Fractional Envelope Analysis for Rolling Element Bearing Weak Fault Feature Extraction

The bearing weak fault feature extraction is crucial to mechanical fault diagnosis and machine condition monitoring. Envelope analysis based on Hilbert transform has been widely used in bearing fault feature extraction. A generalization of the Hilbert transform, the fractional Hilbert transform is defined in the frequency domain, it is based upon the modification of spatial filter with a fractional parameter, and it can be used to construct a new kind of fractional analytic signal. By performing spectrum analysis on the fractional envelope signal, the fractional envelope spectrum can be obtained. When weak faults occur in a bearing, some of the characteristic frequencies will clearly appear in the fractional envelope spectrum. These characteristic frequencies can be used for bearing weak fault feature extraction. The effectiveness of the proposed method is verified through simulation signal and experiment data. © 2017 Chinese Association of Automation.

基于高低频特征分解的深度多模态医学图像融合网络

多模态医学图像融合旨在利用跨模态图像的相关性和信息互补性,以增强医学图像在临床应用中的可读性和适用性。然而,现有手工设计的模型无法有效地提取关键目标特征,从而导致融合图像模糊、纹理细节丢失等问题。为此,提出了一种新的基于高低频特征分解的深度多模态医学图像融合网络,将通道注意力和空间注意力机制引入融合过程,在保持全局结构的基础上保留了局部纹理细节信息,实现了更加细致的融合。首先,通过预训练模型VGG-19提取两种模态图像的高频特征,并通过下采样提取其低频特征,形成高低频中间特征图。其次,在特征融合模块嵌入残差注意力网络,依次从通道和空间维度推断注意力图,并将其用来指导输入特征图的自适应特征优化过程。最后,重构模块形成高质量特征表示并输出融合图像。实验结果表明,该算法在Harvard公开数据集和自建腹部数据集峰值信噪比提升8.29%,结构相似性提升85.07%,相关系数提升65.67%,特征互信息提升46.76%,视觉保真度提升80.89%。

基于层次分析模型的潜艇极低频电磁场贡献率评估方法研究

潜艇极低频电磁场作为目标探测的关键特征,其形成机制复杂多样,平台工况以及在水下所处位置都会对其产生很大影响。有效操控以降低潜艇的磁特征对于提升其磁隐身性能具有重要的意义。然而,当前各种因素对电磁场影响程度的研究尚不充分。为此该文提出一种基于层次分析模型的贡献率评估方法,旨在为有效操控提供理论依据。首先深入分析潜艇极低频电磁场的威胁成因,并建立相应的威胁层次结构模型。其次,通过仿真手段获取由不同成因产生的电磁场信号特征,并构建威胁矩阵和特征矩阵。最后,计算得到不同成因电磁场对总电磁场的贡献率,在尾部测线上,尾流磁场的贡献率占比最高,达到0.7649;径向测线上轴频磁场贡献率占比最高,并逐渐衰减,最终在150 m处低于尾流电磁场,并保持在占比0.5左右。仿真结果验证了该方法的有效性,可为潜艇极低频电磁场的综合主动控制策略研究奠定技术基础。

频域特征提取联合双流CNN的轴承故障诊断方法

针对传统方法提取到的轴承各类故障特征混杂,部分类别故障不易区分的问题,设计一种双流卷积神经网络(Convolutional Neural Network,CNN)的故障诊断模型。首先将振动信号转换到频域,为减少低频微弱信号的干扰,过滤频域信号,设定滤波器通带和阻带衰减值以保证信号不失真,进而确定频率带宽,在该带宽值下求得信号振幅占比最大值的范围,同时以正常信号振幅平均值作为高频信号的阈值确定频率最高值。用上述参数分别作为滤波器的参数,过滤信号得到频谱信号和构建时频图像。将提取频谱信号和时频图作为模型两个通道的输入,在卷积层和池化层后加入特征融合层,通过加权融合的方式将两个通道的特征融合,使得各类故障特征区分度显著提高。实地搭建故障平台采集数据验证,实验结果表明,该方法能提取到每类故障独有的特征,轴承故障识别准确率达到98.95%。

基于改进层次斜率熵(IHSloE)的信号低频和高频故障特征提取方法

采用传统的基于粗粒化处理的多尺度特征提取方法,无法提取故障信号中的高频部分的故障信息,导致其提取到的故障特征难以准确地表征滚动轴承的故障状态和动态特性,无法保证故障诊断的可靠性和准确性。针对该缺陷,提出了一种基于改进层次斜率熵(IHSloE)和随机森林(RF)的滚动轴承故障诊断方法。首先,利用改进层次化处理代替粗粒化处理,实现了信号的多尺度分析目的,基于斜率熵,提出了改进层次斜率熵的非线性动力学指标;随后,利用IHSloE方法提取了滚动轴承振动信号的故障特征,建立了表征滚动轴承故障特性的故障特征;最后,基于RF模型建立了多故障分类器,并将故障特征输入至RF分类器进行了训练和测试,以实现滚动轴承的故障识别目的;利用滚动轴承数据集进行了实验,并将其与其他的故障特征提取指标进行了对比。研究结果表明:IHSloE方法采用改进的层次化处理,能够快速有效地提取出振动信号中的高频故障特征,诊断准确率达到了99%,而特征提取时间仅为149.35 s;相较于采用粗粒化处理和层次处理的特征提取方法,其准确率至少提高了2%和1%,证明该方法适用于滚动轴承的故障诊断。

基于FWECS-CYCBD的轴承故障特征提取研究

针对最大二阶循环平稳盲解卷积(maximum second-order cyclostationary blind deconvolution,简称CYCBD)特征提取中循环频率和滤波带宽难确定的问题,引入频率加权能量相关谱(frequency weighted energy correlation spectrum,简称FWECS)来改进CYCBD,实现了低信噪比条件下的滚动轴承故障特征提取。首先,通过FWECS获取周期冲击频率,构造循环频率集;其次,利用最大加权谐波显著性指标设计了一种等步长搜索策略,自适应选取滤波器长度;最后,基于优选的循环频率和滤波带宽进行CYCBD解卷积。轴承仿真和实验数据表明:在循环频率等先验信息未知的情况下,FWECS-CYCBD对故障信号中的微弱冲击特征更敏感;与最小熵解卷积、改进最大相关峭度解卷积和自适应最大二阶循环平稳盲解卷积等方法相比,所提方法在低信噪比条件下能较好地提取轴承故障特征频率信息。

基于改进的时频自适应胶囊网络轴承故障诊断方法

轴承是保障旋转机械安全运行的关键部件,传统的故障诊断方法在轴承复杂多变的运行环境中故障特征提取难且识别难度大。为此,提出了一种基于改进的时频自适应胶囊网络轴承故障诊断方法。首先,将一维原始振动信号通过EEMD-HHT特征增强方法转化为复合时频结构数据,增强非平稳信号特征的可分性;然后,改进原胶囊网络卷积层,用于自适应深度提取振动信号的时频结构特征;最后,针对卷积神经网络的平移不变性引入胶囊层,采用动态路由算法学习储存特征信息,并实现故障类型智能诊断。试验结果表明,所提方法较现有方法具有更强的故障敏感特征挖掘能力、更高的诊断精度及工况自适应能力。

变频调速器逆变单元故障自动化诊断仿真

变频器在切换过程中会产生过电流冲击,引起电网电压波动,造成设备逆变单元频繁跳闸。为降低变频调速器的故障风险,提出变频调速器逆变单元故障自动化诊断方法。通过比较逆变单元正常状态下电压信号与故障发生后电压信号,建立谱残差预测方程。利用最小二乘估计法,更新逆变单元信号谱残差预测值,通过加窗短时傅里叶变换以及哈特莱算法,提取出逆变器故障特征,将故障特征输入BP神经网络中训练,输出值即为故障诊断结果。实验结果表明,迭代次数达到200次研究方法的函数损失率降至0,且故障诊断精度接近100%。

基于时频域特征参数的风电机组滚动轴承故障诊断方法及应用

针对风电机组滚动轴承工作环境恶劣、工况多变且振动信号成分复杂等特点,将33项时域和频域特征参数及其特性应用于风电机组滚动轴承状态监测和故障诊断中,利用奇异值分解重构法(Singular Value Decomposition,SVD)将滚动轴承振动故障信号中的噪声等干扰成分去除,降噪重构后的信号经过基于经验模式分解法(Empirical Mode Decomposition,EMD)的希尔伯特-黄变换,实现故障冲击信号的共振解调处理,将低频周期故障调制信号筛选出来,最终结合滚动轴承各部件故障特征频率、振动信号时频分析结果和时频特征参数诊断结果实现滚动轴承的状态监测和故障识别。并通过振动测试信号分析,验证了该方法对提取风电机组滚动轴承故障特征的有效性。

基于变分时频分解与随机森林的柴油机气门故障诊断方法

柴油机气门间隙异常作为常见的柴油机故障,对其进行状态监测和诊断对柴油机的高效正常运行具有重要意义。针对柴油机气门间隙异常典型故障,提出一种基于变分时频分解与随机森林算法的气门故障诊断方法。首先,由于不同气门故障所引起的冲击信号存在冲击差异,利用变分时频分解方法可以自适应提取冲击信号中的单频率单冲击成分的特点,实现振动信号的分解并进行特征值提取;然后,利用随机森林算法对特征值进行训练;最后,在柴油机试验台上通过调整气门间隙开展模拟试验。实际试验结果表明,所提方法在气门间隙异常故障诊断中的整体准确率为96.42%,验证了所提方法的有效性。

基于改进MFCC算法的风力机叶片故障诊断方法

针对传统声信号特征处理方法无法有效提取叶片声音特征、导致叶片故障诊断准确率低的问题,提出一种基于改进梅尔频率倒谱系数(MFCC)算法的风力机叶片故障诊断方法。首先采用快速傅里叶变换(FFT)分析不同风速下叶片声音信号和风噪的频率特性,明确叶片声音信号的频率分布区域,将全频段分为三部分;然后采用粒子群优化算法(PSO)对梅尔(Mel)函数在不同频段上的敏感度进行优化,在迭代过程中将MFCC算法提取的叶片声音特征进行聚类,以轮廓系数作为适应度函数;最后基于支持向量机(SVM)构建分类器,实现风力机叶片故障的准确识别。以华北某风电场的叶片声音采集数据为算例,考察该算法在不同风速工况下的适应性,验证该方法的有效性。

基于多层窄带局部峰值因子的变桨轴承故障特征提取

针对风力发电机变桨轴承往复运转的行程短,转速低,故障信息微弱,故障诊断困难的问题,提出了一种基于多层窄带局部峰值因子的变桨轴承故障特征提取方法。首先,使用编码器零位信号对原始信号进行分割重构,去除往复换向过程中非平稳信号和冲击的影响;然后,构建多层窄带滤波器组,设计并使用谐波局部峰值因子代替传统的谱峭度作为滤波频带的评估指标,进行滤波频带的优化选择;最后,基于选取的最优滤波频带对重构信号进行带通滤波和解调,基于平方包络谱的峰值频率及其幅值提取故障特征。设计了一种非整周往复运转轴承故障模拟试验台,用于变桨轴承故障信号的模拟和多层窄带局部峰值因子方法验证,结果表明,在基于谱峭度的滤波频带选取方法无效的情况下,多层窄带局部峰值因子方法可以有效提取变桨轴承振动信号中的故障特征。

基于SVMD与参数优化MCKD的轴承故障诊断

针对轴承故障信号存在噪声干扰,难以提取故障特征的问题,提出了一种将连续变分模态分解(SVMD)与改进的最大相关峭度反卷积(MCKD)相结合的轴承故障诊断方法。首先,为了表征轴承振动信号中的故障特征,将峭度与高斯核相结合,提出了比峭度指标更为突出的加权峭度指标;其次,利用SVMD方法对轴承信号进行了分解,获得了若干模态分量,并使用加权峭度指标从多个模态分量中筛选出了故障特征最丰富的模态分量;然后,以包络熵为标准,通过几何平均优化器(GMO)优化MCKD的滤波器长度和周期两个参数,获得了最佳的参数组合;最后,采用GMO-MCKD方法对轴承信号进行了降噪,对降噪后的信号进行了包络分析,提取了轴承特征频率;同时,采用粒子群优化(PSO)的变分模态分解(VMD)和粒子群优化的变分模态提取(VME),对轴承信号进行了对照分析。研究结果表明:采用SVMD-GMO-MCKD方法在辛辛那提数据集中诊断出轴承特征频率为234.4 Hz及其二倍频;在西储大学轴承数据集中诊断出轴承特征频率为108.96 Hz,二倍频为218.09 Hz。该方法可以增强滚动轴承的周期性冲击成分,在有干扰的背景下有效地提取出滚动轴承内圈和外圈的故障特征,且轴承故障特征提取效果优于PSO-VMD和PSO-VME方法。

基于振动信号的断路器机械故障诊断研究

随着智能化配电网的发展,断路器的健康状态保障着电力系统的稳定运行。断路器在运行中易出现机械故障,因此,准确、及时地发现故障种类,有针对性的状态检修可以避免电力故障带来的安全问题。断路器的故障诊断可以从以下方面来总结:获取信号、特征提取、故障分类和状态检修。信息和传感器技术的进步、智能算法的应用改变了以往的专家系统诊断方式。文章所提方法给断路器的故障识别提供参考依据,最后,讨论了电力设备断路器的故障诊断与在线监测未来发展方向。

基于频谱分析的油田注水柱塞泵故障诊断

针对传统注水柱塞泵故障诊断高度依赖经验,实时处理能力不足,准确率低的问题,提出了一种柱塞泵频域信号在线诊断方法。采集了柱塞泵正常和16种故障状态下的振动信号,采用傅里叶变换进行分析,通过建立故障模型库,在线获取振动信号并进行故障特征提取,通过多次连续时间与模型库的均方根误差进行故障诊断,同时对故障中传感器贡献率进行排序并使传感器降维减少计算量。研究结果表明:采用该方法对轴向柱塞泵故障进行诊断,准确率从66.7%提高到80%以上,计算量降低为原来的26.7%。

基于SNRgram方法的滚动轴承故障特征提取

针对平方包络信号的负熵对随机脉冲敏感以及平方包络谱的负熵易受离散谐波干扰,从而导致信息图法对随机脉冲和离散谐波分析时鲁棒性差的问题,引入信噪比测度作为轴承故障信息的评估指标,识别包含丰富故障信息的共振频带,并进一步提出基于SNRgram的包络分析方法提取滚动轴承故障特征。仿真和试验结果表明,相对于信息图和其他典型频带识别方法,SNRgram方法处理随机脉冲和离散谐波时具有更强的鲁棒性以及更高的频带识别准确性,能够有效识别轴承故障相关共振频带并提取轴承故障脉冲特征。

基于高频重构信号与Bayes-XGBoost的低压电弧故障辨识方法研究

针对低压配电系统中单个用电负载支路串联电弧故障辨识困难的问题,提出一种基于高频重构信号和Bayes-XGBoost的低压电弧辨识方法。首先,搭建多支路、多负载类型的低压电弧故障真型实验平台,并采集相关数据。其次,基于故障前后主线路电流高频信号变化规律,提出信号微弱变化叠加法重构故障有效信号。最后,建立适用于单个负载支路电弧故障辨识的XGBoost模型,并采用Bayes算法对模型多个超参数进行优化。实验结果表明,所提方法在多种工况下对单个负载支路电弧故障具有较高的辨识准确率。与6种主流故障分析方法对比,所提方法在精度、训练速度和泛化能力等方面展现出了显著的优越性,有利于实现低压配电系统单个负载支路电弧故障的可靠辨识。

基于频域特征变分自编码器的轴承故障诊断研究

以往基于深度学习的机械故障诊断模型的泛化能力差,且网络复杂;训练一个通用的特征提取方法,对提取的特征进行分类,这一方法能够很好地解决此问题;针对这一问题,从两个方面展开研究:1)改进特征提取算法:将频域特征提取自编码器与变分自编码器结合,提出频域特征变分自编码器,使得提取到的特征更为鲁棒;2)离群点剔除:在特征提取之后,加入局部异常因子算法对离群点进行剔除,防止分类器过拟合,使得分类器泛化性能更好;故障诊断整体流程是,首先将样本数据输入变分频域特征提取自编码器进行特征提取,其次使用局部异常因子对离群点进行剔除,最后将特征输入分类器进行故障诊断。通过实验验证在不同损伤程度下特征提取的界限清晰,分类效果较好,同时表现出可迁移性,为后续故障诊断和迁移学习方法有一定的应用价值。

基于参数化滤波的旋转设备特征频率提取

针对强背景噪声下的特征提取问题,提出一种基于参数化滤波的旋转设备特征频率提取方法。对目标特征频率进行瞬时频率的初步提取;利用傅里叶基函数对初始瞬时频率进行拟合,得到所需特征频率的瞬时频率;根据提取出的瞬时频率和瞬时幅值重构出提取后的频谱图,从而达到对噪声进行抑制并准确提取所需特征频率的目的。使用仿真信号验证了该方法的有效性,对齿轮传动系统中行星齿轮箱振动数据、轴承外圈故障振动数据及轴承外圈早期故障进行试验分析。结果表明,该方法能有效提高信号的信噪比,准确提取特征频率,增强故障特征。

基于VMD-EWT-IASSP-EBILSTM的短期电力负荷预测

电力系统在国家工业基础设施中起着举足轻重的作用,维持系统负荷高精度预测是保障电力系统高效供应的关键。针对负荷数据的非平稳性、随机性与非线性,负荷预测误差较大的问题,结合变分模态分解(variational mode decomposition, VMD)、经验小波变换(empirical wavelet transform, EWT)、改进的空洞卷积金字塔模块(improved atros spatial pyramid pooling, IASSP)、集成双向长短时记忆模块(ensemble BiLSTM,EBiLSTM),提出了一种短期电力负荷预测模型。为解决负荷数据的非平稳性引起的模型预测波动问题,通过变分模态分解方法与经验小波变换的结合分解为若干子序列,显著降低了原始负荷序列的复杂性;为提高模型预测精度,将分解的负荷子序列利用过零率指标划分高低频序列,在低频序列中构建一种时序依赖捕获模块EBiLSTM提取长期负荷特征,高频序列中构建特征提取模块IASSP提取局部负荷特征,最后累加各子序列的预测结果,实现电力系统负荷的短期预测。选取行业通用客观评价指标:平均绝对误差、均方根误差,在宁夏某地电站的实测数据上对比前沿算法进行仿真实验验证。结果表明,该算法平均绝对误差(mean absolute error, MAE)降低了37%~75%,具有较高的准确性与可靠性。