基于字典相干性优化的稀疏分类在发动机空燃比故障识别中的应用

稀疏分类直接把故障样本作为原子会造成分类字典相干性较高,进而影响稀疏分类精度,为此提出一种通过有效降低分类字典相干性来提高稀疏分类效果的优化算法。该方法首先通过传播聚类算法获取分类子字典的代表原子,然后基于极分解和子空间旋转法对子字典进行相干性优化。在某型发动机上的实验结果表明,该算法在低相干性字典上能够对怠速和2000r/min工况下的5种常见空燃比故障进行高精度识别。

基于多尺度熵的滚动轴承故障可拓智能识别

针对滚动轴承振动信号的多样性、复杂性以及不确定性,利用可拓学在分析矛盾问题可拓性和规律性时的优势以及对于时间序列多尺度熵(Multiscale Entropy,MSE)可在不同尺度上进行复杂度评价的特点,提出一种基于多尺度熵的滚动轴承故障可拓智能识别方法。利用MSE对轴承振动信号进行特征提取,利用Fisher比对MSE特征进行选择,将最终入选的MSE特征作为可拓物元模型的特征参数,并以此构建轴承不同健康状态物元模型的经典域以及所有状态下物元模型的节域。将待测数据代入构建好的轴承不同健康状态所对应的物元模型中,利用关联度函数计算待测数据与轴承不同健康状态的综合关联度,以此实现待测数据的定性定量识别。对电机滚动轴承的故障识别结果表明,所提方法对轴承正常、内圈故障、外圈故障和滚动体故障4类模式识别的准确率可达100%,高于常规的基于小波包和神经网络的方法。

中压开关设备故障类型的声音识别方法

为实现对中压开关设备运行状态的监测,提出基于短时能量面积占比参数的中压开关设备故障类型的声音识别方法。该方法对采集的原始声音信号进行滤波去噪和预加重处理,通过比较各种声音信号短时能量的面积占比、均值及峰值等参数的不同,并借助判据流程图识别声音信号的类型,对处于运行状态下的开关设备所发生的各种故障进行识别。仿真实验结果表明:测试声音信号分别识别为正常声音信号和异常声音信号1~4的匹配度依次为:99.03%、98.96%、65.28%、95.75%和90.41%,除对异常声音信号2的识别匹配度较低以外,对其余4种声音信号的识别匹配度均高于90%。研究表明该识别方法能有效识别中压开关设备故障类型,且识别精度较高。

基于FNER性能退化指标及IDRSN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法。首先,将全寿命轴承信号进行希尔伯特(Hilbert)变换和快速傅里叶变换(Fast fourier transform,FFT)得到包络谱,根据故障特征频率及其倍频计算包络谱幅值的特征能量比(Feature energy ratio,FER);然后,根据自相关函数(Autocorrelation function,AF)得到包络信号的总能量,将故障特征能量和噪声能量的比值作为轴承性能退化指标,之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化;随后,使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型。为了提高抗干扰能力,将DropBlock层引入第一个大型卷积内核,在全局平均池化之前引入Dropout技术。最后,运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性,结果表明所提方法能更准确地实现滚动轴承寿命状态识别。

基于在线HHT和SVM的汽油机轻微漏气故障识别方法

针对汽油机轻微漏气故障会被闭环反馈控制所掩盖,提出了一种基于在线希尔伯特变换(Hilbert-Huang Transform,HHT)和支持向量机(Support vector machine,SVM)的两阶段微小故障识别方法(Online HHT-SVM,OHS).第一阶段在嵌入式两滑动时间窗内通过HHT对发动机空燃比数据流进行在线时频分析,以实时获取空燃比发生异常的时刻;第二阶段通过SVM对异常时刻的数据流故障模式进行离线识别.根据氧传感器信号特征,对经验模态分解(Empirical mode decomposition,EMD)算法进行了改进,并从理论上进行了证明.基于两款发动机的实际运行数据验证了该方法的有效性.