基于决策树的电气设备异常振动信号智能分类方法

当前,电气设备异常振动信号智能分类方法效果不佳。为此,提出基于决策树的电气设备异常振动信号智能分类方法。提取振动频率、幅值、相位差及信号变化峰值点4个特征参量,通过权函数叠加拟合获取综合特征。采用决策树算法构造信号弱分类器,再用支持向量机优化为强分类器,输入信号特征,输出异常振动信号类别,由此实现对电气设备异常振动信号的智能分类。实例应用结果显示,所提方法可以有效识别设备异常振动信号类型,分类精度较高。

无人机飞行异常振动信号采集方法研究

在无人机飞行过程中,存在大量的异常振动环境,需要对振动心境进行实时报警。利用传统模型进行异常振动信号采集,受到多信号属性纠缠的影响,降低了采集的准确性。提出基于多特征属性集成算法的无人机飞行异常振动信号采集方法。采集大量的无人机飞行异常信号,并计算上述异常信号之间的关联性。对上述信号进行连续小波变换,提取无人机飞行异常信号的特征,并对提取的特征向量进行归一化处理。建立多特征属性集成模型,实现无人机飞行异常振动信号的采集。实验结果表明,利用改进算法进行无人机飞行异常振动信号采集,能够极大的提高采集的准确性。

基于多传感数据融合的变速运行齿轮异常振动故障诊断

变速运行齿轮异常振动故障诊断性能过差会增加汽车维护成本,缩短齿轮使用寿命。为了及时识别齿轮故障,保证汽车变速器总成具有良好的振动特性,提出基于多传感数据融合的变速运行齿轮异常振动故障诊断方法。通过分析多传感器数据融合技术,掌握变速运行齿轮异常振动故障诊断的理论框架,并以此为基础,参考传感器融合模块、特征级并行多神经网络局部诊断模块和终端分类模块,结合变分模态分解、多通道加权融合和单隐层前馈神经网络训练算法,从信号采集、信号特征提取和信号特征分类3个步骤实现变速运行齿轮异常振动故障诊断。实验结果表明:在齿轮发生轻度磨损时,磨损振动信号的幅值在20~40 mV之间,磨损振动信号的频率在0~4000 Hz区间;中度磨损时,信号的幅值在30~55 mV之间,信号频率在3000~7000 Hz区间;重度磨损时,信号幅值在50~70 mV之间,信号频率在6000~12000 Hz区间,且各阶段诊断结果均与故障程度的实际转折点吻合。由此可知在各样本数量均相同的情况下,提出的故障诊断方法预测值与真实值均相同,故障程度和故障类型的诊断性能均较好。