基于自适应特征选择k子凸包的滚动轴承故障诊断

滚动轴承故障诊断中往往将特征选择和分类器的设计分别进行研究,从而难以获得满意的分类精度。将特征选择和分类器寻优结合起来,提出了一种自适应特征选择k子凸包(Adaptive Feature Selection K-sub Convex Hull, AFSKCH)的分类模型,从而实现了故障特征自适应选择和分类的一体化。首先,利用凸包距离函数保持数据流形上的局部邻域结构,通过交替构造k子凸包得到特征权值矩阵;其次,采用线性规划接近度方法求解k子凸包距离,利用乘子交替方向法得到自适应特征空间;最后,根据测试点到k子凸包的最小重构距离进行分类。滚动轴承故障振动信号分析结果表明,该方法特征选择性能优于其他特征选择方法,且具有较高的分类精度。

深度超圆盘分类器及其在旋转机械故障诊断中的应用

几何模型分类器具有坚实的几何统计基础和良好的泛化能力,因此在旋转机械故障诊断中取得了较高的分类精度。与仿射包和凸包相比,超圆盘(Hyperdisk,HD)对样本分布区域的估计更加合理。但超圆盘模型属于浅层学习模型,对复杂函数的表示能力有限,存在学习能力和泛化能力差等缺点。针对这个问题提出一种深度超圆盘分类器(Deep Hyperdisk Large Margin Classifier,DHD),该方法通过模块叠加的方式将超圆盘分类器深度化,利用特征提取公式从每层模块的输入样本中自主提取新的特征值,并将其应用在下一层模块的训练学习中。将所提方法应用到旋转机械故障诊断当中,实验结果表明该方法对故障样本的分类准确率高于其他模型算法,且对不均衡样本和强噪声背景下的故障样本均具有良好的分类能力。

基于伪极值点的ALIF方法及其应用

针对自适应局部迭代滤波(Adaptive Local Iterative Filtering,ALIF)方法的模态混叠问题,提出了基于伪极值点的自适应局部迭代滤波(Pseudo-extrema-based Adaptive Local Iterative Filtering,PEALIF)方法.此方法采用增加伪极值点的方式使得信号极值点的分布更均匀,有效地抑制模态混叠问题的同时,亦保证了算法分解的顺序性.详细介绍了EPALIF方法的原理,同时构建仿真信号,将此方法与EMD、EEMD、CEEMD和ALIF方法进行分析和对比.结果表明PEALIF在分解能力、抑制模态混叠和抗噪声干扰等方面都具有一定的优越性.最后,将此方法应用在双半内圈轴承故障诊断中,实验结果表明PEALIF方法能获取更突出且易于辨识的故障特征信息,证实了该方法应用在轴承故障诊断分析上的实用性.

SPCA和OCHD相结合的旋转机械早期微弱故障检测方法

针对旋转机械早期微弱故障难以被及时准确检测的问题,提出了一种基于辛主成分分析(SPCA)和单分类超圆盘(OCHD)的智能检测方法。首先,采用SPCA将振动信号映射到辛空间,并提取最能表征信号主要能量和有效信息的辛特征值作为旋转机械故障特征。然后,将超圆盘模型引入单分类领域,提出了OCHD模型,该模型采用超圆盘模型评估已知样本的类别分布,并通过寻找几何模型上距离原点最近的点来构建最优单分类超平面,从而实现早期微弱故障的智能检测。最后,采用辛辛那提大学轴承全寿命周期数据验证所提方法的有效性,实验结果表明:SPCA能够有效提取轴承的敏感故障信息,且OCHD的故障检测性能明显优于其他单分类模型。