基于孤立森林-控制图与多特征联合的滚动轴承异常状态检测

为保证滚动轴承异常状态检测的及时性并降低虚警率,提出了一种基于孤立森林的多指标改进CUSUM异常检测方法(IF-CUSUM)。首先,对轴承原始振动序列进行小波去噪;然后,基于孤立森林算法去除振动序列的离群点;最后,结合RMS和峭度等指标设计阈值分配方案,给出异常状态检测判定依据。通过60组不同振动演化规律、脉冲强度和噪声等级的滚动轴承故障仿真数据以及FEMTO-ST轴承数据集进行算法验证,结果表明,与基于单一RMS指标、峭度指标的异常检测算法相比,IF-CUSUM算法能较早地检测出滚动轴承运行过程中的异常点,虚警率较低,整体性能和鲁棒性较好。

基于最大李雅普诺夫指数异常感知和CatBoost识别的机械密封失效模式层次化诊断框架

离心泵在现代工业生产中具有广泛的应用,其运行状况和健康程度直接影响着整个系统的能耗、效率和安全。机械密封泄漏或损坏是水力旋转机械最典型的故障之一,与机封失效相关的泵类设备故障问题直接影响系统总体的可靠性和安全性。为此,本论文研究了一种基于最大李雅普诺夫指数异常感知和CatBoost识别的机械密封失效模式层次化诊断框架。首先,对采集的机械密封处振动信号序列提取其最大李雅普诺夫指数,并基于模糊统计法和指派法设计Type-1模糊逻辑,从而实现对机械密封故障的异常检测和感知。接着,一旦检测到机封异常,再从原始振动信号中提取多尺度模糊熵,联同最大李雅普诺夫指数一起输入到CatBoost模型进行机械密封失效模式识别和诊断。最后,基于实际实验数据对所提出的层次化诊断框架进行了验证。结果表明,所提出的方法对机封故障的异常检测精度达到100%,CatBoost模型的机封失效模式识别率达到99.66%,其精度和鲁棒性均好于支持向量机、AdaBoost、深度神经网络等智能模型。