多模型Stacking集成学习的旋转机械故障诊断方法

针对传统旋转机械故障诊断方法中单一机器学习模型出现的诊断精度低、泛化能力差且性能提升有限等问题,提出了通过Stacking框架异质集成多个机器学习模型对旋转机械进行故障诊断。首先利用小波包变换对旋转机械的原始振动信号进行特征提取;然后通过贝叶斯优化和网格搜索结合的方法调节各基学习器的超参数,采用DT、KNN、SVM及RF作为初级学习器,LR作为次级学习器构建Stacking异质集成学习模型;最后通过滚动轴承和液压泵故障模拟试验,将所提模型与单一模型、同质集成模型进行比较分析。试验结果表明,异质集成Stacking模型在不同旋转机械的故障诊断中均获得了最佳的整体诊断性能。异质集成是提高旋转机械故障诊断性能的有广阔应用前景的解决方案。

基于递归定量分析的液压泵故障识别方法

提出了一种局部投影消噪和递归定量分析相结合的轴向柱塞泵故障识别方法。以轴向柱塞泵故障振动信号为研究对象,首先用局部投影消噪方法对振动信号进行消噪;其次对消噪后的振动信号绘制递归图,进而通过递归定量分析对递归图所反映出的系统动力学信息进行特征提取,选择确定率(DET)和递归熵(ENTR) 2个特征构成特征向量,构成故障特征样本;然后通过核模糊C均值聚类(KFCMC)方法对训练样本进行聚类,进而依据最小欧氏距离准则对测试样本进行故障识别;最后,将递归定量分析方法和相空间复杂网络定量特征方法进行对比。结果表明,基于递归定量分析的轴向柱塞泵故障识别方法具有更高的故障确诊率。

基于完备总体经验模态分解和模糊熵结合的液压泵退化特征提取方法

针对液压泵振动信号具有非线性、非平稳性,以及信噪比低等特点,提出了基于完备总体经验模态分解和模糊熵结合的液压泵性能退化特征提取方法。首先,使用完备总体经验模态分解方法对液压泵振动信号进行分解,得到若干个固有模态函数分量。其次,求取各个分量与原始信号的相关性,选取相关性较高的前几个分量作为有效分量并求其模糊熵,实现液压泵的退化特征提取,形成特征向量。最后,以液压泵不同退化状态下的实测数据为例,使用基于变量预测模型的模式识别方法对提取的特征向量进行验证。实验结果表明,该液压泵退化特征提取方法具有较高的精度,使退化状态识别的准确率提高到了100%。

类间数据不均衡条件下基于平衡随机森林的轴向柱塞泵故障诊断方法

针对轴向柱塞泵实际故障诊断中采集到的故障类数据远少于正常类数据的情况,为提升故障分类精确率,提出了一种基于平衡随机森林(Balanced Random Forest,BRF)的轴向柱塞泵故障诊断方法。BRF算法是随机森林(Random Forest,RF)的改进算法,将欠采样方法与RF结合,强化了RF处理非均衡数据的能力。通过开源的UCI数据集对该算法的性能进行了测试,相较于RF以及合成少数类过采样(Synthetic Minority Over-sampling Technique,SMOTE)与RF的组合算法SMOTE-RF,BRF算法在少数类分类精确率方面有所提升。最后,将BRF算法应用于轴向柱塞泵的故障诊断中。结果表明,在类间数据不均衡的条件下,相较于RF及SMOTE-RF算法,BRF算法能够取得更高的故障分类精确率。

基于形态差值算子和特征能量比的液压泵故障分离方法

针对液压泵滑靴和斜盘磨损复合故障信号的分离问题,提出了一种基于形态差值算子与特征能量比相结合的方法。首先,将若干种不同长度的结构元素和复合故障信号的形态特征进行匹配,利用形态差值算子提取出若干个信号;其次,分别对上述信号计算两种故障的特征能量比;最后,找出两种故障的最大特征能量比,他们所对应的即为最优匹配结构元素长度,且基于该两种长度的形态差值算子所提取出的两个信号分别为最优分离出的滑靴和斜盘磨损故障信号。通过对实测液压泵复合故障信号的实验验证,表明所提方法能够根据信号形态特征的多样性有效地实现对复合故障信号的最优分离,且比Robust ICA方法有效和优越。

轧机液压压下系统非线性振动诱因分析

具有液压压下系统的轧机被广泛应用在板带生产过程中,为解决液压压下系统引起的轧机非线性振动问题,在闭环控制情况下分别研究了不同阻尼系数、泄漏系数以及控制器比例系数3种系统参数对压下系统垂振的影响。考虑压下缸非线性液压弹簧力建立了轧机液压压下系统垂振模型,通过振动位移时域图和位移-速度相图分析了不同系统参数与系统垂振的相关性。仿真结果表明,由于轧机液压压下系统采用传统PID控制器,液压系统本身阻尼系数、泄漏系数等具有慢时变特性,会使得原有PID控制可能出现功能失效情况,造成系统垂振的发生,该研究为后续设计控制器消除液压系统参数变动引起的垂振有一定的理论和工程实际意义。

Orthogonal Wavelet Packet Analysis Based Chaos Recognition Method

The chaotic motion characteristics are expounded by taking the Duffing equation system as an example.The frequency band segmentation ability and the frequency resolution of the orthogonal multiresolution analysis and the orthogonal wavelet packet analysis are compared.A new orthogonal wavelet packet analysis-based chaos recognition method for chaotic motion characteristics is put forward.The chaotic,random,and periodic motions are identified effectively by use of the subfrequency band energy distribution in the signal spectrum.The characteristic frequency of chaotic motion is thus extracted.