基于VPMCD和EMD的齿轮故障诊断方法

提出了基于VPMCD(Variable Predictive Model Based Class Discriminate,简称VPMCD)和EMD(Empirical mode decomposition,简称EMD)的齿轮故障诊断方法,并将它应用于齿轮稳态信号的分析。VPMCD方法是一种新的模式识别方法,特别适合于非线性分类问题,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。在基于VPMCD和EMD的齿轮故障诊断方法中,首先采用EMD方法将齿轮振动信号自适应地分解为若干个单分量信号,然后提取各个分量的样本熵并将其作为特征值,最后采用VPMCD分类器进行故障识别和分类。结果表明该方法能够有效地突出齿轮故障振动信号的故障特征,提高了齿轮故障诊断的准确性。

基于EMD与VPMCD的矿浆管道泄漏检测方法

针对矿浆管道工况调整给泄漏检测带来的干扰,准确提取泄漏信号的特征量是降低泄漏误报、漏报的关键。提出了一种基于经验模态分解(EMD)与变量预测模型(VPMCD)的泄漏检测方法。将压力信号分解为若干个本征模函数(IMF)分量,得到能够准确反映工况特征的局部Hilbert能量谱,并作为特征值向量,通过VPMCD分类器建立泄漏识别模型。方法应用于泄漏检测中,实验结果表明:矿浆管道在正常运行、泄漏和工况调整状态下,识别率达到95%,并综合分析流量信号,提高了泄漏检测精度。

基于LCD降噪和VPMCD的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(LCD)降噪和多变量预测模型(VPMCD)的滚动轴承故障诊断方法。该方法首先采用LCD对滚动轴承振动信号进行降噪;然后计算降噪后信号在不同维数下的模糊熵,并以模糊熵为特征值,采用VPMCD方法建立模糊熵的预测模型;最后用所建立的模型来预测待分类样本的特征值,把预测结果作为分类依据进行模式识别。实验分析结果表明,采用LCD方法降噪可以有效地提高VPMCD的分类性能,与神经网络、支持向量机等分类器相比,VPMCD方法可以更准确、更有效地识别滚动轴承的工作状态和故障类型。

基于排列熵和VPMCD的滚动轴承故障诊断方法

VPMCD(Variable Predictive Model Based Class Discriminate)是一种新的模式识别方法,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。论文将VPMCD结合排列熵(Permutation Entropy,简称PE)方法应用于滚动轴承故障诊断。首先采用ITD(Intrinsic Time-scale Decomposition,简称ITD)对滚动轴承振动信号进行分解,得到若干个固有旋转(Proper Rotation)分量,并对包含主要故障信息的PR分量提取排列熵作为故障特征值;然后,对VPMCD分类器进行训练;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明该方法能够有效地应用于滚动轴承故障诊断。

基于CELCD和MFVPMCD的智能故障诊断方法研究

针对旋转机械故障诊断方法中信号处理和模式识别的不足,即端点效应和判别片面性问题,提出一种基于互相关匹配延拓局部特征尺度分解(Cross-correlation matching endpoint Extension Local Characteristic scale Decomposition,CELCD)和改进多变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的智能故障诊断方法,首先探索待分解信号前后端的数据规律,选取匹配波形完成端点延拓,然后利用局部特征尺度分解(Local Characteristic scale Decomposition,LCD)得到各去除端点效应的内禀尺度分量(Intrinsic Scale Component,ISC),最后输入到基于多模型融合的多变量预测模型(Multi-model Fusion-Variable Predictive Model based Class Discriminate,MFVPMCD)分类器中进行概率状态判定.实验分析结果表明,所提方法能有效地对滚动轴承的工作状态进行识别.

基于局部特征尺度分解谱熵和VPMCD的液压泵退化状态识别

针对液压泵故障信号的非平稳特性以及其退化状态难以识别的问题,结合局部特征尺度分解与信息熵理论,提出了局部特征尺度分解谱熵的退化特征提取方法,并将基于变量预测模型的模式识别(Variable Predictive Model based Class Discriminate,VPMCD)方法引入到液压泵的退化状态识别。对不同程度故障的液压泵振动信号进行局部特征尺度分解,从得到的内禀尺度分量中提取振动信号的复杂度和随机性度量指标能谱熵、奇异谱熵和包络谱熵,以其作为液压泵的退化特征向量,通过建立VPMCD退化状态识别模型实现液压泵的退化状态识别。仿真信号分析结果验证了所提出的局部特征尺度分解谱熵具有较好的表征液压泵故障退化状态的能力。通过对实测液压泵松靴和滑靴磨损两种故障模式下的退化状态振动信号进行分析验证了提出方法的有效性。

基于MRSVD和VPMCD的轴承故障智能诊断方法研究

针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解(Multi-Resolution Singular Value Decomposition,MRSVD)和变量预测模型模式识别(Variable Predictive Model based Class Discriminate,VPMCD)的轴承故障智能诊断方法。利用MRSVD对轴承加速度振动信号进行多层分解,提取包含故障特征的细节信息,建立对数正态分布模型,凸显细节信息中的非高斯特性,计算对数均值和对数标准差构造特征向量,并采用VPMCD方法进行故障识别。将该方法应用于实际轴承外圈、内圈、滚动体局部微弱故障状态下的故障诊断,结果显示:故障识别精度达到98.75%,证明了该方法的可行性和有效性。

VPMCD和模糊熵在转子系统故障诊断中的应用

针对转子系统的故障特征,提出了基于多变量预测模型(variable predictive mode based class discriminate,简称VPMCD)和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数(intrinsic mode function,简称IMF)分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。

基于EEMD和改进VPMCD的滚动轴承故障诊断方法

针对原VPMCD方法在参数估计过程中存在的缺陷,用BP神经网络非线性回归方法代替原方法中的最小二乘法,解决了最小二乘法中存在的病态问题,因此,提出了改进多变量预测模型(Variable predictive mode based class discriminate,简称VPMCD)的滚动轴承故障诊断方法.首先采用总体经验模态分解(Ensemble empirical mode decomposition,简称EEMD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,然后提取各分量奇异值组成特征向量作为改进VPMCD的输入,最后对滚动轴承工作状态和故障类型进行识别.实验结果表明,该方法能够有效地应用于滚动轴承故障诊断.

基于特征选择和RRVPMCD的滚动轴承故障诊断方法

针对滚动轴承故障诊断时所提取的特征值中可能含有较小相关性和冗余性特征,采用基于Wrapper模式的距离评价技术(distance evaluation technique,简称DET)进行特征选择。在分类器的设计中,提出了基于稳健回归的多变量预测模型(Robust regression-Variable predictive model based class discriminate,简称RRVPMCD)分类方法,以减小"异常值"对参数估计的影响,从而有望建立更加准确的预测模型。即根据Wrapper模式的特点,首先通过DET方法计算出各特征值对类的敏感度,并结合RRVPMCD分类器,选择敏感度最大的若干特征值组成特征向量矩阵;然后用RRVPMCD方法进行训练,建立预测模型;最后用所建立的预测模型进行模式识别。实验分析结果表明,基于Wrapper模式的特征选择方法和RRVPMCD分类方法相结合可以有效地对滚动轴承的工作状态和故障类型进行识别。

基于OC-VPMCD和ITD的滚动轴承故障诊断方法

基于变量预测模型的模式识别方法可以充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型并以预测误差平方和值最小为判别函数进行分类。基于此,提出了一种新的一类分类方法——单类基于变量预测模型的模式识别(OC-VPMCD)方法,将该方法与本征时间尺度分解(ITD)方法相结合并应用于滚动轴承故障诊断。首先采用ITD对滚动轴承振动信号进行分解并对包含主要故障信息的若干固有旋转(PR)分量提取排列熵作为故障特征值;然后对OC-VPMCD分类器进行训练,并确定预测误差平方和阈值;最后进行OC-VPMCD模式识别,根据模式识别结果判断滚动轴承的工作状态正常与否。实验数据分析结果表明,该方法能够有效地应用于滚动轴承振动信号的故障诊断。

基于LPP与VPMCD的液压泵故障模式识别

针对液压泵振动信号复杂且难以提取有效特征量的问题,提出一种基于局部保留投影(LPP)算法的故障特征提取方法。采用集总经验模态分解(EEMD)法对液压泵振动信号进行分解,从得到的内禀模态分量(IMF)中选取敏感分量,对敏感分量进行分析并从中提取液压泵故障高维特征向量,利用局部保留投影法对高维特征向量进行融合降维,提取隐藏在高维特征空间中的故障本质信息,即敏感特征向量。基于变量预测模型的模式识别(VPMCD)算法实现模式识别的良好性能,提出采用VPMCD算法实现液压泵故障模式识别。基于提取的敏感特征集,建立各状态敏感特征的变量预测模型,进而实现液压泵的故障识别,实测液压泵振动信号分析结果验证了所提出液压泵故障模式识别方法的有效性。通过对比分析验证了所提出方法的良好性能。

基于改进多项式响应面的VPMCD方法及其在滚动轴承故障诊断中的应用

基于变量预测模型的模式识别(Variable predictive model based class discriminate,简称VPMCD)方法在训练过程中是用多项式响应面(Polynomial Response Surface,简称PRS)法来建立预测模型的,然而PRS法的模型拟合精度不能随训练样本容量的增加而显著提高。针对这一缺陷,将原方法中的PRS方法进行了改进,提出了基于改进多项式响应面(Improved Polynomial Response Surface,简称IPRS)的VPMCD方法,并将其应用于滚动轴承故障诊断。通过实验,将原方法和改进方法在训练样本容量不同情况下的模式分类精度进行对比,结果表明,相对于原VPMCD方法,改进的VPMCD方法不仅具有更好的模式分类效果,而且其分类精度随训练样本容量的增加提高得更明显。

基于Kriging函数的KVPMCD在滚动轴承故障诊断中的应用

滚动轴承的故障诊断本质上是模式识别的问题,多变量预测模型(VPMCD)是一种新的模式识别方法,其实质就是通过特征值之间的相互内在关系建立数学模型,并根据数学模型对被诊断轴承的特征值进行预测从而达到模式识别的目的。但是VPMCD分类方法中单纯采用回归模型进行预测,因此当故障特征值之间关系较为复杂时将导致预测精度降低。针对这一缺陷,提出了基于Kriging函数的多变量预测模型(KVPMCD)模式识别方法。Kriging模型由回归模型和相关模型组合而成,其中,相关模型是在全局模型的基础上创建的局部偏差,它恰恰可以揭示特征值之间的空间相关性,从而弥补原VPMCD中单纯采用回归模型的缺点。对UCI标准数据以及滚动轴承实测数据的分析结果表明,KVPMCD模式识别方法比原VPMCD方法可以更加有效地识别滚动轴承的工作状态和故障类型。

一种增量式半监督VPMCD齿轮故障在线诊断方法

针对齿轮故障诊断中难以获得大量故障样本的问题及实时在线诊断的需求,提出了一种基于增量式半监督多变量预测模型(Incremental Semi-supervised Variable Predictive Model based Class Discriminate,ISVPMCD)的齿轮故障在线检测方法。首先使用VPMCD方法给少量的已知样本建立初始预测模型,接着利用VPMCD方法中的判据给未标识样本赋予初始伪标识,然后通过互相关准则筛选出伪标识样本,最后利用伪标识样本和已知样本作为训练样本更新初始预测模型,使得更新的预测模型能兼顾整个样本集的信息,从而可以有效地解决小样本的故障诊断问题,另外,由于该方法在实时更新新样本的过程中不需要再次建立判别模型,从而缩短了分类时间,为实时在线诊断提供了新的思路。对UCI标准数据以及齿轮实测数据的分析结果表明,适合于小样本的ISVPMCD模式识别方法可以更快更准确地识别齿轮工作状态和故障类型。

改进VPMCD法及其在机械故障诊断中的应用

提出了一种基于时序AR模型的VPMCD(基于变量预测模型的模式识别)故障诊断方法:利用时序分析方法对故障信号建立AR模型,以蕴含故障特征的自回归参数作为故障特征量,采用VPMCD方法训练得到各故障特征量的预测模型,并利用预测模型对待诊断样本的故障类型和工作状态进行分类和识别。对滚动轴承和齿轮的振动信号的分析结果证明了该方法的有效性,与基于EMD的VPMCD法和基于AR的KNN法的对比结果证明了所提方法的优越性。

基于PSODACCIW-VPMCD的滚动轴承智能检测方法

针对VPMCD中模型选择方法的不合理和小样本多分类时识别率降低的缺陷,结合动态加速常数协同惯性权重的粒子群(Particle swarm optimization with dynamic accelerating constant and coordinating with inertia weight,PSODACCIW)算法的全局优化能力和加权融合理论,提出基于PSODACCIW-VPMCD的滚动轴承智能检测方法。首先对样本提取特征变量,然后采用PSODACCIW算法优化诊断融合权值矩阵,最后对滚动轴承的故障类型和工作状态进行分类和识别。实验结果表明,该方法能够有效地应用于滚动轴承的智能检测中。

改进VPMCD方法在滚动轴承故障诊断中的应用

针对模式识别新方法 VPMCD(variable predictive model based class discriminate)在参数估计过程中存在的缺陷,对VPMCD方法进行了改进,用主成分估计法代替原方法中的最小二乘法进行参数估计,消除了预测变量间存在多重线性相关性的影响,可以获得更加稳定的模型参数,从而提高模式识别的精度。采用局部特征尺度分解(LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取各分量的近似熵组成故障特征向量作为改进VPMCD的输入,以改进VPMCD作为分类器对滚动轴承的工作状态和故障类型进行分类。对正常状态、外圈故障、内圈故障和滚动体故障四种不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明该方法有效。

基于迁移VPMCD的滚动轴承故障诊断方法

针对滚动轴承诊断中难以获得大量故障样本的问题,拟结合迁移学习的思想,提出了一种基于迁移学习的多变量预测模型(TVPMCD)方法。该方法首先采用已知样本库建立基础变量预测模型(BVPM);然后利用少量的目标域已知样本更新基础变量预测模型,使得更新的基础变量预测模型能兼顾目标域已知样本的信息;同时,以目标域已知样本的判别误差最小为目标,剔除已知样本库中误识样本,建立迁移变量预测模型(简称TVPM);最后利用迁移变量预测模型对待测样本进行识别,从而可以有效地解决小样本的故障诊断问题。对滚动轴承数据的分析结果表明,适合于小样本的TVPMCD模式识别方法可以更快更准确地识别滚动轴承故障类型。

多尺度高阶奇异谱熵和GA-VPMCD方法在转子故障智能诊断中的应用

首先,针对转子故障振动信号的非高斯、非线性特征,提出了多尺度高阶奇异谱熵的概念,并将其用于转子故障特征提取;然后,针对新的小样本多分类识别方法——基于变量预测模型分类识别的模型选择问题,结合融合诊断思想和遗传算法,提出了GA-VPMCD分类识别方法。最后提出了基于多尺度高阶奇异谱熵和GA-VPMCD的转子故障诊断方法。试验结果验证了该方法的有效性和优越性。