基于局部线性嵌入的多流形学习故障诊断方法

故障样本具有复杂多样性,而不同故障类型存在于不同维数的多流形子空间中,将样本统一降维到同一维数的单流形上则不能进行高效的特征提取.提出了一种基于局部线性嵌入(Local Linear Embedding,LLE)的多流形学习(Multi-LLE)故障诊断方法,将单流形故障诊断方法扩展到多流形,首先利用Multi-LLE分别提取各故障数据集在其本征维数流形上的特征,再通过各特征向量的聚类中心与故障新样本在不同维数下的嵌入向量的距离比较,将距离最近者归为一类实现分类识别.利用转子实验故障数据对算法进行了验证,并将Multi-LLE方法与LLE和海赛局部线性嵌入(HLLE)方法进行了比较,结果表明该方法能够有效的实现故障诊断.     

分形法在发动机隐含故障诊断中的应用

在对发动机的机械故障诊断中 ,由于其结构复杂常使其故障特征不明显 ,为此提出用分形法对某些隐含故障进行诊断。介绍了分形法诊断故障的基本原理 ,并利用奇异值降噪技术和分形维数法对隐含故障的特征进行了提取 ,实现了对发动机轴承隐含故障的诊断。诊断结果表明 ,发动机轴承正常状态下的分形维数为 4.4,出现明显故障时轴承的分形维数为 5 .3,出现隐含故障时轴承的分形维数为 5 .37。由此可以看出 ,用分形维数可以诊断隐含故障 ,说明分形诊断法能从本质上反映故障的结构特征。     

分形法在发动机隐含故障诊断中的应用

在对发动机的机械故障诊断中，由于其结构复杂常使其故障特征不明显，为此提出用分形法对某些隐含故障进行诊断。介绍了分形法诊断故障的基本原理，并利用奇异值降噪技术和分形维数法对隐含故障的特征进行了提取，实现了对发动机轴承隐含故障的诊断。诊断结果表明，发动机轴承正常状态下的分形维数为4．4，出现明显故障时轴承的分形维数为5．3，出现隐含故障时轴承的分形维数为5．37。由此可以看出，用分形维数可以诊断隐含故障，说明分形诊断法能从本质上反映故障的结构特征。     

基于混沌分形理论的滚动轴承微小故障诊断

为提取轴承微小故障的故障特征,提出一种基于混沌分形理论的滚动轴承故障诊断方法。通过计算滚动轴承振动信号的最大Lyapunov指数,进行轴承运动的混沌识别;然后,对具有混沌特性的振动信号,计算关联维数和盒维数作为故障诊断的状态特征量。当关联维数不能明显区别轴承故障时,利用关联维数与盒维数相结合的方法判别故障;最后,选取滚动轴承滚动体、内圈、外圈存在微小故障和较明显故障以及正常状态7种工况的振动信号进行实验。研究结果表明:该方法能准确提取故障特征并完成滚动轴承的微小故障诊断。该方法为滚动轴承故障诊断提供了新的有效途径。     

迭代奇异值分解降噪与关联维数在烟气轮机故障诊断中的应用

烟气轮机的振动信号具有很强的非线性特征.提出了将迭代奇异值分解(ISVD)降噪与关联维数分析相结合应用于烟气轮机故障诊断.采用低通数字滤波与ISVD降噪两种方法对实测数据进行降噪处理,对其效果进行对比,并计算烟气轮机在不同故障状态下振动信号降噪前、后的关联维数.结果表明:对于烟气轮机信号,低通数字滤波的降噪效果并不理想,而ISVD降噪则能有效地去除噪声;降噪后,烟气轮机振动信号的伪相图特征清晰,关联积分曲线的标度区明显变宽;不同故障状态下计算得到的关联维数明显不同,可以将关联维数作为故障诊断的定量特征进行提取,从而为烟气轮机故障诊断提供简单而有效的方法.     

测量、维数、几何测度关系和地理空间分析

分形维数概念是欧氏几何中的维数概念的一种发展或者推广,而维数概念本身则来自生活和生产中的测量.当人们想要量算一个事物的长度、面积或者体积等测度的时候,就不可避免地涉及维数.然而,经过数学家的抽象之后,维数似乎变得有些高深莫测.这篇文章力图从日常生活中的测度出发,逐步揭开维数表面的抽象面纱,将其还原为一个通俗的概念.维数可以由特征尺度与测度的幂律关系定义,此时测度确定,幂指数为欧氏维数;如果一个现象的特征长度不存在,则测度依赖于尺度,幂律关系不变,但幂指数给出分形维数.分形几何与欧氏几何在测量方面具有"对偶"关系.其一,测量目标不同.欧氏几何体的维数不测可知,需要的是相应的测度;分形几何体的测度在理论上不测可知,需要的是相应的维数.其二,表达形式不同.欧氏几何体应该采用正幂律描述,建立尺度与测度关系;而分形几何体最好采用负幂律描述,建立尺度与测量次数的关系.其三,测量重点不同.欧氏几何重在测量结果,其基础是尺度;分形几何重在测量过程,其基础是标度.     

分形理论在液压泵故障诊断中的应用

针对液压泵故障诊断中特征提取上的瓶颈问题，提出了一种基于分形理论的液压泵故障诊断方法．以轴向柱塞泵为例，应用Matlab软件，通过建立液压泵壳体的振动模型，运用分形理论提取特征参数，进行液压泵故障分形诊断的研究．结果显示，壳体振动信号在一定的尺度范围内具有分形特征，不同的状态下关联维数是不同的，具有明显可分性．因此，关联维数作为液压设备故障诊断的敏感因子是可行的．这种方法简单、直观、易行，克服了传统方法分析上故障特征的提取、分析的困难．     

分形维数在齿轮故障诊断中的应用

为了识别齿轮的故障模式,运用分形理论,提出了分段关联维数的计算方法 ,并以分段关联维数为特征量,通过建立状态距离函数,实现了模式识别.该方法 克服了通常只通过计算一段数据的关联维数就进行故障识别的缺点.通过对仿真信号、实测信号的诊断,表明所提出方法 的有效性和实际应用价值.     

基于分形理论的滚动轴承故障诊断的研究

本文将分形的有关理论与滚动轴承故障诊断联系起来,论述了分形维数的基本概念,并给出了相关算法。试验结果表明,滚动轴承不同故障出现时,其分形维数明显不同。因此,可以利用分形维数有效的诊断出滚动轴承的故障。     

精细计盒维数与连续函数图象

将分形理论中的一个重要概念计盒维数推广为精细计盒维数，给出了精细(下)计盒维数的等价表示，且讨论了连续函数图象的精细(下)计盒维数用函数空间刻划的充要条件．     

基于ITD和模糊聚类的齿轮箱故障诊断方法

为提高齿轮箱故障诊断的准确性与效率,针对其振动信号非线性和非平稳性的特点,提出将固有时间尺度分解(ITD)和模糊聚类(FCM)相结合的齿轮箱故障诊断方法。首先对齿轮箱振动信号进行固有时间尺度分解,提取包含主要故障信息的前4个固有旋转分量(PRC),求取PRC的特征能量作为故障特征向量。然后利用模糊C-均值聚类算法对齿轮箱故障进行识别与诊断,并将该方法应用到现场齿轮箱的诊断中。结果表明,诊断结果与实际情况完全相符,该方法比经验模式分解与模糊聚类相结合的方法具有更高的计算速度和精度,为齿轮箱故障诊断提供了一种新的有效方法。     

基于时频特征和PCA-KELM的液压系统故障诊断

为了解决液压系统泄漏、堵塞和气穴等多类型故障下特征提取和模式识别困难的问题,提出基于时频特征和PCA-KELM的液压故障智能诊断新方法。首先利用统计分析和总体平均经验模态分解方法,构造高维混合域初始特征向量,从不同特征指标、不同分析角度对不同种类液压故障进行表征和刻画;然后通过主成分分析对多维初始特征向量进行降维和特征二次提取,将高维相关变量转化为低维独立的主特征向量;最后利用PCA主元构造的主特征向量输入核极限学习机网络中,实现故障类型的识别。实验结果表明,混合域初始特征向量能全面准确地描述故障特征,PCA提取的主特征向量摒弃了冗余信息且简化了分类器结构,KELM网络诊断速度快、分类准确率高。     

基于M-WDLS和PCA的转子故障诊断方法

针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.     

基于特征量融合和支持向量机的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种经验模态分解（EMD）结合时域分析后使用主成分分析（PCA）融合特征量的特征提取方法。首先,通过EMD分解得到前五个本征模态函数（IMF）分量的上、下包络值矩阵的奇异值;然后,对轴承原始信号进行时域分析得到各种时域特征参数;最后对奇异值和时域特征参数使用PCA降维融合后输入到多分类支持向量机（SVM）中进行分类。通过实验仿真验证,融合后的特征量诊断准确率达到了98.6%,该方法能充分地提取出轴承故障特征信息,诊断效果良好。     

基于ARMA模型双谱分布与FCM方法的轴承故障识别

针对滚动轴承信号非线性和非高斯性的特点,提出了基于自回归滑动平均(ARMA)模型双谱分布特征与模糊c均值(FCM)聚类分析的故障识别方法.首先,利用经验模态分解改善信号,对获得的信号主分量建立ARMA模型;然后,对ARMA模型进行双谱分析;最后,以阈值化的双谱分布二值图为特征向量,借助FCM聚类算法构建类模板与最近邻模板分类器,实现故障识别.滚动轴承实例诊断结果表明,该方法能准确地判断轴承的实际性态,是一种有效的故障识别方法.     

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.     

Comparison of Kernel Entropy Component Analysis with Several Dimensionality Reduction Methods

Dimensionality reduction techniques play an important role in data mining. Kernel entropy component analysis( KECA) is a newly developed method for data transformation and dimensionality reduction. This paper conducted a comparative study of KECA with other five dimensionality reduction methods,principal component analysis( PCA),kernel PCA( KPCA),locally linear embedding( LLE),laplacian eigenmaps( LAE) and diffusion maps( DM). Three quality assessment criteria, local continuity meta-criterion( LCMC),trustworthiness and continuity measure(TC),and mean relative rank error( MRRE) are applied as direct performance indexes to assess those dimensionality reduction methods. Moreover,the clustering accuracy is used as an indirect performance index to evaluate the quality of the representative data gotten by those methods. The comparisons are performed on six datasets and the results are analyzed by Friedman test with the corresponding post-hoc tests. The results indicate that KECA shows an excellent performance in both quality assessment criteria and clustering accuracy assessing.     

基于主元回归模型的挖掘机液压系统故障诊断

为提高挖掘机液压系统的可靠性,提出了基于主元回归(Principal Component Regression,PCR)模型和模糊C-均值(Fuzzy C-Means,FCM)聚类的挖掘机液压系统故障诊断方法.故障诊断方法将故障诊断分成故障特征提取和故障分类两个部分.在故障特征提取中,首先确定PCR模型的输入/输出结构,通过主元分析(Principal ComponentAnalysis,PCA)的累积贡献率得到故障样本的主元数目,建立相应的PCR模型并提取回归系数作为故障特征;在故障分类中,将FCM聚类作为故障分类器,对回归系数进行分类,判断系统的故障状态.仿真试验表明,提出的故障诊断方法能有效地应用于挖掘机液压系统.     

基于集成核熵成分分析算法的工业过程故障检测

针对核熵成分分析算法(kernel entropy component analysis, KECA)为不同的故障选择相同的核参数影响检测效果的问题,提出了一种基于集成核熵成分分析(ensemble kernel entropy component analysis, EKECA)算法的工业过程故障检测方法。首先,选取一系列具有不同宽度参数的核函数将非线性数据投影到核特征空间,选取Rényi熵值贡献较大的特征值和特征向量,得到转换后的得分矩阵,建立多个KECA子模型;然后,将测试数据投影到各KECA子模型上,计算各KECA子模型的统计量,得到检测结果;最后,将各KECA子模型的检测结果利用Bayesian决策进行概率换算,利用集成学习法计算检测结果统一的统计量,判断其是否超出控制限,并将该算法应用于数值例子和TE过程。仿真结果表明,与传统的EKPCA,KECA等算法相比,所提方法有效提高了故障检测率,降低了误报率。新方法解决了传统KECA算法中不同故障核参数的选择问题,为提高KECA算法在非线性工业过程故障检测中的性能提供了参考。     

基于一种自适应核学习的KECA子空间故障特征提取

核属性约简方法对于去除冗余信息,调整数据非线性结构具有独特的优势.针对航空电子设备故障诊断中有效特征提取困难,核属性约简方法中核函数与核参数选择繁琐等问题,提出了一种基于自适应核函数优化学习的核熵元分析（kernel entropy component analysis,KECA）特征提取方法.首先针对一种自适应核函数基于改进的Fisher核矩阵测量准则建立了一种面向多分类任务的核函数优化框架,然后将优化结果与KECA相结合,通过在KECA特征子空间中选择对输入数据Renyi熵估计有较大贡献的核矩阵特征向量来实现故障特征提取.实验结果表明,本文方法不仅提升了分类精度,而且对噪声具有一定的抑制作用,具有良好的泛化性能.