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。

VPMCD和改进ITD的联合智能诊断方法研究

提出了一种基于变量预测模型(Variable predictive model based class discriminate,简称VPMCD)和改进固有时间尺度分解(Intrinsic time-scale decomposition,简称ITD)算法的滚动轴承故障诊断方法。VPMCD方法充分利用了特征值之间的相互内在关系来建立预测模型,并以这些模型对待诊断样本的特征值的预测结果作为分类依据来进行模式识别。ITD方法能自适应地将非平稳信号分解成为若干单分量信号(固有旋转分量,Proper rotation component,简称PRC)之和。首先对ITD算法进行了改进;接着采用改进ITD算法对原始振动信号进行分解得到多个内禀尺度分量(Intrinsic scale component,简称ISC);然后对包含主要故障信息的若干内禀尺度分量建立对数正态分布模型,并提取其对数均值和对数标准差作为故障特征值;最后采用VPMCD模式识别方法得到各故障特征值的预测模型,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。对滚动轴承正常、外圈故障和内圈故障振动信号的分析结果表明了该方法的有效性。

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LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别

滚动轴承退化状态识别的关键在于特征提取和模式识别,局部特征尺度分解(local characteristic-scale decomposition,LCD)方法是一种新的时频分析方法,非常适用于滚动轴承振动信号的特征提取。基于变量预测模型的模式识别(Variable predictive model based class discriminate,VPMCD)方法是一种利用特征值之间的相互关系进行分类的模式识别方法,可以用于滚动轴承的退化状态识别。将LCD、VPMCD和高斯混合模型(Gaussain mixture model,GMM)相结合,提出了基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别方法,首先对滚动轴承全寿命数据进行LCD分解并提取分量的特征值,然后利用GMM对全寿命数据的特征值进行聚类,将全寿命数据在时域上分成若干个退化状态,最后建立VPMCD模型并对测试数据进行分类,从而实现滚动轴承的退化状态识别。实验数据的分析结果表明,基于LCD的GMM-VPMCD混合模型可以有效实现滚动轴承的退化状态识别。

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。

基于人工神经网络与VPMCD的葡萄干等级检测方法研究

为了准确鉴别葡萄干等级,提出一种基于人工神经网络和VPMCD的葡萄干等级检测新方法。以新疆绿无核三个等级的葡萄干作为研究对象,提取颜色、形状的特征参数。采用BP神经网络算法,对比各特征组合对识别率的影响,确定了识别率较高的4个特征参数组合。最后应用VPMCD方法进行样本训练并进行葡萄干等级检测。将提出的方法与SVM、BP神经网络识别结果进行对比分析,结果表明,VPMCD算法识别率达到100%,分级效果明显,运算时间少,识别精度高,为农产品等级检测提供了一个新途径。

基于支持向量回归的VPMCD方法及其在局部放电模式识别中的应用

针对传统VPMCD方法在回归预测过程中存在的缺陷,采用支持向量回归代替原方法中的多项式回归模型,解决了原回归方法对高维小样本数据预测精度差的问题。在基于支持向量回归的VPMCD方法中,首先采集各个不同类型的放电样本,并提取特征向量构成样本集合;其次,通过支持向量回归对训练样本进行训练,建立各放电类型的变量预测模型;然后,利用这些模型对测试样本进行回归预测,得到各样本相应的预测平方和误差;最后,以预测误差平方和最小为依据,识别各放电样本的放电类型。相较于BP神经网络、SVM、传统VPMCD方法,SVR-VPMCD方法具有更好的分类效果。

一种基于VPMCD的大学生心理健康评估模型

目前,面对多元化、多样化、多层化的社会环境,大学生心理健康问题已经逐渐成为关注焦点,为此,本文提出一种基于VPMCD的大学生心理健康评估模型。首先,从社会环境、校园环境、家庭环境以及个人环境四个方面,具体分析了影响当代大学生心理健康的主要要素,进而利用层次分析法,建立了心理健康评估指标体系,并给出了各层级指标数值计算方法,以此为基础,建立了基于VPMCD的心理健康评估模型。实例分析结果表明,本文所提出的方法可以有效的评估出大学生心理健康状态,为心理辅导人员及时开展有针对性的心理教育及拓展训练提供一定的参考。

基于EMD和VPMCD算法的燃油系统故障诊断方法

提出了一种基于经验模式分解(empirical mode decomposition,简称EMD)算法和变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的燃油系统故障诊断方法。利用EMD分解获得信号的本征模式函数(intrinsic mode function,简称IMF),选取前5个IFM的能量作为特征向量,提取信号的特征信息。利用VPMCD模式识别方法得到各故障特征值的预测模型,并利用预测模型对待诊断样本的故障类型进行了分类和识别。分析结果表明,该方法能够准确识别出燃油系统故障。

基于VPMCD的中性点经低阻接地风电场集电线路单相接地智能区段定位

针对风电场内多风机电源接入导致单相接地短路后定位精度差、效率低的难题,提出一种基于变量预测模型的类型判别(VPMCD)的集电线路智能区段定位新方法。首先,采集各测量装置的零序电流信息,考虑直接输入其波形序列存在过高的冗余和上传、运行成本,使用FFT提取零序电流的基频分量特征来构成定位样本库;然后,通过VPMCD方法建立各故障区段的变量预测模型,用于对测试故障样本进行分析;最后,应用上述的模型计算测试故障特征集合的误差平方和,并以其值最小为判定依据,自动、准确地定位故障区段。PSCAD/EMTDC实验仿真结果证明,新方法对多端电源系统有着良好的适应能力,且相较于支持向量机方法,无需优化调参,可实现复杂风电场网络的高精度、快速故障定位。

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VMD多尺度散布熵和VPMCD的滚动轴承故障诊断方法

为有效提取滚动轴承的故障特征,并解决识别准确率低的问题,提出一种将变分模态分解(VMD)多尺度散布熵和变量预测模型分类识别(VPMCD)相结合的故障诊断方法。首先,通过最大相关峭度解卷积(MCKD)算法对信号实施去噪处理;其次,采用VMD方法分解去噪后的信号,获得多个本征模态函数(IMF)分量;再次,计算各分量的多尺度散布熵(MDE)值,形成故障特征向量;最后,利用VPMCD方法进行故障识别和分类。实验结果表明:该方法能切实有效地提升轴承故障诊断的准确性。

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EMD和VPMCD的滚动轴承故障诊断

根据滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种不同类别的振动信号,给出了基于经验模态分解(Empirical Mode Decomposition,EMD)和变量预测模型(Variable Predictive Model Based Class Discriminate,VPMCD)的滚动轴承故障诊断方法。首先,使用EMD方法自适应地将滚动轴承振动信号分解为若干IMF(Intrinsic Mode Function,IMF),对前几个包含滚动轴承主要故障信息的IMF分量求包络谱,并提取故障特征频率处的幅值组成故障特征向量;然后,采用VPMCD分类器进行故障识别和分类。试验仿真分析结果表明,应用该方法对20×4个测试样本进行分析,80个样本均被成功识别,达到了试验研究预期的故障类型识别准确度。

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。