基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

改进VMD对称镜面图在消毒机器人故障诊断中的应用

针对消毒机器人电机转子故障振动信号的非平稳性，以及常用时频分析技术无法全面获取信号特征的问题，提出一种基于改进变分模态分解(VMD)对称镜面图与模糊神经网络的故障诊断方法.采用VMD分解转子振动信号，给出分解过程中关键参数的选取方法；根据综合评价因子法选取对信号特征敏感的固有模态函数(IMF),重构信号；采用对称极坐标法，将重构信号转化为镜面对称图，通过灰度共生矩阵提取图像特征以形成状态特征向量，输入模糊神经网络，实现转子故障诊断.对比实测信号及常见信号分析方法可知，提出的方法具有更准确的信号特征提取能力.     

基于时频图像GLCM-HOG特征的往复压缩机故障诊断

往复压缩机的故障诊断技术能够为工业生产提供有效保障,针对传统方法诊断准确率不高的问题,提出了一种基于振动信号时频图像灰度共生矩阵-方向梯度直方图(GLCM-HOG)特征融合的往复压缩机故障诊断方法.首先,采用小波变换的方法处理往复压缩机的振动信号,生成时频图像;其次,利用灰度共生矩阵(GLCM)和方向梯度直方图(HOG)的方法提取时频图像特征,融合构建GLCM-HOG特征;最后,将融合特征输入支持向量机(SVM)进行分类,以判别往复压缩机的运行状态.实验结果表明,所提方法对设备的状态识别准确率可以达到92.33％,能够实现往复压缩机的准确诊断.     

基于小波和支持向量数据描述的故障智能诊断

提出一种基于小波特征提取和支持向量数据描述的故障智能诊断方法,通过提取实测信号经小波分解后各频带重构信号的能量作为特征,进行支持向量数据描述分类器的训练和分类.通过对滚动轴承故障智能诊断实例表明,该方法可以有效提取信号的故障特征,改进支持向量数据描述在故障诊断中精确度.     

基于注意力机制BiLSTM的设备智能故障诊断方法

状态监测与故障诊断是保证机械设备安全稳定运行的必要手段.本文提出一种基于注意力机制双向LSTM网络(ABiLSTM)的深度学习框架用于机械设备智能故障诊断.首先,将传感器采集的设备原始数据进行预处理,并划分为训练样本集与测试样本集;其次,训练多个不同尺度的双向LSTM网络对原始时域信号进行特征提取,得到设备故障多尺度特征;再次,通过引入注意力机制,对不同双向LSTM网络提取特征的权重参数进行优化,筛选保留目标特征,滤除冗杂特征,以实现精准提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过利用发动机气缸振动实验数据和凯斯西储大学滚动轴承实验数据进行故障诊断实验,故障识别准确率均达到99%以上.实验结果表明,ABiLSTM模型可以实现对原始时域信号的多尺度特征提取和故障诊断,通过与深度卷积网络(CNN)、深度去噪自编码器(DAE)和支持向量机(SVM)等方法进行对比,ABiLSTM模型的故障识别性能优于各类常见模型.另外,通过利用凯斯西储大学滚动轴承在不同工况条件下的数据,对ABiLSTM模型进行泛化性能实验,变工况样本的故障识别准确率仍然能够达到95%以上.     

一种基于压缩感知和小波信息熵的滚动轴承特征提取方法

为降低滚动轴承在线监测和故障诊断过程中振动信号采集、传输、存储和处理负担,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的滚动轴承特征提取方法,用于滚动轴承故障诊断。应用部分哈达玛矩阵采集振动信号实现压缩,通过小波包分解提取滚动轴承状态特征,计算其小波信息熵作为故障诊断特征。在标准数据集上进行振动信号特征提取,并采用四种分类方法完成故障诊断实验,结果表明本文特征提取方法能够在较高的数据压缩率条件下,保持较高的故障诊断精度,适用于滚动轴承在线监测和故障诊断。     

多深度学习模型决策融合的齿轮箱故障诊断分类方法

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于CNN(Convolutional Neural Networks)和改进SDAE(Stacked Denoising Autoencoders)的混合网络模型,根据改进的D-S证据理论实现决策级融合诊断。以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型。实验结果表明,利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径。     

基于小波和支持向量数据描述的故障智能诊断

本文中提出一种基于小波特征提取和支持向量数据描述的故障智能诊断方法,通过提取实测信号经小波分解后各频带重构信号的能量作为特征,进行支持向量数据描述分类器的训练和分类。通过对滚动轴承故障智能诊断实例表明,该方法可以有效提取信号的故障特征,改进支持向量数据描述在故障诊断中精确度。     

基于VMD-TEO窗和DBiLSTM的早期轴承故障诊断

针对现代滚动轴承早期故障监测因数据量增大所带来的诊断困难问题,提出了基于变分模态分解(VMD)与TEO窗特征提取的深层双向长短记忆神经网络(DBiLSTM)轴承故障诊断方法。首先,利用改进果蝇算法优化的VMD-TEO窗函数,提取轴承振动信号的瞬时能量特征,构造具有时序特性的特征矩阵;其次,利用训练集对DBiLSTM模型进行学习以确定模型参数;最后,用测试集对模型进行验证,输出轴承状态识别结果。试验采用凯西西楚大学轴承故障数据集,结果表明:该方法在处理数据量较大的滚动轴承故障诊断问题时,能有效地对多种故障类型,不同损伤等级的滚动轴承振动信号进行识别。     

基于S变换和图像纹理信息的轴承故障智能诊断方法

旋转机械设备发生故障时产生的振动信号具有非平稳、非线性的特点,而传统的基于傅里叶分析的方法不仅不能有效诊断故障,同时需要技术人员具备大量的专业知识,因此提出了基于时频图像纹理信息的智能故障诊断方法。分析几种时频分析方法的优缺,在此基础上对振动信号采取S变换构建时频图像,并利用图像的灰度-梯度共生矩阵提取纹理特征,最后采用支持向量机实现多类故障的诊断。实验验证了方法的有效性。     

基于改进堆叠降噪自编码器的连铸机扇形段故障特征提取

为了提取连铸机扇形段在正常浇铸状态下的故障特征,设计一种利用鲸鱼优化算法(WOA)改进的堆叠降噪自编码器(SDAE)网络模型,命名为WOA-SDAE,并应用于扇形段拉矫力信号特征学习和故障分类。首先,从完整的浇铸周期中获取正常浇铸状态下的数据,对低频的拉矫力信号进行时域特征提取,将一维拉矫力信号转换为多维时域特征信号,并建立评价体系以寻找最优时域参数;其次,运用堆叠降噪自编码器与softmax分类器组成网络模型对故障信号进行分类,采用鲸鱼优化算法确定SDAE模型中隐含层层数与节点数。通过实际生产过程中的连铸机扇形段拉矫力信号来验证所提方法的可行性。试验结果表明,WOA-SDAE可有效提取扇形段的故障特征,在测试集上的识别准确率达到92.23%。     

考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法

针对现有深度学习方法对非平稳的滚动轴承故障诊断过程中,先验故障信息利用不充分和故障样本不完备,导致诊断精度不高甚至无法诊断的问题,充分发掘轴承故障位置和损伤程度与振动数据特征间的映射关系,提出一种考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法.该方法首先将原始振动信号矩阵化,构建二维灰度图像数据集,然后...     

雷达辐射源信号双谱二次特征提取方法

现有的双谱特征提取方法可以满足信号分类识别，但是出现了交叉项、平凡双谱以及特征维数过高等一些问题。针对以上问题，提出一种双谱二次特征提取方法，将双谱转化为灰度图像，以灰度值表示双谱幅度；再利用图像处理技术提取双谱二次特征，提取出能够表征辐射源信号双谱图像纹理信息的灰度共生矩阵特征集；将该特征集与Hu-不变矩特征集进行对比实验。仿真结果表明：该方法具有更好的分类识别性能，对于CW、LFM和NLFM信号的平均识别率均达90%以上。     

基于多注意力机制的端到端滚动轴承故障诊断方法

针对传统滚动轴承故障诊断中复杂的特征提取问题，利用深层残差网络能够增强诊断模型非线性表征能力的特点，通过引入通道注意力与空间注意力机制，提出一种基于多注意力机制端到端的滚动轴承智能故障诊断方法。首先，通过原始振动加速度信号经过积分运算得到速度和位移；然后，将3者组合成具有特征增强的图像，输入至结合了多注意力机制的深层残差网络实现特征提取；最后，利用多分类函数完成滚动轴承故障分类。在本地实验室轴承数据集上进行了验证，结果表明，所提方法的诊断准确率达到了97.50%。验证了基于多注意力机制端到端的滚动轴承智能故障诊断方法的可行性和有效性，可为滚动轴承的精确故障诊断提供支持。     

一种基于概率盒-PSO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断的问题,提出了一种基于概率盒理论和粒子群优化支持向量机的故障诊断新方法.在分析故障信号的概率统计特性基础上,利用概率盒直接建模方法获得概率盒,利用证据理论实现了概率盒的融合.不同故障状态下的概率盒特征也不同,采用不同的累积不确定性测量方法提取了概率盒的特征,并构建出用于模式识别的特征向量集,将特征集代入利用粒子群算法优化后的支持向量机中实现故障诊断.通过对滚动轴承振动信号的实验测试与对比分析表明:该方法可以实现对滚动轴承准确的诊断,与传统特征提取方法对比,证明了方法的有效性.     

基于SVM的图像分类研究

支持向量机(SVM)是一种优秀的分类方法,灰度共生矩阵(GLCM)是一种很好的纹理分析方法;本文研究了图像的颜色、纹理等特征对利用支持向量机进行图像分类的影响,提出了一种使用灰度共生矩阵进行综合特征提取的SVM图像分类方法.实验结果表明SVM方法的可行性和有效性,并得出图像综合特征的提取有利于分类效果的提高.     

基于RP与NMF的内燃机气阀故障诊断方法

针对传统的内燃机故障振动诊断方法,难以有效提取故障特征,诊断精度较低的缺点,提出一种基于递归图(recurrence plots,RP)与非负矩阵分解(non-negative matrix factorization,NMF)的内燃机故障诊断新方法。该方法是利用图像的方法来进行故障诊断:首先通过递归图将采集到的内燃机缸盖表面振动信号生成图像,然后用非负矩阵对得到递归图进行特征参数提取,最后用分类器进行分类识别完成故障诊断。将该方法应用于气阀机构8种工况下振动信号诊断实例中,结果表明:该方法克服了传统的振动诊断方法从时域或频域进行分析时参数选取和故障特征提取的难题,直接将信号生成图像,对图像进行自适应特征参数提取、分类识别,能有效诊断出内燃机气阀机构故障,故障识别精度高,为内燃机振动诊断探索了一条新途径。     

雷达辐射源信号双谱二次特征提取方法

现有的双谱特征提取方法可以满足信号分类识别,但是出现了交叉项、平凡双谱以及特征维数过高等一些问题。针对以上问题,提出一种双谱二次特征提取方法,将双谱转化为灰度图像,以灰度值表示双谱幅度;再利用图像处理技术提取双谱二次特征,提取出能够表征辐射源信号双谱图像纹理信息的灰度共生矩阵特征集;将该特征集与Hu-不变矩特征集进行对比实验。仿真结果表明:该方法具有更好的分类识别性能,对于CW、LFM和NLFM信号的平均识别率均达90%以上。     

基于小波纹理特征的医学图像检索

为了缩小图像高层语义与底层特征之间的鸿沟,提出了一种基于共生矩阵的图像纹理特征提取的新方法.该方法结合了图像的频域统计特征和空间分布特性,首先通过小波变换提取图像的局部频域信息,然后结合图像的整体结构特征,构建用于提取图像纹理特征的小波灰度共生矩阵.通过对比实验表明,与分别使用其他灰度共生矩阵和小波特征相比,基于小波灰度共生矩阵的纹理特征提取方法在医学图像检索中取得了更好的效果.     

一种基于经验模态分解和流形学习的滚动轴承故障诊断方法

提出一种基于经验模态分解(EMD)和流形学习(LTSA)的滚动轴承故障诊断方法。首先,利用EMD对滚动轴承振动信号进行自适应分解,计算IMF分量的协方差矩阵特征值,组成滚动轴承状态原始特征集;然后利用LTSA对原始特征集进一步的融合提取;将所得新特征输入到K-means分类器中进行故障识别与聚类。实验分析结果表明:该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。