基于变分模态分解与卷积神经网络的轴承故障诊断

为解决滚动轴承在变载荷、大噪声背景下故障诊断困难及所建立智能模型泛化能力不足的问题,基于变分模态分解算法(Variational Mode Decomposition,VMD)及卷积神经网络(Convolutional Neural Network,CNN)技术提出VMD-CNN故障诊断模型.以标准轴承实验数据为研究对...     

基于工况辨识和变分模态分解的风电机组滚动轴承故障诊断

针对风电机组运行工况变化导致滚动轴承故障分类性能降低的问题,采用模糊C均值聚类进行运行工况识别,在子工况下进行相应的滚动轴承故障诊断.提出了基于变分模态分解(VMD)、AR模型以及奇异值分解的特征提取方法,将滚动轴承振动信号分解成若干个模态,采用每个模态AR模型参数、模型方差以及模态矩阵的奇异值作为特征向量,建立欧氏距离判别函数,来识别滚动轴承状态和故障类型.结果表明:该方法可以成功提取滚动轴承故障特征信息并正确判断出滚动轴承故障类型,对工况变化有更强的适应能力.     

基于变分模态分解与优化支持向量机的滚动轴承故障诊断

基于经验模态分解(EMD)算法的递归特性提出优化变分模态分解(VMD)算法,结合能量熵方法构建多模态特征矩阵,通过鲸鱼算法优化的支持向量机技术(OSVM)实现轴承的故障诊断,并验证所提算法的有效性.结果 表明:基于VMD算法和能量熵构建的多模态特征矩阵对故障的区分度优于EMD算法和能量熵方法;与现有方法相比,所提VMD...     

基于改进变分模态分解与流形学习的滚动轴承故障诊断

滚动轴承早期损伤信号特征量缺失且易被环境噪声掩盖,根据分形理论,结合灰狼优化算法(GWO)提出改进变分模态分解方法(Improved Variational Mode Decomposition, IVMD),求解各模态多种非线性特征量,并采用随机近邻嵌入理论(t-distributed Stochastic Neighbor Embedding, t-SNE)进行降维分类,以实现无监督故障诊断。基于轴承损伤实验数据,验证所提方法的可靠性。结果表明：采用IVMD所获模态与多种非线性值构建的特征矩阵更具代表性,可诊断轴承微弱故障;与现有方法相比,所提方法聚类表现更清晰,分类准确率更高,且具有良好的鲁棒性。     

基于优化变分模态分解及分形理论的风力机轴承故障诊断研究

为实现强非线性特征风力机轴承振动信号的故障诊断,基于能量残差及粒子群优化算法提出优化变分模态分解方法(OVMD),通过峭度与相关系数对分解所获各模态进行筛选以剔除无效分量后重塑振动信号。引入分形理论,分别计算滤除无关模态前后轴承不同工作状态随负载变化时分形盒维数。结果表明:经OVMD分解后未滤除无关模态的信号在区分轴承不同工况时,各电机负载下盒维数出现混叠现象,干扰对轴承故障状态的判别与分类;而采用OVMD分解滤除无关模态后重组的信号,其分形盒维数在各种负载下均可实现对轴承工作状态的识别。     

基于自适应变分模态分解及多重分形谱的风力机轴承故障分析

风力机齿轮箱轴承故障信号具有典型非线性及非平稳特性,采用自适应变分模态法对4种状态下振动信号进行分解,提出基于分形盒维数-峭度阈值法(Adaptived Variational Mode Decomposition,AVMD)对处理所得分量进行筛选,选取富含故障信息的分量进行信号重构,采用多重分形去趋势波分析方法,分析重构信号的分形特征并识别其工作状态,结果表明:基于多重分形去趋势波分析法对非稳定轴承可进行有效地故障识别;轴承振动信号具有典型分形特征,在不同时间尺度下,标度指数、广义Hurst指数与多重分形谱均可反应轴承工作状态;3种多重分形谱参数对故障类型敏感度不同,谱函数最大值对应的奇异指数对内圈故障较为敏感,峰值占比对外圈故障较为敏感,分形谱宽对滚珠故障较为敏感。     

基于变分模态分解和去趋势波动分析的柴油机振动信号去噪方法

为了解决柴油机工作时其振动信号的背景噪声对状态监测及故障诊断造成干扰这一问题,提出一种基于变分模态分解(VMD)和去趋势波动分析(DFA)的柴油机振动信号去噪方法。该方法首先利用变分模态分解将振动信号分解为若干分量,再利用去趋势波动分析分别计算各个分量的尺度指数,根据尺度指数的值选取具有长程相关性的分量进行信号的重构,以消除振动信号中噪声。将该方法应用于仿真信号和柴油机故障振动信号中,取得了良好的消噪效果。     

改进变分模态分解与去干扰包络因子的轴承故障分析

滚动轴承早期故障特征微弱且提取困难,考虑转频对故障包络信号的影响,提出改进包络谱特征因子(EDF),基于EDF提出优化变分模态分解方法(OVMD)。对滚动轴承正常、内圈及外圈状态进行OVMD分解,以EDF最大值作为筛选标准提取有效故障分量进行包络分析。结果表明:OVMD分解带有冲击分量信号,具有较高准确性,分解分量与原分量具有95%以上相似度;通过EDF最大值对分解分量进行提取,所获分量具有明显故障特征,并可排除转频对故障特征频的干扰;采用OVMD-EDF故障提取方法,并进行包络分析,可对不同故障程度的内圈、外圈故障进行精准故障诊断。     

基于改进自适应多元变分模态分解的轴承故障诊断方法研究

为解决多元变分模态分解(MVMD)经验参数设置对分解结果的影响,提出一种新的自适应多元变分模态分解(AMVMD)方法并将其应用于轴承的故障诊断方面.首先,将最小平均包络熵(MAEE)作为适应度函数,采用灰狼算法(GWO)寻求MVMD参数的最优解,并按照最优参数对原始信号进行分解.然后,计算各本征模态分量(IMF分量)的...     

基于连续小波变换系数的柴油机异响故障特征提取与诊断

用Morlet小波对EQ6BT柴油机活塞敲缸响、活塞销响的缸体振动信号进行连续小波变换,然后将所得到的小波变换系数作出尺度—能量谱以及三维能量谱图,从而实现了对柴油机异响故障的特征提取和诊断。结果表明：利用Morlet连续小波变换系数的尺度—能量谱和三维能量谱图,能够直观而有效地检测和区分EQ6BT柴油机活塞敲缸响、活塞销响两种故障及其故障的严重程度。     

基于排气噪声EMD的柴油机失火故障诊断

针对坦克柴油机失火故障诊断问题,在实车上模拟了失火故障,应用EMD对不同状态下的排气噪声信号进行了经验模态分解,利用Hilbert变换求取了主固有模态分量(IMF)的瞬时频率函数,以其围绕周期性排气噪声基频的波动方差和平均穿越率为特征参数,建立了一种诊断柴油机失火故障的方法。应用结果表明了诊断方法的可行性。     

基于优化PSO-RBF的柴油机故障诊断方法

针对传统RBF算法收敛速度慢,易于陷入局部极值的问题,提出了一种经优化的粒子群算法PSO,对RBF神经网络粒子群的改进参数、权值线性递减参数和标准参数进行训练寻优,构建出最优PSO-RBF神经网络,并将其用于柴油机的故障诊断预报。对MAN B&W 6L23/30H柴油机三种不同工况下第一缸试验参数的训练表明:改进的PSO-RBF神经网络在柴油机故障诊断中判别率更高,故障诊断的准确性与可靠性得到提高。     

基于PCA-PNN算法的柴油故障诊断研究

为了实现柴油机智能化故障诊断,提出一种基于PCA-PNN算法的柴油机故障诊断方法。该方法兼具主成分分析（principal component analysis, PCA）法降低数据维数和概率神经网络（probabilistic neural network, PNN）法计算速度快、容错率低、稳定性好的特点。利用AVL BOOST软件建立柴油机仿真模型,并进行有效性验证,采集包含12个柴油机故障特征参数的195组样本数据集。故障诊断试验表明：PCA-PNN柴油机故障诊断算法简洁、易于推理,诊断准确率为94.87%、运行时间为0.673 s,准确率更高、诊断速度更快,为探索柴油机智能化故障诊断提供新的技术路径。     

基于改进段角加速度和神经网络的柴油机失火诊断研究

针对失火故障中存在的高速轻载诊断困难,失火程度无法判别的问题,通过对比分析正常状态与失火情况下瞬时转速的特征,发现缩短段角加速度段长度,能够有效提升特征对失火故障的敏感度,同时,用神经网络方法代替阈值规则,能够很好地利用各缸特征值间的联系诊断失火。基于此,提出一种改进段角加速度和神经网络相结合的失火故障诊断方法。该方法能够实现对全转速范围单缸完全失火的诊断,且利用二级诊断的方式可以对失火程度进行有效判别,在高速轻载工况依旧具有很好的准确率。同时,提出的方法在学习阶段所需数据量小,适用于发动机失火故障的在线诊断。     

基于EEMD和LSSVM的船用柴油机故障诊断

针对船用柴油机故障诊断时振动信号的非平稳特性和难以获取大量样本的实际情况,提出一种总体经验模态分解EEMD和最小二乘支持向量机LSSVM相结合的诊断方法。运用EEMD方法对特定时段的振动信号进行分析,计算各内禀模态函数IMF,并求其包含时间信息的能量熵,以之作为特征向量输入到LSSVM分类器来判断柴油机的故障类型。经实例验证,该方法能在保持信号完整性的前提下有效提取故障特征,在小样本情况下具有较高的诊断精度、较快的诊断速度和较强的泛化能力,能有效应用于同类型机械的故障诊断。     

船舶柴油机故障诊断数据库系统设计

介绍了船舶柴油机故障诊断数据库的系统架构、数据流程、功能以及软件设计与实现。提出了多机型实船运行数据整合组建大型历史数据库策略,通过特征参数点的历史数据变化趋势与故障模式相关性分析,完成对已出现故障原因的辅助分析。可为实船提供应急故障处理方案;为实现船舶柴油机故障的自动监测和智能诊断奠定基础。     

基于数据库与专家系统的柴油机故障诊断软件开发

基于对某型实船柴油机历史运行数据以及系统结构的分析,借助专家系统开展柴油机故障诊断软件的设计和开发。着重介绍了数据库的构成及数据挖掘技术,对实现该故障诊断系统的关键技术,如故障分类、贝叶斯网络推理诊断模型、基于SVM的柴油机故障诊断与预测以及专家系统进行了分析;并对该故障诊断系统的软件实现进行了描述。     

基于多征兆融合与神经网络的柴油机故障诊断程序设计

将柴油机特定故障的各种征兆参数整合,可实现多征兆融合的故障诊断,然后采用神经网络的方法对各种故障与参数进行识别,可达到较好的诊断效果。重点介绍了神经网络的构建与程序设计,以及多征兆融合的故障识别方法。最后,通过试验及其数据分析证明了该方法的有效性。     

基于时频谱图与图像分割的柴油机故障诊断

将图像分割理论引入柴油机故障诊断中,提出一种基于时频谱图、图像分割和模糊模式识别的柴油机故障诊断新方法.首先利用二进小波对柴油机缸盖振动信号进行预处理,然后用时频谱图对柴油机气门机构4种状态下的缸盖表面振动信号进行时频分析,并将谱图结果根据图像分割理论对其等高图进行分割,最后通过选取分割后图像的特征体质心位置、特征体面积、数目和熵作为特征参数,并利用模糊C均值聚类对图像进行分类识别.试验结果表明,新方法提取的振动信号图像几何特征与形状特征参数能充分反映柴油机气门工作状态的信息,对不同类型的气门故障均能正确诊断.     

船舶柴油机故障诊断专家系统研制

结合神经网络和D-S证据理论,采用JAVA作为开发工具,JESS作为诊断工具,研制开发了柴油机故障诊断专家系统.系统可根据推理模型,结合历史数据和柴油机实时监测数值,在柴油机发生故障时,显示故障的有关信息、故障的可能原因以及维修建议.