旋转机械故障诊断方法。首先在正常状态和转子不平衡、转子不对中、轴承座松动3种故障状态下采集旋转机械的振动信号,降噪后提取各频段小波能量作为故障特征,以此为基础建立基于核极限学习机的旋转机械故障诊断模型。在旋转机械故障模拟实验台上进行的应用实验表明,KELM方法比ELM有更高的稳定性,KELM的故障诊断准确率大于99%,诊断性能优于极限学习机和支持向量机。