基于稀疏局部嵌入深度卷积网络的冷水机组故障诊断方法

针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络(sparsely local embedding network,SLENet)的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络(CNN)和支持向量机(SVM)方法具有更高的故障诊断精度。

基于局部联合稀疏边缘嵌入的滚动轴承故障诊断

滚动轴承是机械设备的重要零部件之一,对其进行及时有效地监测和诊断对机械设备的安全运行有着重大意义。针对多源信息融合导致的高维性、信息冗余等问题,提出了一种基于局部联合稀疏边缘嵌入(locally joint sparse marginal embedding,LJSME)的轴承故障诊断方法。LJSME利用L 2,1范数来重构类间矩阵和类内矩阵并引入局部图保留高维特征间的邻域关系,且将L 2,1范数作为目标函数的正则项以保证特征提取的联合稀疏性,从而提高特征的敏感性和鲁棒性。首先从轴承振动信号中提取由时域和频域信息组成的高维特征数据集;随后利用LJSME提取高维特征空间数据集中的敏感低维特征;最后利用K-近邻分类器实现滚动轴承的故障模式识别。通过两组滚动轴承故障数据集对所提出的方法进行验证,与其他三种降维算法相比,所提算法能够有效地提取滚动轴承振动信号的敏感性特征。

基于联合LLE和SSR的滚动轴承故障诊断方法

针对滚动轴承振动信号具有较强的非线性,且包含较多冗余和无关特征,导致提取本质特征和故障识别困难,提出一种基于联合局部线性嵌入和稀疏自表示(joint locally linear embedding and sparse self-rep-resentation,JLLESSR)与参数优化支持向量机的滚动轴承故障诊断方法.该方法构造了一个统一的特征提取框架,依靠局部线性嵌入(locally linear embedding,LLE)挖掘高维数据的局部几何结构,同时通过稀疏自表示(self-representation)在低维空间挖掘高维数据的全局几何结构,得到表征滚动轴承运行状态的嵌入特征.然后,将得到的特征输入至交叉优化支持向量机(cross-validation support vector machine,CV-SVM)中进行故障识别.最后,在常见滚动轴承故障数据集上对所提出的方法进行测试,实验结果表明提出的方法能有效识别出滚动轴承不同类型的故障,并且故障诊断精度可达98.5%.