基于ITD模糊熵和GG聚类的滚动轴承故障诊断

提出了一种本征时间尺度分解模糊熵和GG模糊聚类的滚动轴承故障诊断方法。首先,将滚动轴承的振动信号进行ITD分解,得到若干个固有旋转分量和一个趋势项。然后,将PR分量分别与原始信号进行相关性分析,筛选出前3个含主要特征信息的PR分量,并将筛选的PR分量的模糊熵作为特征向量。最后,将特征向量输入到GG分类器中进行聚类识别。通过模糊熵、样本熵和近似熵对比,实验结果表明模糊熵能更好的表征故障信号的特征信息;通过GG聚类、GK 聚类和FCM聚类对比,实验结果表明GG聚类效果明显优于FCM、GK的聚类效果。因此,实验证明了基于ITD模糊熵和GG聚类的滚动轴承故障诊断方法的有效性和优越性。     

基于GG模糊聚类的滚动轴承退化阶段划分研究

针对滚动轴承退化特征提取以及性能退化阶段准确划分的问题,采用Logistic混沌映射,对谱熵在复杂度演化中的变化规律进行了研究。提出了一种基于均方根、谱熵、"弯曲时间参数"特征以及GG模糊聚类的滚动轴承退化阶段划分方法,并采用IMS轴承实验中心的滚动轴承全寿命试验数据进行了实例分析。研究结果表明:谱熵参数能够有效描述性能退化过程中的复杂度变化规律,对复杂度变化十分敏感,计算速度快;引入的Curved Time参数能够反映退化状态在时间尺度上的集聚特性,更符合机械设备的性能退化规律,因此GG模糊聚类方法能够实现对轴承等机械设备性能退化阶段的准确划分。     

模糊聚类在机械故障诊断中的应用

介绍了模糊C均值聚类算法在机械故障诊断中的应用.以滚动轴承故障特征值的聚类中心来评定故障类别收到了良好的效果.与其他方法相比,模糊聚类方法实现只需要少量样本,从而使诊断工作量与诊断时间大为减少.     

基于分形理论的旋转机械故障诊断及其应用

将分形的有关理论与旋转机械故障诊断联系起来,论述了分形维数的基本概念,研究了用相空间重构法求取关联维数的相关算法,并结合实例探讨了分形维数在机械故障诊断中的应用。     

基于LMD近似熵和FCM聚类的机械故障诊断研究

提出一种基于局部均值分解(local mean decomposition,LMD)近似熵和模糊C均值聚类(fuzzy C-means clustering,FCM)相结合的机械故障诊断方法.首先对机械振动信号进行LMD分解,得到若干具有物理意义的乘积函数(product function,PF)分量,再通过相关性分析,筛选出与原始信号相关性最大的3个分量作为数据源,求取其近似熵作为特征向量,最后通过FCM模糊聚类对特征向量进行识别分类.实验表明,基于LMD近似熵和FCM模糊聚类相结合的方法对机械故障信号能够有效准确地进行识别分类,此外,将该方法与基于EMD近似熵和FCM结合的方法进行对比,结果表明该方法具有更好的故障识别效果.     

基于分形理论的旋转机械故障诊断及其应用

将分形的有关理论与旋转机械故障诊断联系起来,论述了分形维数的基本概念,研究了用相空间重构法求取关联维数的相关算法,探讨了分形维数在机械故障诊断中的应用。     

基于DLMD样本熵和模糊聚类的滚动轴承故障诊断

针对传统的局部均值分解(LMD)方法不能有效提取微弱高频信号成分的问题,提出了一种基于微分的微分局部均值分解(DLMD)方法,在此基础上,将DLMD、样本熵和模糊聚类分析相结合,提出了一种基于DLMD样本熵和模糊聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行微分局部均值分解,得到若干具有物理意义的乘积函数(PF)分量,然后求取各PF分量的样本熵并将其作为特征向量,最后通过模糊聚类对特征向量进行识别分类。实验结果表明,基于DLMD样本熵和模糊聚类相结合的方法能够准确、有效地对滚动轴承故障信号进行识别分类。     

基于ITD分形模糊熵的轴承早期故障诊断

针对滚动轴承早期故障振动信号信噪比低、单一故障特征难以实现在整个复杂非线性状态空间上准确分类的局限,提出了基于本征时间尺度分解(intrinsic time-scale decomposition,简称ITD)和分形模糊熵的轴承早期故障智能诊断方法.首先,利用改进的ITD方法将包含大量背景噪声的非线性非平稳振动信号自适应地分解为不同频段的合理旋转(proper rotation,简称PR)分量;然后,提取蕴含故障信息的PR分量的分形维数和模糊熵,组成联合特征向量;最后,采用适合小样本模式识别的最小二乘支持矢量机(least squares support vectors machine,简称LSSVM)方法对故障类型进行分类.通过4种运行状态的滚动轴承实验表明,该方法能有效性地应用于滚动轴承早期故障智能诊断.     

基于卡尔曼滤波和数学形态学分形分析的齿轮箱故障诊断

针对传统信号时频分析方法不适用于处理非平稳信号的问题,利用齿轮箱时域振动信号建立系统的AR模型,采用最小二乘法计算模型参数,利用AIC信息准则确定系统阶次,并构建状态空间模型进行卡尔曼滤波降噪。用数学形态学分形维数计算方法计算滤波后信号的分形维数,并将其应用到实际齿轮正常、齿面磨损、齿根裂纹和断齿信号的分析中。对实测信号分析结果表明,基于卡尔曼滤波和数学形态学分形分析方法能够有效识别齿轮故障类型,为齿轮箱故障诊断提供一种新的特征提取方法。     

多重分形在旋转机械故障诊断中的应用

针对旋转机械故障特点 ,提出利用多重分形广义维数来描述信号特征 ;以振动信号模式空间样本库为基础 ,给出利用维数相关系数进行故障识别的旋转机械故障诊断方法。应用于圆盘故障诊断 ,效果令人满意     

模糊逻辑系统在机械故障诊断中的应用

对几种常用的故障诊断方法进行综合分析,给出模糊逻辑相关算法及模糊逻辑系统故障诊断法,由此建立基于模糊逻辑系统的故障智能诊断系统,并将该法运用于液压系统故障诊断。研究表明,此法能有效地解决工程实践的故障诊断。     

基于模糊积分的空分设备故障诊断

D-S证据理论作为空间数据融合的方法应用于工业设备的故障诊断中,具有很好的效果,但是对于具有时间特性的设备故障,就必须考虑时间域上的数据融合才能得到设备故障的准确模式。该文提出了将模糊积分方法用于时间域上的数据融合,并应用于空分设备的故障诊断中。通过仿真实验证明,模糊积分数据融合方法可以有效地提高空分设备故障诊断的可靠性和故障识别率。     

基于二级模糊综合评判的液压系统故障诊断研究

在液压系统故障诊断中,由于故障原因繁多且相互交织和影响,导致设备故障具有一定的模糊性.传统的诊断方法以专家的经验为主,容易产生误诊的现象.以某叉车液压系统为例,应用模糊综合评判理论错容性好、评判方法简单等特点,对其故障进行智能分析,达到可靠、高效评价的目的.     

基于粒子群优化LS-WSVM的旋转机械故障诊断

为了更好地进行旋转机械故障诊断,提出一种粒子群优化(particle swarm optimization,PSO)最小二乘小波支持向量机(least square wavelet support vector machine,LS-WSVM)的故障诊断模型.先将故障信号经验模式分解(empirical mode decomposition,EMD)为多个内禀模态分量(intrinsic mode function,IMF)之和,再提取表征故障特征的IMF分量能量构造特征向量输入到PSO优化的LS-WSVM进行故障模式识别.EMD分解可自适应提取故障特征信号,PSO参数优化可快速准确得到LS-WSVM的全局最优参数,提高LS-WSVM的故障诊断精度和自适应诊断能力.通过滚动轴承的故障模拟实验验证了该方法的有效性.     

基于多元经验模态分解的旋转机械早期故障诊断方法*

针对旋转机械早期微弱故障诊断问题,提出了基于多元经验模态分解的旋转机械早期故障诊断新方法。首先将多个加速度传感器合理布置在轴承座的关键位置,同步采集多通道振动信息;再利用多元经验模态分解同时对多通道振动信号进行自适应分解,得到一系列多元IMF分量;最后,依据峭度准则和相关系数从中选取包含故障主要信息的IMF分量进行信号重构,提取故障特征。多元经验模态分解方法克服了EMD等方法在进行多通道数据融合时缺乏理论依据的局限性。仿真信号和旋转机械故障信号的实验结果表明,该方法明显优于EEMD方法,对齿轮和滚动轴承故障的检测精度更高,可以在强背景噪声情况下更好地提取出故障冲击特征。     

基于模糊理论的机械设备故障诊断方法

以机械设备的故障特点的研究为基础,应用模糊数学理论,结合经验分析,建立了机械设备故障的模糊诊断模型,提出了机械设备的模糊诊断方法,并结合实例介绍了这一方法的具体应用．     

基于模糊概率Petri网系统的故障诊断仿真研究

利用面向对象思想、高级Petri网技术、模糊及概率理论,建立了一种描述复杂系统故障关系的模型.着重介绍了基于该模型的故障诊断仿真控制策略,包括控制层策略和操作层策略.讨论了该模型的网元素实现,定义了5个库所类、5个变迁类、1个模糊概率Petri对象类、1个模糊概率Petri对象类的派生类和3个Token对象类,并给出了基于该模型的故障诊断仿真算法.最后,介绍了基于该模型的故障诊断仿真系统设计,并以简单的仿真实验验证了模型及仿真算法的适用性.     

一种基于聚类的滚动轴承故障诊断方法

近年来,机器学习技术在故障智能诊断领域得到了广泛的应用,聚类作为最主要的无监督学习技术在基于机器学习的故障智能诊断中占有重要的地位。滚动轴承故障诊断中,传统的频谱分析法通常采用共振解调技术,但当内圈、滚动体或多点故障时,产生复合调制,从解调谱线很难分辨故障类型。针对此,提出了一种新的基于模糊聚类的滚动轴承故障诊断方法,该方法以模糊Fisher准则为聚类目标,通过对待测样本与已知状态样本数据聚类,求得待测样本隶属度,进而判断滚动轴承的故障类型。实验结果表明该方法是有效的。     

模糊数学在阀门故障诊断中的应用

针对阀门故障诊断的复杂性和模糊性，运用模糊数学对阀门的故障症状和故障原因的关系进行了分析，得到模糊关系矩阵，建立了阀门故障诊断的模糊数学模型。通过安全阀的故障诊断实例，验证了模型的可行性和实用性。