基于自适应LPP特征降维和改进VPMCD的滚动轴承故障诊断

针对机械系统状态监测与故障诊断中存在的故障特征维数较高及模式识别导致的耗时较高问题,提出了一种基于自适应局部保持投影(Locality Preserving Projection,LPP)特征降维和改进多变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的故障诊断方法。首先,从滚动轴承振动信号中提取时频域特征、能量特征,以及复杂度特征组成高维故障特征数据集;其次,利用自适应LPP方法对高维故障特征数据集进行降维处理,得到低维敏感故障特征;最后,采用改进VPMCD方法对低维敏感故障特征进行分类识别,进而判断故障类型。通过滚动轴承故障诊断试验分析表明,自适应LPP方法克服了传统LPP方法需要人工选取参数的缺陷,在获得低维敏感故障特征的基础上具有较少计算时间,相比主成分分析(Principal Component Analysis,PCA)、局部切空间排列(Local Tangent Space Alignment,LTSA)、线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)、等距特征映射(Isometric Mapping,Isomap),以及局部线性嵌入(Locally Linear Embedding,LLE)等算法具有明显的优势;改进VPMCD方法可克服人工选择模型的偶然性和片面性,在滚动轴承10种故障状态的识别中获得了99.4%的诊断精度,相比优化参数支持向量机方法提高了故障诊断效率,大大降低了识别时间,具有一定的优越性。

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。

LMD能量矩和变量预测模型模式识别在轴承故障智能诊断中的应用

变量预测模型的模式识别方法(Variable predictive model based class discriminate,VPMCD)是一种利用特征值相互内在关系进行模式识别的新方法。论文提出了基于局部均值分解LMD(Local mean decomposition,LMD)能量矩概念,并针对轴承故障振动信号特征值的相互内在联系,将LMD能量矩与变量预测模型模式识别相结合,提出了一种轴承故障智能诊断新方法。首先利用LMD方法将复杂非平稳的原始信号分解为若干PF(Product function,PF)分量;然后利用相关分析剔除LMD方法中的虚假PF分量,并提取真实PF分量能量矩组成特征向量来有效地表达故障信息;最后采用VPMCD方法进行轴承故障诊断。通过仿真信号验证了PF能量矩比PF能量更能反映非平稳信号本质特征。轴承故障诊断实验结果表明,论文提出的方法能有效地应用于小样本多分类轴承故障智能诊断。

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。

基于本征时间尺度分解和变量预测模型模式识别的机械故障诊断

基于变量预测模型的模式识别(variable predictive model based class discriminate,VPMCD)方法是一种充分利用特征值之间相互内在关系进行多分类模式识别的新方法。对VPMCD算法进行了研究,并采用交叉验证法来选择VPMCD模型。针对机械故障振动信号的特征值之间的相互内在关系,结合本征时间尺度分解(intrinsic time-scale decom-position,ITD),提出了一种基于本征时间尺度分解和VPMCD的机械故障诊断方法。该方法首先利用ITD方法将原始信号分解若干个PR(proper rotation,PR)分量,然后提取第一个PR分量的无量纲时域统计参数组成特征向量,最后采用VPMCD方法进行机械故障诊断。通过滚动轴承故障诊断实验验证了该方法能有效地应用于小样本多分类机械故障诊断。

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。

基于流形学习和改进VPMCD的滚动轴承故障诊断方法

提出一种基于拉普拉斯特征映射流形学习算法(Laplacian Eigenmaps,简称LE)和改进多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的滚动轴承故障诊断方法,首先对振动信号进行局部特征尺度分解(Local characteristic scale decomposition,简称LCD),并提取各内禀尺度分量(Intrinsic scale component,简称ISC)的特征构造高维特征向量,接着采用LE算法挖掘出高维数据中包含有效信息且具有内在规律性的低维特征,然后输入到基于Kriging的改进多变量预测模型(Kriging-variable predictive model based class discriminate,简称KVPMCD)分类器中进行模式识别。该方法充分利用并有效结合了LCD在信号处理、LE在挖掘特征信息和KVPMCD在模式识别方面的优势,实现了滚动轴承故障特征提取到故障识别的全程诊断。实验分析结果表明:基于LE算法和KVPMCD的分类方法可以有效地对滚动轴承的工作状态和故障类型进行识别。

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.

GA-VPMCD方法及其在机械故障智能诊断中的应用

基于变量预测模型的分类识别(Variable predictive model-based class discriminate,VPMCD)方法是一种新的分类识别方法,但模型类型的选择存在主观性。为了解决VPMCD方法应用于机械故障诊断过程中的模型选择问题,结合遗传算法的全局优化能力,提出了基于GA-VPMCD(Genetic algorithm and variable predictive model based class discriminate)智能诊断方法。首先通过样本训练建立多个弱VPM(Variable predictive model),然后采用遗传算法优化各个弱VPM的权值,得到最优权值矩阵,最后用最优权值矩阵加权融合测试样本的弱VPM特征变量预测值,得到最佳特征变量预测值,并以误差平方和最小为辨别函数分类识别故障类型。通过GA-VPMCD方法在滚动轴承故障智能诊断中的应用实验验证了基于GA-VPMCD的故障智能诊断方法能有效地提高诊断精度和诊断系统的鲁棒性。

基于ICA相关系数和VPMCD的滚动轴承故障诊断

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;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,该方法能够有效应用于滚动轴承故障诊断。

基于特征选择和RRVPMCD的滚动轴承故障诊断方法

针对滚动轴承故障诊断时所提取的特征值中可能含有较小相关性和冗余性特征,采用基于Wrapper模式的距离评价技术(distance evaluation technique,简称DET)进行特征选择。在分类器的设计中,提出了基于稳健回归的多变量预测模型(Robust regression-Variable predictive model based class discriminate,简称RRVPMCD)分类方法,以减小"异常值"对参数估计的影响,从而有望建立更加准确的预测模型。即根据Wrapper模式的特点,首先通过DET方法计算出各特征值对类的敏感度,并结合RRVPMCD分类器,选择敏感度最大的若干特征值组成特征向量矩阵;然后用RRVPMCD方法进行训练,建立预测模型;最后用所建立的预测模型进行模式识别。实验分析结果表明,基于Wrapper模式的特征选择方法和RRVPMCD分类方法相结合可以有效地对滚动轴承的工作状态和故障类型进行识别。

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VPMELM的滚动轴承劣化状态辨识方法

针对变量预测模型模式识别方法(VPMCD)仅仅包含几种简单数学模型的问题,所建立的预测模型不足以反映特征值之间的复杂关系;极限学习机(ELM)回归模型是一种复杂且被广泛应用的模型,其模型可以反映特征之间的相互关系。结合极限学习机回归模型和VPMCD方法的优点,提出了一种基于极限学习机的变量预测模型(VPMELM)模式识别方法,并将该方法应用于滚动轴承劣化状态实验中。实验表明,基于VPMELM的辨识方法可以有效地对滚动轴承的劣化状态进行识别。

VPMCD和模糊熵在转子系统故障诊断中的应用

针对转子系统的故障特征,提出了基于多变量预测模型(variable predictive mode based class discriminate,简称VPMCD)和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数(intrinsic mode function,简称IMF)分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。

基于多尺度模糊熵的旋转机械故障诊断研究

从旋转机械振动信号复杂度分析的角度,展开相关特征熵提取方法的研究,构造出一组能够有效区分不同故障状态振动信号的多尺度模糊熵。考虑到传统故障模式识别方法对于先验知识过度依赖的理论缺陷,将生物识别领域基于变量预测模型的模式识别方法引入到旋转机械故障诊断之中,并在实例中进行了应用,表明该方法的有效性。

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RQA和V-VPMCD的滚动轴承故障识别方法

多变量预测模型模式识别(variable predictive model based class discriminate,简称VPMCD)利用样本特征值内在的相关性来建立特征学习模型,但是当训练样本较少时会导致模型预测不准确,因此提出了基于递归定量分析(recurrence quantification analysis,简称RQA)和投票法多变量预测模型模式识别(voted variable predictive model based class discriminate,简称V-VPMCD)的故障识别方法。该方法利用了递归定量分析对非线性、非平稳信号分析的鲁棒性和样本质量不高时处理的优势,以VPMCD作为分类方法,并用投票法优化了VPMCD方法,提升了算法的稳定性和识别率。对滚动轴承不同程度、不同类型故障的模式识别实验表明,该优化算法具有较高的识别准确率和稳定性。

基于Kriging函数的KVPMCD在滚动轴承故障诊断中的应用

滚动轴承的故障诊断本质上是模式识别的问题,多变量预测模型(VPMCD)是一种新的模式识别方法,其实质就是通过特征值之间的相互内在关系建立数学模型,并根据数学模型对被诊断轴承的特征值进行预测从而达到模式识别的目的。但是VPMCD分类方法中单纯采用回归模型进行预测,因此当故障特征值之间关系较为复杂时将导致预测精度降低。针对这一缺陷,提出了基于Kriging函数的多变量预测模型(KVPMCD)模式识别方法。Kriging模型由回归模型和相关模型组合而成,其中,相关模型是在全局模型的基础上创建的局部偏差,它恰恰可以揭示特征值之间的空间相关性,从而弥补原VPMCD中单纯采用回归模型的缺点。对UCI标准数据以及滚动轴承实测数据的分析结果表明,KVPMCD模式识别方法比原VPMCD方法可以更加有效地识别滚动轴承的工作状态和故障类型。

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。