基于补偿距离评估-小波核PCA的滚动轴承故障诊断

提出基于补偿距离评估技术-小波核PCA的滚动轴承故障诊断方法。将补偿距离评估技术用于滚动轴承时、频域故障特征向量降维,将降维后故障特征向量作为小波核PCA的特征向量。将分类结果与未进行补偿距离评估技术降维直接进行小波核主元分析结果比较表明,前者分类效果紧致性及计算效率更高。为突出小波核主元分析方法优势,将其与常用RBF核函数主元分析方法比较表明,前者聚类效果紧致性更高。

基于补偿距离评估技术与灰色关联分析的滚动轴承故障程度识别

针对滚动轴承故障程度识别问题,提出基于补偿距离评估技术与灰色关联分析的滚动轴承故障程度识别方法。利用补偿距离评估技术对全特征集进行特征选择,优选出对故障程度大小更为敏感的特征,然后根据特征的敏感程度对其进行加权。利用敏感特征子集建立标准退化模式矩阵,应用灰色关联分析,根据关联度的大小进行故障程度大小识别。结果表明,该方法能有效识别滚动轴承滚动体的不同故障程度,同时降低了计算的复杂度。

基于集成隐马尔可夫模型的轴承故障诊断

对轴承振动信号进行时频分析获得全特征集;运用距离补偿法提取轴承故障敏感特征获得敏感特征集。两种特征集在用于训练、测试轴承状态时不仅诊断率不同,且误判样本亦不同。基于此,提出基于集成隐马尔可夫模型的轴承故障诊断方法。采用两种特征集分别建立两独立隐马尔可夫模型;运用平均法则、最大似然概率法集成隐马尔可夫模型分类效果;对轴承信号进行故障诊断。实验结果表明,与基于敏感特征集、全特征集的分类器相比,该模型分类器在轴承故障诊断中识别精度更高。

基于CDET/MPSO-SVM的道岔故障诊断

针对目前铁路道岔故障率高,维护质量低等问题,以S700K型转辙机功率曲线为研究对象,提出一种补偿距离评估技术(Compensation Distance Evaluation Technique,CDET)结合改进的粒子群算法(Modified Particle Swarm Optimization,MPSO)优化支持向量机(Support Vector Machine,SVM)的道岔智能故障诊断方法.首先,通过分析S700K转辙机动作机理,将功率曲线分成启动、解锁、转换、锁闭、构通表示5个阶段,分别提取各阶段道岔功率曲线相应的特征集;然后,利用补偿距离评估技术对提取的特征候选集进行降维,选出敏感特征;最后,引入扰动项和动量项对粒子群算法进行改进并优化SVM相关参数,作为分类器对道岔故障进行预测,并与基于PSO-SVM,SVM等分类算法进行比较.仿真验证表明:该方法诊断正确率达到97%以上,能有效地识别道岔故障类型.

基于MFCC与CDET的滚动轴承故障诊断方法研究

针对工程应用中振动传感器安装困难、故障特征向量存在冗余等应用问题,提出了一种基于噪声信号美尔倒谱(MFCC)与补偿距离评估(CDET)的滚动轴承故障诊断方法。将机器运行噪声信号作为轴承状态监测信号,提取机器运行噪声信号的MFCC作为诊断特征,采用CDET算法对所提取的MFCC特征进行降维,最后将CDET降维后的MFCC特征向量作为支持向量机(SVM)的输入进行模式分类,并与传统基于PCA的降维算法进行比较研究。实验结果表明:噪声诊断中CDET降维具有更优的降维效果,基于MFCC与CDET的滚动轴承故障诊断能够准确、有效地识别轴承故障类型。