基于局部均值分解和奇异值差分谱的滚动轴承故障诊断研究

为了从复杂的轴承振动信号中提取微弱的故障信息,提出了一种基于局部均值分解(local mean decomposition,LMD)和奇异值差分谱的轴承故障诊断方法。首先通过LMD将非平稳的原始轴承故障信号分解为若干个PF(product function)分量,由于背景噪声的影响,难以从PF分量准确得到故障频率,对PF分量进行Hankel矩阵重构和奇异值分解,相应的得到奇异值差分谱,根据奇异值差分谱理论对某个PF分量进行消噪和重构,然后再求重构后PF分量的包络谱,便能准确地得到故障频率。仿真分析和滚动轴承内圈故障实例很好地验证了提出的改进方法的有效性。

改进的BP算法用于控制图模式识别

研究3种改进的BP算法在控制图模式识别中的应用。应用Matlab神经网络工具箱对神经网络进行仿真,为了提高网络的运行速度,对样本数据进行预处理。仿真结果表明尺度共轭梯度下降算法的训练速度最快,识别的准确率也最高。

基于集成学习算法的多变量质量诊断研究

应用集成学习方法来解决多元统计过程控制中的质量诊断问题:当HotellingT^2控制图发出报警信号时,判断哪一个变量或者是哪些变量组合导致过程异常的发生。这种集成学习方法采用分类与回归树(Classification and Regression Trees,CART)为基分类器,沿着误判损失函数的梯度下降方向逐步优化基分类器组合,并基于误判损失最小的原则判断异常信号的类别。实例研究表明,这种集成学习方法具有较好的诊断效果,在诊断准确率方面优于已有的方法。