LMD能量矩和变量预测模型模式识别在轴承故障智能诊断中的应用

变量预测模型的模式识别方法(Variable predictive model based class discriminate,VPMCD)是一种利用特征值相互内在关系进行模式识别的新方法。论文提出了基于局部均值分解LMD(Local mean decomposition,LMD)能量矩概念,并针对轴承故障振动信号特征值的相互内在联系,将LMD能量矩与变量预测模型模式识别相结合,提出了一种轴承故障智能诊断新方法。首先利用LMD方法将复杂非平稳的原始信号分解为若干PF(Product function,PF)分量;然后利用相关分析剔除LMD方法中的虚假PF分量,并提取真实PF分量能量矩组成特征向量来有效地表达故障信息;最后采用VPMCD方法进行轴承故障诊断。通过仿真信号验证了PF能量矩比PF能量更能反映非平稳信号本质特征。轴承故障诊断实验结果表明,论文提出的方法能有效地应用于小样本多分类轴承故障智能诊断。

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposi-tion,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法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3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural net-work,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.

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VPMCD的变压器局部放电模式识别

识别局部放电的类型对变压器状态评估十分重要。文中构造了四种变压器局部放电实物模型,从放电信号中提取18个统计特征量,使用基于变量预测模型的模式识别方法(Variable Predictive Model based Class Discriminate method,VPMCD)完成局部放电信号的分类。对比实验结果表明,VPMCD方法在识别率和计算效率均高于BP神经网络。

基于KELM-VPMCD方法的未知局部放电类型的模式识别

为了解决局部放电类型未知的样本无法被正确识别的问题,提出了一种基于核极限学习机变量预测模型(KELM-VPMCD)的未知局部放电类型的识别方法。通过KELM对已知局部放电类型的训练样本进行训练,然后对各局部放电类型已知的样本建立相应的变量预测模型。利用这些模型对测试样本进行回归预测。根据各样本的预测误差平方和,利用Otsu算法设置误差阈值,通过阈值识别各样本的局部放电类型。识别结果表明,所提方法对于未知的局部放电类型具有较高的正确识别率。

基于条件局部均值分解与变量预测模型的轴承故障诊断方法

针对局部均值分解(LMD)方法在分解非线性、非平稳振动信号过程中存在的模态混淆现象,从而影响故障识别准确性的问题,提出了基于条件局部均值分解方法(CLMD)与模式识别变量预测模型(VPMCD)的故障诊断方法。该方法将数字图像处理的频率分辨率方法与LMD相结合,首先确定振动信号中所有局部极值点的频率分辨率,将振动信号分为低频率分辨率区域和高频率分辨率区域;然后对高频率分辨率区域进行LMD分解,可得若干乘积函数(PF)分量;最后用折线将所有PF分量连接起来,经滑动平均处理可得PF分量,提取PF分量的偏度系数和能量系数构成故障特征向量,用于VPMCD故障识别。将该方法应用于轴承故障诊断,实验结果表明,与LMD方法相比,识别效率提高了8.33%,表明了该方法的有效性和可行性。

基于自适应LPP特征降维和改进VPMCD的滚动轴承故障诊断

针对机械系统状态监测与故障诊断中存在的故障特征维数较高及模式识别导致的耗时较高问题,提出了一种基于自适应局部保持投影(Locality Preserving Projection,LPP)特征降维和改进多变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的故障诊断方法。首先,从滚动轴承振动信号中提取时频域特征、能量特征,以及复杂度特征组成高维故障特征数据集;其次,利用自适应LPP方法对高维故障特征数据集进行降维处理,得到低维敏感故障特征;最后,采用改进VPMCD方法对低维敏感故障特征进行分类识别,进而判断故障类型。通过滚动轴承故障诊断试验分析表明,自适应LPP方法克服了传统LPP方法需要人工选取参数的缺陷,在获得低维敏感故障特征的基础上具有较少计算时间,相比主成分分析(Principal Component Analysis,PCA)、局部切空间排列(Local Tangent Space Alignment,LTSA)、线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)、等距特征映射(Isometric Mapping,Isomap),以及局部线性嵌入(Locally Linear Embedding,LLE)等算法具有明显的优势;改进VPMCD方法可克服人工选择模型的偶然性和片面性,在滚动轴承10种故障状态的识别中获得了99.4%的诊断精度,相比优化参数支持向量机方法提高了故障诊断效率,大大降低了识别时间,具有一定的优越性。

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RQA和V-VPMCD的滚动轴承故障识别方法

多变量预测模型模式识别(variable predictive model based class discriminate,简称VPMCD)利用样本特征值内在的相关性来建立特征学习模型,但是当训练样本较少时会导致模型预测不准确,因此提出了基于递归定量分析(recurrence quantification analysis,简称RQA)和投票法多变量预测模型模式识别(voted variable predictive model based class discriminate,简称V-VPMCD)的故障识别方法。该方法利用了递归定量分析对非线性、非平稳信号分析的鲁棒性和样本质量不高时处理的优势,以VPMCD作为分类方法,并用投票法优化了VPMCD方法,提升了算法的稳定性和识别率。对滚动轴承不同程度、不同类型故障的模式识别实验表明,该优化算法具有较高的识别准确率和稳定性。

RWESOS-VPMCD方法对超声缺陷信号的识别研究

在通过特征值间的内在关系建立预测模型的变量预测模式识别方法(VPMCD)中,传统判别方法受特征向量中的个别特征预测异常值影响大,易导致分类错误。提出基于比值加权的最小误差平方和的判别函数(RWESOS),可将异常预测的特征权重大幅降低,提升正确预测特征的权重,从而提高分类准确率。实验表明,在对不同缺陷大小的超声检测信号的识别中,使用RWESOS判别函数的RWESOS-VPMCD方法的识别率比BP神经网络和普通判别函数的VPMCD方法的识别率分别提高了4%和11%。

基于MRSVD-SVD与VPMCD的交叉滚子轴承故障诊断研究

针对奇异值分解(SVD)提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时,出现奇异值分辨率不足的问题,提出了一种基于最大分辨率奇异值分解(MRSVD)-奇异值分解(SVD)与变量预测模型模式识别(VPMCD)的工业机器人交叉滚子轴承的故障诊断方法。首先,以最大奇异值分辨率原则将一维振动信号构造成了Hankel矩阵,采用奇异值分解方法对Hankel矩阵进行了分解,得到了其奇异值序列,根据奇异值曲率谱理论选择有效奇异值,并进行了重构,得到了经降噪后的高信噪比信号,以重构信号构建了相空间矩阵,进行了二次奇异值分解,得到了其故障特征分量;然后,计算了故障特征分量的特征参数,构建了其特征向量;最后,采用了VPMCD分析了特征向量,完成了对交叉滚子轴承故障类型的识别,并与其它方法进行了识别准确率对比。研究结果表明:采用该方法对工业机器人交叉滚子轴承进行故障诊断,得到的故障类型识别准确率为98.66%,比SVD与共振解调相结合方法提高了9%;该方法通过构建最大奇异值分辨率矩阵提高了奇异值分辨率,可完整提取出工业机器人交叉滚子轴承振动信号的微弱故障特征分量,获得了更高的故障类型识别准确率。

变量预测模式识别方法在机械故障诊断中的应用——评《机械故障诊断的变量预测模式识别方法》

如何提高机械运行效率,发挥机械运转实效,成为机械使用的重点。我国学者开展了理论研究与实践研究,对机械故障进行了科学诊断,采用了多元化的故障识别方法。变量预测模式识别方法以变量预测模型为依托,能够定位机械故障位置,分析机械故障问题,提出故障解决方案。变量预测模式识别所提出的理论方法得到了工业企业的印证,得到了学界的广泛认可。我国将变量预测模式识别方法应用在了工程实践当中,收货了事半功倍的预测效果。为了推动工业社会的可持续发展,需要把握变量预测模式识别方法的应用流程,遵循变量预测模式识别方法的应用步骤。《机械故障诊断的变量预测模式识别方法》一书结合理论探讨和实证分析,系统全面地阐述了机械故障诊断的模式识别方法,对比分析了不同的模式识别方法,指出了变量预测模式识别方法的重要作用,探讨了变量预测模式识别方法在机械故障诊断中的应用路径,其立足工程实例,证明了变量预测模式识别方法的应用价值。

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。

基于ICA相关系数和VPMCD的滚动轴承故障诊断

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;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,该方法能够有效应用于滚动轴承故障诊断。

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。

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。

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MFCCS和改进VPMCD的滚动轴承故障诊断

将梅尔倒谱和系数(MFCCS)与改进的基于变量预测模型的模式识别算法(VPMCD)相结合,提出了一种滚动轴承故障的诊断方法。将语音信号识别中最常用的特征参数梅尔倒谱系数(MFCC)应用到轴承故障诊断领域,提出了适用于滚动轴承故障识别的特征参数梅尔倒谱和系数。同时,采用主成分分析(PCA)方法来解决VPMCD方法中求解得到的预测模型方程系数与理想系数存在偏差的问题。然后,使用改进的VPMCD算法对特征参数进行训练,再利用预测模型对待诊断样本数据进行模式识别和诊断,并用实验室模拟试验台的数据,对该方法进行了验证,实验结果能够有效区分轴承的故障种类,证明了方法的有效性。

基于VPMELM的滚动轴承劣化状态辨识方法

针对变量预测模型模式识别方法(VPMCD)仅仅包含几种简单数学模型的问题,所建立的预测模型不足以反映特征值之间的复杂关系;极限学习机(ELM)回归模型是一种复杂且被广泛应用的模型,其模型可以反映特征之间的相互关系。结合极限学习机回归模型和VPMCD方法的优点,提出了一种基于极限学习机的变量预测模型(VPMELM)模式识别方法,并将该方法应用于滚动轴承劣化状态实验中。实验表明,基于VPMELM的辨识方法可以有效地对滚动轴承的劣化状态进行识别。