改进LPCDA算法及其在旋转机械故障诊断中的应用

针对高维故障数据集中有效信息利用率低导致故障分类难度偏大的问题,提出一种线性主成分判别分析（linear principal component discriminant analysis,简称LPCDA）的故障数据集降维算法。该算法将类间可分性判别与主成分计算的思想融入线性判别分析（linear discriminant analysis,简称LDA）算法中,使算法拥有剔除相关信息和冗余特征的能力,从而可以更好地保留能够反映机械运行状态有价值的故障状态信息以及特征的主要成分。实验结果表明,本算法能够剔除高维故障数据集中的相关信息、冗余特征并保留特征主要成分,具有降低故障分类难度与提高自动辨识准确率的功能。该研究可为有效降低高维故障数据集的规模和故障的分类难度、提高有效信息的挖掘能力,提供了理论参考依据。     

基于二阶盲辨识的双跨转子故障信号分离研究

将盲分离理论应用于消噪处理,其关键是分离噪声,因此在分离噪声时不损失有效信号,为消噪处理提供了一种新方法。提出了一种基于二阶盲辨识的去除干扰的自提取方法,在原有的自提取算法中引入了梯度变化率的概念,有效降低了噪声。通过仿真和对实际转子振动数据的处理表明,这种算法有效地遏制了噪声,提高采样数据的准确性。     

基于粗糙集理论的知识发现在机械故障诊断中的应用问题研究

对粗糙集理论的知识运算原理及其在工程领域智能决策问题中的应用方法进行了探讨.得出利用该工具实施知识发现,其依据是知识库的知识间存在着知识包含关系、关于论域的多种知识表达方式间存在着知识等价概念.而所发现的知识规则,本质上是原始知识库中所积累的点滴知识规则集合被高度概括为知识颗粒集合的结果.由此得出,获得真实、有效的原始诊断知识资源,使它们能够与领域专家的知识保持协调一致关系,并具有诊断知识挖掘的价值,则是关于诊断知识发现研究能够解决机械故障智能诊断的知识获取难题需开展的最基础工作.这引发出了对机械故障诊断的知识资源用数据方式去进行科学化妥善保护问题研究的新课题.     

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...     

轴承油膜动特性对转子临界转速的效应计算

介绍了非定常情况下,滑动轴承动压油膜的动态态特性对转子支承刚度的作用,在此基础上建立了基于油膜动力特性及底座支承刚度动力学模型的计算方法,并用于传递矩阵法求解转子系统的临界转速,计算结果表明,随着系统的支承刚度下降,转子系统的临界转速是下降的。     

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。     

基于局部边缘判别投影的机械故障诊断方法

针对故障特征集维数过高的问题,提出一种基于局部边缘判别投影(locality margin discriminant projection,简称LMDP)的故障数据集降维算法.该算法定义了局部类间相似度和局部类内相似度,使相邻的异类在低维空间中离的更远、相邻的同类样本在低维空间中离的更近.分别提取转子振动信号的时域和频...