轴承早期故障特征提取方法研究

针对滚动轴承早期故障信号被背景噪声淹没、故障特征不明显的问题,提出一种基于小波包分解和互补集合经验模态分解(CEEMD)的轴承早期故障信号特征提取方法.利用Matlab软件对采集到的轴承振动信号进行快速谱峭度分析,根据峭度最大化原则确定带通滤波器的中心频率和带宽,设计带通滤波器;对经过带通滤波器滤波后的信号进行小波包分解和CEEMD分解,根据峭度、相关系数筛选出有效本征模态函数(IMF)分量;利用IMF分量重构小波包信号,对重构小波包信号进行包络谱分析,提取轴承早期故障信号特征频率.该方法通过谱峭度分析降低背景噪声干扰,通过小波包分解增强故障冲击信号,并将CEEMD与小波包分解相结合,解决经典EMD分解存在的模态混叠、无效分量问题.仿真结果表明,相较于传统包络解调算法,重构后信号的背景噪声得到抑制,故障特征分量突出,验证了所提方法的可行性和有效性.     

基于自适应时序分解的空气污染物浓度预测

为准确、有效地预测空气污染物浓度,建立了基于自适应完整集成经验模态分解(CEEMDAN)和排列熵(PE)的门控循环单元(GRU)空气污染物预测模型。首先利用CEEMDAN算法对非线性信号的自适应分解能力将原始序列分解为一组不同频率、复杂度的固有模态函数(IMF)和一个残差分量(REC),其次根据PE算法将复杂度相近的IMF分量和REC一起进行重新组合,最后将重组后的子序列分别使用GRU模型进行预测,并将子序列预测结果相加得到最终预测结果。实验结果表明,基于CEEMDAN-PE-GRU模型预测的误差明显低于其他模型,验证了该模型对空气污染物浓度预测的有效性。     

基于改进希尔伯特黄变换的电机故障特征提取方法研究

电机的故障特征信号一般为非平稳信号,而基于线性、平稳假定的传统故障特征提取方法不能准确提取非平稳信号的时频变化特征,针对这一问题,本文采用了更适于分析非线性非平稳信号的希尔伯特-黄变换（HHT）,提出了结合集合经验模态分解（EEMD）与灰色关联度的方法进行电机故障特征提取,验证了EEMD抑制模态混叠问题的可行性以及灰色关联度方法识别虚假分量的有效性。并进一步对实际电机故障信号实验分析,利用BP人工神经网络对提取的特征向量进行故障识别,证明了该方法可以有效提高电机故障特征提取的准确性。     

无人直升机尾桨轴承超声信号故障映射模型

无人直升机被广泛应用于军事民用领域中执行高危任务,对其进行健康维护具有重要意义。尾桨轴承是无人直升机尾桨的关键零件,关系到无人直升机的平衡与航向控制。传统基于振动信号的监测诊断方法易受环境噪音干扰,诊断算法也易受噪声混叠影响。为解决以上问题,提出了一种基于超声信号的无人机尾桨轴承故障映射模型。首先,采集轴承不同故障状态下的超声信号。然后,利用自适应噪声完备集合经验模态分解(CEEMDAN)算法将信号分解,对分解后的信号分量计算各类熵值并融合构造特征向量。最后,将特征向量输送到基于粒子群优化算法的最小二乘支持向量机中建立特征向量与故障类型的映射模型,实现故障诊断。该方法在超声信号下对尾桨轴承早期故障诊断具有有效性和敏感性。     

基于FCEEMD复合筛选的故障特征提取方法

针对快速集成经验模态分解(FEEMD)和固有模态函数(IMF)选择方法的缺陷,提出一种基于快速互补总体经验模态分解(FCEEMD)复合筛选的故障特征提取方法。首先,引入符号相反的成对的白噪声来中和FEEMD中的残余噪声,抑制IMF之间的模态混叠并得到一系列新的IMF;然后,基于能量及相关系数构建复合筛选模型并根据筛选得到的有效IMF构建重构信号;最后,通过希尔伯特(Hilbert)包络解调提取重构信号中包含的周期性脉冲特征来诊断轴承故障。凯斯西储大学(CWRU)轴承数据集上的实验结果表明,该方法能高效、准确地提取出轴承故障特征,在旋转机械故障诊断中有借鉴意义和应用前景。     

转子系统早期碰摩故障特征提取方法研究

航空发动机转子系统是发动机的核心部件,针对发动机转子系统早期碰摩故障难以检测的特点,通过对碰摩机理分析及早期故障特征的研究,提出了基于小波变换对原始信号降噪和虚拟仪器对转子系统振动数据采集相结合的方法,对转子系统早期碰摩故障特征进行提取,并在转子试验台上进行了实验验证。结果表明,采用LabVIEW程序采集转子系统振动数据并存储,然后应用小波变换进行数据分析和处理,能够对转子早期碰摩故障特征进行有效地提取。     

基于CEEMDAN和小波熵的心音信号去噪算法研究

针对传统心音去噪算法可能丢失部分重要心音信息问题,提出了一种自适应噪声完备经验模态分解(CEEMDAN)和小波熵结合的心音信号去噪算法。算法通过CEEMDAN将心音信号自适应分解成多个本征模态函数(IMFs),基于各阶本征模态的能量分析判别信噪分界点,对含噪IMF分量采用小波熵自适应阈值去噪后,与信号IMF分量重构,得到去噪后的心音信号。仿真结果显示,在不同信噪比条件下,上述算法均能明显提高心音信号的信噪比,降低均方根误差,优于其它传统去噪算法,具有良好地抑制噪声能力。     

基于MEMD的高速列车转向架故障的排列熵特征分析

在监测高速列车转向架工作状态时,针对列车运动自由度数目多、不同监测点数据相关性强的特点,提出了多元经验模态分解和排列熵相结合的故障特征提取方法。首先利用多元经验模态分解对高速列车转向架7种不同工况的振动信号进行多通道同步联合分析,获取不同数据通道间的共同模式。利用相关系数选取反映故障信号特征的有效本征模态函数来重构原始故障信号,计算重构信号的排列熵作为故障特征。最后采用支持向量机进行故障状态分类识别。实验结果表明,列车在各种运行速度下均能达到85%以上的分类效果,验证了该方法的有效性。     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。     

基于Stacking集成学习的风机主轴止推轴承故障预警研究

主轴止推轴承是风机的关键部件,一旦发生故障,将导致机组遭受严重损失。为实现风电机组主轴止推轴承早期故障预警,及早采取维护措施从而避免故障的进一步扩大。本文以风机主轴止推轴承温度为研究对象,提出一种基于风电机组正常运行状态下数据采集与监视控制(SCADA)的Stacking故障提前预警模型。首先,本文利用四个单一模型的拟合优度与均方误差比对特征进行综合排序,得到4组不同数量梯度特征组合的数据集。其次,通过对单一模型的预测性能以及相关性进行分析,最终确定以XGBoost、LightGBM以及随机森林作为基学习器,XGBoost作为元学习器建立Stacking集成学习预测模型。实验结果表明,基于Stacking模型对主轴止推轴承温度进行预测效果最好,预测误差相较于基模型有明显提升。最后,计算模型温度预测的均方根误差（RMSE）,并基于指数加权移动平均法(Exponential Weighted Moving Average,EWMA)设定主轴止推轴承正常状态下误差阈值。实验结果显示,本文建立的Stacking模型对风机主轴止推轴承故障至少可以提前6小时发出故障预警。     

基于改进HHT的风力发电系统轴承故障诊断

轴承是风力发电机组中故障率较高的部件,其故障信号为非线性、非平稳信号,经验模态分解是一种自适应的信号处理方法,可用来分析此类信号,但是模态混叠使得经验模态分解无法准确地将固有模态分离出来。针对此问题,采用总体平均经验模态分解进行改进,利用高斯白噪声的频率均匀分布的统计特性,抑制模态混叠现象,并通过计算固有模态函数与故障信号的互信息来剔除虚假分量,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。仿真试验及轴承故障诊断实例均证明了该方法的有效性。     

The Research of Wind Turbine Fault Diagnoses Based on Data Mining

Wind turbine is the key equipments of the wind farm, the distribution area is wide, and the working condition is poor, in the event of failure, caused by the loss and consequences are incalculable. Therefore, in order to ensure the safe and stable operation, it is necessary to research the fault diagnosis for the wind turbine. As the wind turbine produces vast amounts of data in the daily monitoring process, these data imply a large number of potential rules, and meet the necessary conditions for data mining. So the authors can use data mining technology to diagnose potential faults. This paper introduces methods and process of data mining and the rough set technology in wind turbine fault diagnosis applications, finally an example is analyzed to verify.     

基于遗传算法的故障特征优化研究

故障原始样本特征集中往往存在着冗余和不相关的分量。为了提高故障诊断系统的快速性和准确性,有必要采取适当的方法对故障诊断系统进行特征优化。为此提出了一种基于遗传算法的故障特征优化方法。方法对基本遗传算法的种群初始化方法,并对运算子进行了改进,同时利用支持向量机分类识别率构造遗传算法的适应度函数。通过对汽轮机减速箱轴承故障样本数据特征优化实例分析,结果表明方法能够得到更有利于分类的特征子集,使得故障诊断的准确率和计算效率都得到了改善,为关键设备状态监控与故障诊断提供了更为可靠的依据。     

基于和声蚁群耦合算法的风电机组齿轮箱故障诊断

基于和声搜索和蚁群算法优化后的BP神经网络,提出一种风电机组齿轮箱故障诊断方法。将蚁群算法的信息素更新机制用于和声搜索算法中,提高和声搜索算法的收敛速度,并利用和声搜索算法的个体扰动策略和随机搜索机制改善蚁群算法过早收敛的问题。利用该方法对BP神经网络的权值和阈值进行优化,克服BP神经网络算法易陷入局部最优解的缺点,提高神经网络的训练效率和收敛速度。测试结果表明,该方法诊断结果正确且精度高,将经和声蚁群耦合算法优化后的BP神经网络用于风电机组齿轮箱故障诊断是有效的。     

人脸检测中基于自适应ICA的特征提取算法

如何从图片中提取出有效特征来区分人脸与非人脸一直是一个难题.文中提出了利用自适应独立成分分析(Self-Adaptive ICA)算法对图像结构信息非常敏感的特点,有效地从大量正面人脸图片中分离出人脸的局部特征,从而利用这些局部特征基底有效地表示人脸图片.自适应ICA算法的优点是能自适应的拟合图像数据的统计性质,而不用预先设定.通过比较待检测的人脸图片与非人脸图片在这组特征基底上的投影系数,可以较好的区分二者.实验结果也表明这种特征提取方法可以找到一组很好的人脸特征基底.使用这种方法构造的弱分类器的分类准确率在相同的误检率下比Boosted Cascaded方法中的弱分类器高1% ～ 1.5%.     

基于SSAE-SVM的滚动轴承故障诊断方法研究

针对现有滚动轴承故障诊断方法过度依赖于有监督学习算法的问题,提出一种基于堆栈稀疏自编码和支持向量机(SSAE-SVM)的滚动轴承故障诊断方法.利用堆栈稀疏自编码(SSAE)的频域深层特征学习能力,对轴承故障特征进行快速傅里叶变换和批归一化处理,再输入到SSAE网络.所构建的SSAE网络通过贪婪算法逐层训练,使用梯度下降...     

基于VMD-INFORMER-LOF算法的变频器故障提前预警研究

针对风电机组变频器故障时常伴随剧烈温度变化的特点,本文提出一种基于VMD-Informer-LOF算法的故障检测方法。方案综合考虑风机状态变量对变频器的影响,利用变分模态分解(Variational Mode Decomposition, VMD)提取电流电压等电信号的平稳变化分量与高频干扰噪声,并结合Permutation Importance筛选对温度具有高灵敏性的变量。同时,基于故障时温度呈现为过低温,或过高温的特点,将Informer预测温度值和SCADA(Supervisory Control And Data Acquisition)系统实测值重组为二维序列,结合局部异常因子(Local outlier factor, LOF)算法识别变频器不同状态下的温度模式,进而实现高效的异常识别。经实验验证,本文所提出的VMD-Informer模型的温度预测拟合优度能够达到0.9841,效果优于LSTM(Long Short Term Memory)、XGBoost(Extreme Gradient Boosting)等时序预测方法;同时,结合滑动窗口划分数据,LOF算法能够有效对窗口内异常数据进行识别,在故障率阈值为0.2的情况下,能够实现提前约14小时发现故障,显著提高了故障预警效果。     

信息熵加权的HOG特征提取算法研究

针对人脸图像中不同部位所含的信息熵不同,对识别的影响程度不同等因素,提出了一种信息熵加权的HOG特征提取方法。该算法将待识别的人脸图像进行分块,对分块后的图像进行HOG特征提取,计算每块图像所含的信息熵作为权重系数加到各个分块中形成新的HOG特征,通过PCA算法对特征进行降维,得到信息熵加权的HOG特征。通过在ORL和YALE实验结果表明,该算法相较于其他传统识别方法具有更高的识别精度和准确度,并且对于人脸在光照、姿态表情等干扰因素下均具有良好的有效性和鲁棒性。