基于支持向量机与特征降维的直流断路器机械故障诊断技术研究

直流断路器机械故障诊断算法是直流断路器机械状态在线监测系统的核心部分。文中进行了直流断路器机械故障模拟实验,采集不同故障下的线圈电流及振动信号,对其进行特征提取后,将电流特征、振动短时能量特征、小波包频带能量特征排列组合,利用支持向量机构建故障诊断模型。文中使用主成分分析法及Relief⁃F算法对不同特征组合降维,进一步分析特征组合降维后的诊断效果,并通过K⁃Fold交叉验证算法评估单一特征和特征组合训练输出的诊断模型选取分类性能最优的诊断模型。

基于同步提取广义S变换的机械故障诊断方法研究

现有的同步提取变换(synchroextracting transform, SET)窗函数固定缺乏灵活性,在进行故障诊断时很难有效获取到高时频精度和高抗干扰性能的瞬时频率,针对此问题,结合广义S变换可以自适应调节窗函数宽度的优点,提出一种基于同步提取广义S变换(synchroextracting generalized Stransform, SEGST)的机械故障诊断方法。SEGST方法的特点在于将Rényi熵作为度量时频聚集性的标准,通过在高斯窗函数中引入2个尺度调节因子来选择参数的最佳值,对得到的广义S变换二维时频谱构造出同步提取算子来提取时频脊线处的时频系数,该算子能保留与信号的时变特征最相关的TF信息,剔除多余的模糊时频能量,从而得到高时频分辨率的时频能量特征。仿真结果表明,所提方法不论在时频分辨率方面,还是在噪声鲁棒性方面,都优于传统时频分析方法,并且保持了良好的重构性。最后,将所提方法应用于航空发动机高速滚动轴承故障诊断中,结果表明,该方法能够准确识别故障信号中的特征频率。

一种基于条件度量迁移学习的机械故障诊断可解释方法

迁移学习技术可以减小源域和目标域特征之间的分布差异。然而,在跨设备场景下,现有研究往往难以衡量并缩小不同设备间数据的条件分布差异,导致模型在源域获得的知识不能很好地迁移到目标域。此外,在实际的故障诊断场景中,决策者通常需要理解模型为何将某些数据归类为特定故障类型。由于深度学习模型的复杂性,其往往被看作是“黑匣子”,难以解释其内部工作机制。为了克服上述缺点,提出一种基于条件度量迁移学习的可解释故障诊断方法。首先利用Hilbert包络谱分析将时域信号转为频域信号;其次搭建深度孪生卷积神经网络和分类器,从频域中提取源域和目标域数据中的高维特征并做分类训练;然后将可解释的条件核Bures度量嵌入到无监督学习的损失函数中,提高条件分布下的特征适配能力和模型可解释性;最后利用博弈论中的SHAP方法对模型诊断结果做基于包络谱的事后可解释分析。在3种设备的6种跨设备轴承故障诊断任务中开展试验,对所提方法和其他相关对比方法进行评估,结果表明提出的方法可以有效地提高跨设备机械故障诊断精度,达到了平均99.47%的诊断精度。并解释了哪些频率点对模型的决策起到关键作用。

卷积神经网络在机械故障诊断中的应用综述

卷积神经网络(Convolutional Neural Network,CNN)因在图像识别与分类方面的优越性,近年来在机械故障诊断领域得到广泛应用。由于CNN提取故障特征的优越性,极大促进了机械故障诊断技术的发展,但目前样本数据的不平衡、噪声干扰以及模型不可解释等问题,极大阻碍了CNN技术在故障诊断领域的发展。为进一步提升模型的性能,依据近年来基于CNN机械故障诊断模型的研究进展,对机械故障诊断CNN模型框架进行了分类归纳,然后讨论分析了解决样本不平衡和可解释性问题的进展,最后对CNN在机械故障诊断领域的发展方向进行了展望。

基于大语言模型和提示工程的机械故障诊断问答研究

机械故障诊断领域知识专业术语多,理解难度大。大型语言模型(LLM)虽然在自然语言处理和问答系统上表现都很出色,但因为缺乏特定领域数据训练,在专业领域的问答应用不够精准。为改善LLM在机械故障诊断领域问答的表现,通过收集和预处理专业数据,结合提示工程,设计了一个检索增强的专业问答系统。首先,系统通过信息分类判定,筛选并输入专业相关问题。其次,利用LLM和自建的本地知识库,结合双曲空间中的距离度量函数来提高检索问答的精准度,生成专业的回答。最后,系统通过引入阶段性引导提示,不仅帮助LLM生成问题数据以提高模型性能,还能在专业检索问答中更好地理解用户意图,从而生成全面且准确的回答。实验结果展示了问答系统的效果,还通过主观和客观评估验证了其专业性能,并通过消融实验验证了各模块的性能。

机械故障诊断技术在汽车发动机维护中的应用研究

本文深入探讨了机械故障诊断技术在汽车发动机维护中的应用。随着汽车工业的快速发展,发动机结构日益复杂,故障诊断难度加大。本文首先概述了汽车发动机的基本结构与工作原理,随后详细阐述了机械故障诊断技术的分类与诊断流程。重点分析了机械故障诊断技术在气缸、曲轴、配气机构等发动机常见故障中的应用,并通过典型案例展示了诊断过程与维修措施。此外,还探讨了新型诊断技术在提高诊断精度和效率方面的应用前景。最后,提出了发动机维护与保养的策略,旨在为保障汽车行驶安全、降低维修成本提供理论支持与实践指导。

船舶柴油机机械故障诊断类型与处理方法

柴油机是船舶的动力核心,一旦发生故障就会导致船舶无法正常运行,从而带来严重的经济损失。船舶柴油机机械故障是一种极为常见的现象,导致故障发生的原因多种多样,做好故障诊断工作,可以有效保证船舶运行的安全,延长船舶使用寿命。本文,将针对船舶柴油机机械故障诊断类型以及处理方法等进行深入细致分析,希望可以有效提高船舶柴油机的工作效率,降低维修成本。

机械故障诊断技术在汽车维护中的应用

随着汽车工业的飞速发展,汽车发动机机械系统的复杂性不断增加,因此,对其进行故障诊断的需求日益迫切。该文概述机械故障诊断技术,分析其在汽车维护中的应用现状,提出加强基础理论研究、建立汽车机械故障大数据平台、推动产学研用深度融合的应用优化对策,并展望机械故障诊断技术在汽车维护中的应用前景,为汽车维护行业智能化变革提供新思路。

地下变电站机械故障诊断与排除方法研究

在地下变电站的运行中,机械故障的诊断与排除是确保电力系统持续稳定运行的关键环节。随着科技的不断进步,机械故障诊断方法不断演进,涵盖了振动监测、红外热像法、电流电压波形分析等多种先进技术。以泰国孔提地下变电站项目为例,通过分析对地下变电站机械故障诊断与排除方法,并提出地下变电站机械优化策略,以提高维护效率,降低设备损耗,从而推动地下变电站机械系统的可靠性和可维护性达到新的高度。

马铃薯收获机多级输送装置机械故障诊断系统设计

设计了一套基于多源信息融合的马铃薯收获机多级输送装置机械故障诊断系统,旨在提高收获机的运行效率和可靠性。系统利用传感器采集振动、温度等多种信号,经过数据处理模块进行降噪和特征提取,结合SVM和DBN模型进行故障诊断。试验结果显示,该系统能够准确诊断输送带断裂、轴承磨损等多种故障,诊断准确率高达96.7%。与传统方法相比,在故障分类准确率、误报率和诊断时间方面均有显著提升,证明了其在实际应用中的有效性和可靠性。

采用EWT和OCSVM的高压断路器机械故障诊断

根据断路器故障诊断对可靠性要求较高的实际工程需求,提出了一种采用经验小波变换(EWT)和单类支持向量机(OCSVM)的高压断路器机械故障诊断新方法。首先,通过EWT准确分离断路器振动信号中具有不同物理意义的固有模态函数(IMF);之后,通过Hilbert谱分析,获得时-频矩阵并计算其时-频熵,构成用于分类的特征向量;然后,仅使用易于获取的正常状态振动信号训练经粒子群算法(PSO)常数参数寻优的OCSVM,并通过OCSVM来准确判断断路器是否发生机械故障,提高故障诊断可靠性;如OCSVM判断发生机械故障,则进一步通过支持向量机(SVM)判断具体故障类型。在SF6高压断路器上进行实验证明,新方法能够更加准确地区分故障与正常样本,满足高压断路器故障诊断的高可靠性要求。

基于电机电流检测的高压隔离开关机械故障诊断

为了实现高压隔离开关机械故障诊断,基于霍尔效应和电阻应变测量技术实时检测了GW6H—252型隔离开关分合闸动作过程中的电机定子电流和操作轴扭转应变,推导并验证了电机电流与操动机构输出力矩的函数关系,分析了隔离开关传动机构卡涩、平衡弹簧失效、合闸不到位等机械故障情况下的电机电流信号特征,提出了基于电机电流检测的隔离开关卡涩故障诊断流程。研究结果表明:电机定子电流与操作力矩存在二次函数关系,当隔离开关发生机械故障时,驱动电机电流波形发生畸变,电流峰值增大,峰值出现时刻偏移,电流频谱中的边频成分增大。该方法具有广泛适用性,可有效检测高压隔离开关的机械故障,从而提高设备运行的可靠性。

机械故障诊断内积变换原理与验证

工程实际常用的快速傅里叶变换、短时傅里叶变换、小波变换、第二代小波变换和多小波变换等先进信号处理方法,为关键设备运行监测与故障诊断奠定了基础。为深刻认识其共性问题,对机械故障诊断信号处理方法物理本质与关键技术等基础问题进行研究。指出它们的变换原理都是内积变换,探求信号中包含与"基函数"最相似或最相关的分量,关键在于构造和选择动态信号中与故障特征波形相匹配的基函数,实现科学、正确的状态监测与故障诊断。通过仿真试验和工程案例,对机械故障诊断的内积变换原理进行验证,证明该原理的正确性和可靠性。同时,根据试验现象得出若干基函数性质对内积变换的影响规律,补充和完善了机械故障诊断内积变换原理。

粗糙集理论在机械故障诊断中的应用研究

为了对诊断过程中大量的冗余特征进行压缩或约简 ,将粗糙集理论引入到机械故障诊断过程中 ,提出了一种特征约简的算法 .通过 2个典型诊断实例对该算法进行了验证 ,结果表明 :在保证故障分类结果基本不变的情况下 ,该算法可以查找出对故障分类起主要作用的特征 ,从而达到了特征约简的目的 ,为粗糙集理论在机械故障诊断中的深入应用打下了基础 .

机械故障诊断中常用解调方法的比较及应用

在介绍了解调在机械故障诊断中应用的基础上 ,对基于Hilbert变换的包络解调法和检波解调法的原理及实现方法进行了比较 ,并且给出了用包络解调法对滚动轴承进行诊断的实例 ,取得了满意的效果。

基于Tsallis熵与层次化混合分类器的含未知故障断路器机械故障诊断

为提高断路器机械振动信号特征提取效率,避免将无训练样本未知类型故障误识别为正常样本或错误已知故障,提出一种断路器机械状态监测与故障诊断新方法。首先,将断路器机械操动机构振动信号进行时域分割,对分割后的各段信号分别直接提取7种特征,构成特征向量;通过散布矩阵分析特征分类能力,确定以Tsallis熵特征分析断路器机械故障。然后,将特征向量输入到基于单类支持向量机(OCSVM)与极限学习机(ELM)的层次化混合分类器中开展故障诊断。在混合分类器中,首先由OCSVM区分正常与故障状态;如为故障状态,则使用ELM识别故障类型,之后再以OCSVM校正ELM识别结果。通过实际断路器振动数据开展实验证明,散布矩阵能够有效分析特征的类可分性,时域分割提取特征效率高,层次化混合分类器不仅能够准确识别断路器机械状态与故障类型,而且可有效识别无训练样本未知故障类型数据。

支持向量机在机械故障诊断中的应用研究

在机械故障诊断中,通常不具备有大量的故障样本,因此,制约了故障诊断技术向智能化方向发展。而基于统计学习理论(SLT)的支持向量机(SVM)方法正好克服了这方面的不足。统计学习理论是专门研究少样本情况下的统计规律及学习方法的理论。SLT理论和SVM方法为故障诊断技术向智能化发展提供了新的途径。该文讨论了支持向量机在故障诊断领域中应用的分类算法。并以滚动轴承的振动信号为例进行了试验论证。试验表明:SVM方法对具有少样本的故障诊断领域具有很强的适应性。

基于ELMD与改进SMSVM的机械故障诊断方法

机械振动信号携带大量重要的机械状态信息,然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此,从振动信号抽取和选择有效的机械故障特征、提高故障识别性能,成为机械故障诊断研究的热点。针对上述问题,本文提出了基于集成局部均值分解(Ensemble local means decomposition,ELMD)与改进的稀疏多尺度支持向量机(Sparse multiscale support vector machine,SMSVM)的机械故障诊断方法。该方法首先使用自适应非线性、非平稳信号处理方法 ELMD把多模态调制故障信号分解成为多个单模态解调信号,有效地增强了故障特征。把压缩感知和多尺度分析技术融合于故障模式分类中,提出改进SMSVM旋转机械故障识别方法,提高多类机械微弱故障数据模式识别性能。该方法融合稀疏表示、多尺度分析和SVM的优点,无需求解复杂的优化问题,易于推广至更多尺度SVM,具有计算量少、泛化性与鲁棒性好、物理意义明显等优点。人工数据和实验设备数据验证了本文算法的优越性。

基于本征时间尺度分解和变量预测模型模式识别的机械故障诊断

基于变量预测模型的模式识别(variable predictive model based class discriminate,VPMCD)方法是一种充分利用特征值之间相互内在关系进行多分类模式识别的新方法。对VPMCD算法进行了研究,并采用交叉验证法来选择VPMCD模型。针对机械故障振动信号的特征值之间的相互内在关系,结合本征时间尺度分解(intrinsic time-scale decom-position,ITD),提出了一种基于本征时间尺度分解和VPMCD的机械故障诊断方法。该方法首先利用ITD方法将原始信号分解若干个PR(proper rotation,PR)分量,然后提取第一个PR分量的无量纲时域统计参数组成特征向量,最后采用VPMCD方法进行机械故障诊断。通过滚动轴承故障诊断实验验证了该方法能有效地应用于小样本多分类机械故障诊断。

基于卷积神经网络的机械故障诊断技术综述

针对传统机械故障诊断方法难以解决人工提取不确定性的问题,提出了大量深度学习的特征提取方法,极大地推动了机械故障诊断的发展。作为深度学习的典型代表,卷积神经网络(CNN)在图像分类、目标检测、图像语义分割等领域都取得了重大的发展,在机械故障诊断领域也有大量文献发表。为了进一步了解利用CNN的方法进行机械故障诊断的问题,首先简单介绍了CNN的相关理论,然后从数据输入类型、迁移学习、预测等方面对CNN在机械故障诊断中的应用进行了归纳总结,最后展望了CNN及其在机械故障诊断应用中的发展方向。