基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.

基于 LabVIEW的离心式化工泵振动测试系统设计

针对传统离心泵振动测试时仪器较多、仪器可靠性较差和测试成本偏高等缺点,运用虚拟仪器技术,采用LabVIEW图形化、模块化的编程语言编写了数据的采集、处理、保存和故障诊断程序,并且利用闭式回路试验装置、振动加速度传感器和数据采集卡组建了离心泵振动测试系统.详细阐述了虚拟仪器系统的硬件结构与软件构成、设计思想及其理论依据.虚拟振动测试系统以离心泵为研究对象,实现了多通道的数据采集、数据实时分析和数据保存等功能.通过该虚拟振动测试系统可以采集试验离心泵的振动加速度信号,并对所得信号数据进行轴心轨迹分析和频谱分析,实现了离心泵的故障诊断.最后在离心泵实验台验证了该虚拟仪器系统在实际振动监测中的有效性,该系统具备良好的人机交互界面,易于维护和系统扩展.

融合CEEMD_MPE和GK模糊聚类的故障识别方法

针对转子故障信号非线性、非平稳性的特点,提出了一种基于互补集合经验模态分解、多尺度排列熵和GK聚类的故障特征提取和识别方法。首先采用互补集合经验模态分解对故障信号进行分解,依据相关系数原则,选取相关系数最大的模态分量作为分析对象;然后利用多尺度排列熵量化模态分量的故障特征作为特征向量;最后,将经过PCA(Principal Component Analysis)降维后的低维特征集输入到GK模糊聚类算法中进行故障识别分类。将所提方法应用于典型转子实验台的故障特征集,通过分类系数与划分熵对分类效果进行检验,并与其他模式组合方法进行比较。结果表明,本文所提方法能够更有效提取故障特征。

云模型和集成极限学习机相结合的滚动轴承故障诊断方法

针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法.将经预处理之后的信号进行云化,产生滚动轴承在不同状态下的信号云;提取出决定信号云分布的期望、熵和超熵三个参数作为表征轴承状态的特征量并依此构造出原始的轴承状态数据集;再将故障特征数据集经归一化处理后送入集成极限学习机进行识别.研究结果表明:云-集成极限学习机方法可以有效地实现轴承故障模式识别,与传统神经网络识别方法相比,该方法拥有更高的识别准确率和稳定性,并且集成极限学习机在抗噪性方面有较好的表现.

改进的D-t-SNE滚动轴承故障数据集降维方法

针对传统降维方法难以保持数据集的局部与全局几何结构特征问题,选择测地距离作为度量指标,提出改进t-SNE的故障数据集降维方法D-t-SNE.首先提取消噪振动信号的多域高维故障数据集,在对其进行归一化处理之后,利用GD指标改进后的D-t-SNE算法对高维故障数据集进行降维运算,去除冗余信息,然后通过不同的分类器对低维特征子集进行故障模式辨识.以UCI数据集和双跨转子实验台的模拟故障数据集为实验对象对D-t-SNE算法进行验证,并与SNE和t-SNE算法的各项实现结果进行对比.结果表明,D-t-SNE算法具有通过降低高维故障数据集的维数从而达到降低故障分类难度、提高故障辨识准确率的性能,可为降低旋转机械原始故障特征数据集的规模、降低故障分类的难度与提高故障辨识结果的可视化效果提供理论参考依据.

KPCA与LTSA融合的转子故障数据集降维算法

针对核主成分分析(kernel principal component analysis,KPCA)和局部切空间排列算法(local tangent space,LTSA)在降维过程中无法兼顾保持数据全局结构特性和局部结构特性的问题,利用核函数的可线性叠加性质,提出一种将KPCA算法与LTSA算法融合的非线性降维算法.该算法能使故障数据集经过降维后同时保持数据样本间的全局距离关系和局部邻域关系.应用验证表明:本算法可以准确地提取故障数据集中所包含的全局与局部结构特征模式,使故障分类的结果更明晰、更准确、更有效.

邻域粗糙集和Fisher判别法结合的转子故障决策规则提取方法

针对旋转机械故障诊断知识获取困难的问题,将邻域粗糙集和Fisher(费舍)判别法相结合,对从故障数据库中提取决策规则的方法进行了研究.首先基于邻域粗糙集理论对转子故障的时域特征属性集进行属性约简,据此达到消除冗余属性的目的,然后再依据费舍判别法对故障数据集进行故障模式识别.通过处理转子实验台数据来对该方法进行的验证以及与传统方法进行的对比情况表明:本方法在节省数据存储空间的同时还具有能够获得较准确的故障分类决策规则能力.

基于M-WDLS和PCA的转子故障诊断方法

针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.

考虑温度效应的风电增速箱动力学特性研究

针对风电增速齿轮箱温度异常现象,基于Block闪温理论与Hertz接触理论,提出一种考虑随机风载作用下齿面接触温度的计算方法.以该方法为理论基础,根据行星轮系耦合建模理论,建立风电增速齿轮箱动力学性能计算模型.模型不仅揭示了随机风载、齿面接触温度及齿廓热变形之间相互影响的函数关系,还展现了随机风载、齿面接触温度等非线性因素对风电增速箱动态响应的影响.结果表明,风电增速箱输入载荷的随机动态变化特性将引起其齿面的接触温度在一定范围内发生波动.这种动态的齿面接触温度将会导致齿轮齿廓产生热变形,进而影响齿轮的时变啮合刚度,最终对增速箱的动态特性产生影响.研究可为解释风电增速齿轮箱的温度异常现象提供理论参考依据.

结合扰动集成RBF的故障识别方法

为提高旋转机械故障识别精度,将神经网络与集成学习方法进行结合,提出结合扰动方式的集成RBF故障模式识别方法.首先,通过ReliefF算法计算所提取出的转子故障特征数据集各个特征的权重,并且将权重值进行降序排列,从而筛选出权重趋大的系列特征构成低维特征数据集;其次,将较大权重作为无放回轮盘赌法的输入,对权重所对应的低维特征数据集进行特征扰动,产生系列化低维数据子集并将其划分为训练集和测试集;然后,采用Bagging算法中的自助采样法对训练集进行样本扰动,以此形成新的训练集并用于训练对应个数的RBF神经网络,完成差异性子分类器的构建;最终,对各个神经网络的测试数据辨识结果通过相对多数投票法进行结合,得到故障识别结果.实验结果表明,对于转子系统的故障识别,该方法相较于未集成RBF神经网络、集成BP神经网络具有较高的识别精度,并且拥有较好的泛化性能.

集成KPCA与t‑SNE的滚动轴承故障特征提取方法

针对滚动轴承原始数据集包含高维非敏感特征的问题,提出一种集成核主成分分析(Kernel Principal Component Analysis,KPCA)与t‑分布随机邻域嵌入(t‑distributed Stochastic Neighbor Embedding,t‑SNE)的滚动轴承故障低维敏感特征提取方法。该方法先计算滚动轴承原始振动信号的时域、频域以及时频域特征,构建初始高维特征数据集。利用KPCA降低高维数据集的相关性,在最大化高维数据全局特征方差的目标下,提取出非线性特征子集。通过t‑SNE充分挖掘故障特征数据集的局部结构信息,进一步获取具有高判别性的低维敏感特征子集。将低维特征子集输入到k‑近邻分类器(k‑nearest Neighbor Classifier,KNNC)进行分类,以分类准确率和聚类结果作为度量指标,对特征提取结果的优劣予以评价。上述过程综合考虑了数据集的全局和局部结构特征,充分利用了数据自身的结构信息,从而可准确提取其低维敏感特征。将该方法用于滚动轴承故障诊断实验中,通过与其他典型特征提取方法进行对比,及其对含噪情况下轴承故障特征的准确提取,验证了方法的有效性。

基于邻域粗糙集概念的一种滚动轴承特征提取方法

针对滚动轴承早期微弱故障识别率偏低的问题,提出一种基于EEMD、邻域粗糙集和模糊C均值聚类(FCM)算法相结合的滚动轴承特征提取方法.该方法将滚动轴承的原始信号进行EEMD分解得到若干个IMF分量,通过均方差和欧氏距离两个评价指标选取出敏感特征分量,构造原始特征数据集,对处理后的原始特征集属性进行NRS约简,剔除冗余属信息,最后将剩余属性的特征数据集作为模糊C均值聚类的输入,实现滚动轴承故障识别.为了对比本文方法对于滚动轴承的故障识别效果,分别添加了FCM、NRS-FCM和EEMD-FCM三种方法进行故障辨识,利用划分系数(PC)和划分熵(CE)对聚类结果进行评价与对比.通过实验表明:邻域粗糙集对于改进滚动轴承的故障识别效果十分明显,具有良好的应用前景.