基于局部质心均值最小距离鉴别投影的旋转机械故障数据降维分析研究

针对旋转机械故障特征集非线性强、维数过高导致分类困难的问题,提出一种基于局部质心均值最小距离鉴别投影（Local Centroid Mean Minimum?distance Discriminant Projection,LCMMDP）的故障数据集降维算法。该算法在考虑样本的内聚性和分离性的同时,能够保持样本局部几何结构信息,反映样本与局部质心均值之间的近邻关系。从多个角度提取机械振动信号的混合特征,构建原始高维特征集,通过 LCMMDP 提取出低维敏感特征子集,利用改进的基于局部均值与类均值的 k?近质心近邻分类算法（k?nearest Centroid Neighbor Classification Based on Local Mean and Class Mean,KNCNCM）进行故障模式识别。所提方法集成了 LCMMDP 在维数约简和 KNCNCM在模式识别的优势,可得到较高的故障识别准确率。分别使用一个双转子系统数据集和仿真数据集验证了该方法的有效性。     

ReliefF与QPSO结合的故障特征选择算法

为提高故障数据集的分类精度,将ReliefF算法与量子粒子群算法(Quantum Particle Swarm Optimization,QPSO)进行结合,提出一种能够降低故障数据集维度的敏感故障特征选择方法。首先,在对经滤波消噪后的故障信号进行多域量化特征提取基础上,设定时域与频域特征、经小波包分解得到的各频带能量特征作为描述转子系统故障状态的初始故障特征集,并用转子系统的典型故障模拟信号集合得到了一种原始的故障数据集。随后,用ReliefF算法通过迭代计算得到的权值对故障数据集各特征向量进行加权、并设定阈值剔除不相关特征,据此实现了对原始故障数据集各特征的第一次筛选。最后,引入量子粒子群算法(QPSO)对特征集合进行二次筛选,剔除不利于实施分类的冗余特征并同时实现优化支持向量机的参数,通过处理得到了一种精简的最优特征子集和最合适的一组支持向量机参数。用得到的原始故障数据集对所建立的方法性能进行了计算验证。结果表明,该方法可有效地筛选出规模较小且故障模式辨识度高的低维故障数据集,它可显著提高故障分类器的辨识准确率。     

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.     

基于转子故障数据集的KSELF降维方法

针对故障诊断中呈现强非线性的故障数据集维数过高以及有标签故障样本不足的问题,引入核方法和半监督思想,提出了一种基于核半监督局部Fisher判别分析(kernel semi-supervised local Fisher discriminant analysis,简称KSELF)的降维方法.首先,通过核方法将原始故障数...     

大型风力发电机复合材料叶片动态特性分析

以1.2 MW风力机叶片为研究对象,采用参数化建模技术建立大型风力机复合材料叶片的三维有限元壳模型,在此基础上采用拟波前子空间迭代法准确计算了基于多因素耦合作用下复合材料叶片的固有频率和振型。进而分析了不同形式的振动对旋转叶片的影响机理,该计算方法对大型复合材料风力机叶片的结构设计具有一定的参考价值。     

利用DCNN融合多传感器特征的故障诊断方法

缘于多传感器信号的融合能够更加准确地诊断机械故障,针对传统浅层融合模型对复杂数据非线性映射与特征表示能力较弱的问题,提出一种利用深度卷积神经网络(deep convolutional neural network,简称DCNN)融合多传感器信号特征的机械故障诊断方法。首先,对多传感器振动信号分别进行特征提取,将获得特征向量作为一维特征面构造多传感器特征面集合,将该集合作为深度卷积神经网络的输入;其次,利用深度网络结构实现对多通道特征面的自适应层级化融合与提取;最后,由softmax回归分类器输出诊断结果。实验结果表明,该方法具有更高的故障分类与辨识能力,良好的鲁棒性和自适应性。本方法可为解决复杂机械系统故障诊断的多传感器信息融合问题,提供理论参考依据。     

强差异性神经网络集成的转子故障识别方法

针对误差反向传播（back propagation,简称BP）神经网络在作为传统Bagging集成学习机中的基分类器时,存在相互之间差异性偏低的问题,引入一种特征扰动法对集成学习机的分类性能进行改进。首先,将Relief?F特征评估算法和改进轮盘赌选择法进行结合,并设置基分类器的数目为30个,从转子故障特征集中选择出30个特征子集,每个特征子集的故障特征维数为30;其次,将训练集和测试集分别投影在对应的30个故障特征子集上,得到对应于30个基分类器的系列训练子集和测试子集,通过此方式实现了特征扰动环节;最后,利用Bagging集成学习机中自带的自助采样法对各训练子集进行处理,使其在最终输入至各基分类器时在特征空间和样本集合上都具有一定的差异性,间接使训练后的基分类器之间显示出更高的差异性,让最终的分类结果可信度更高。用一种低维双跨转子故障数据集对该集成学习方法进行类别辨识的结果表明,本方法能够显著提高BP网络的辨识准确率,并且具有良好的抗干扰性能。     

基于粗糙集知识获取的转子轴承系统故障诊断知识库构造研究

利用粗糙集理论从信息系统中知识获取与知识发现的功能，对转子轴承系统状态监测与故障诊断系统中知识库构造进行了研究。通过对粗糙集理论用于智能决策过程和诊断监测数据特性的分析，获得了数据表中连续属性值离散化映射、条件属性集与决策属性集记录的完备性是诊断知识获取与知识发现前提条件的结论。建立了基于粗糙集方法从数据库中知识获取和知识发现的诊断知识库模型，设置的连续属性值离散化步骤具有实现知识库决簏规则扩展的特点。     

三支承多质量盘转子轴承系统稳定性实验研究

用脉冲力激振转子系统的同时采集系统的多点响应,相关分析法提取测点的自由振动响应,用对数衰减率判据评定该系统的稳定性,频谱分析结果表明：脉冲力击振双跨多自由度转子在击振点处激发出的信号是以最低阶模态为主的信号、远离去振点跨所激发出的自由振动信号仅含有系统的最低阶模态;界限状态下系统的阻尼有促使系统趋于稳定的作用,多自由度转子系统的稳定性可用系统的最低阶模态评定。     

分形与几何特征融合的转子故障特征提取方法

转子系统故障信号是典型的非线性、非平稳信号,分形几何为描述转子系统故障信号的特性提供了一个分析工具,但仅仅依靠分形维数无法有效的提取转子系统的故障特征。本文引入紧密度和丰度两个量,与基于的分形维数一起,对转子系统故障信号进行分析;最后采用神经网络技术对转子系统的正常、不对中、不平衡、碰磨、松动五种不同的运行状态进行分类识别。实验结果表明,通过对分形维数和紧密度、丰度的联合可较好地评定和区分转子系统的运行状态。