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GLCM-SDAE的滚动轴承故障诊断方法

目的针对传统信号分析方法在滚动轴承故障特征提取和故障分类等方面的不足,结合堆栈去噪自编码(Stacked De-noising Auto-Encoders,SDAE)算法在提取特征和特征分类等方面的优势,提出一种基于灰度共生矩阵(Grey-Level Co-occurrence Matrix,GLCM)和SDAE的滚动轴承智能故障诊断方法.方法首先通过短时傅里叶变换(Short-Time Fourier Transform,STFT)将滚动轴承振动信号转化为灰度时频图,然后利用灰度共生矩阵提取灰度时频图中的故障特征参数,构建滚动轴承故障类别的特征向量空间,最后将其输入到构建的SDAE网络模型中,以实现滚动轴承的智能故障诊断.结果在轴承数据集上进行了故障特征提取和故障类型识别实验,结果表明笔者所提方法在训练集和测试集上平均分类精度均达到了95%以上.结论相较于从原始信号中提取特征的支持向量机(Support Vector Machine,SVM)、深度信念网络(Deep Belief Network,DBN)等方法,笔者所提出的方法能够提高故障识别率,可有效地对滚动轴承故障状态进行智能诊断.     

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.     

基于匹配追踪时频LBP谱图的内燃机气门故障诊断方法

为直接对内燃机振动时频图像进行诊断识别,引入图像纹理特征提取技术,提出一种基于振动信号匹配追踪时频局部二值模式谱图的内燃机气门故障诊断新方法。首先,为清晰刻画内燃机时频图像中的各分量信息,利用匹配追踪算法(MP)获取无交叉项干扰项且时频聚集性良好的信号时频表示;然后引入局部二值模式(LBP)生成MP时频表示的LBP谱图,并将LBP谱图的灰度直方序列作为特征参数,利用支持向量机(SVM)对故障状态进行模式识别。在内燃机4种不同气门状态的诊断识别实验中,该方法最高识别率可达99.17%,表明基于MP时频LBP谱图识别的故障诊断方法具有较强的故障特征描述能力,能够准确诊断内燃机气门故障。     

基于振动时频图像和D-S证据理论的内燃机故障诊断

为抑制循环波动性对内燃机故障诊断结果的影响,引入D-S证据理论,提出一种基于内燃机振动时频图像、局部非负矩阵分解、BP神经网络和D-S证据理论的内燃机故障诊断新方法。首先采用平滑伪魏格纳分布(SPWVD)方法对8种不同气门状态的缸盖振动信号进行分析得到振动时频图像,然后用局部非负矩阵分解(LNMF)方法提取时频图像的特征参数并组成训练集和测试集,用得到的训练集对BP神经网络进行训练,再把测试集输入到训练好的BP神经网络,将输出的结果转化为基本概率赋值,用Deng加权平均证据合成规则对同种状态下不同图像的证据进行合成,并利用合成后的结果进行诊断分类。实例分析结果表明,基于振动时频图像和D-S证据理论的内燃机故障诊断方法可以有效抑制内燃机循环波动性对诊断结果的影响,能够准确诊断不同类型的气门故障。     

基于颜色纹理和形状特征相结合的图像检索系统

灰度共生矩阵是一种有效的纹理图像分析方法,为了更有效地进行图像检索,定义了一种新型的灰度共生矩阵描述子,该矩阵描述子能够有效结合颜色、纹理和形状特征,通过描述像素的空间相关性来进行基于内容的图像检索. 利用该矩阵描述子进行图像检索时,先在RGB颜色空间中计算彩色梯度,然后利用灰度共生矩阵来描述图像特征. 实验结果表明其检索性能优于传统的普通灰度共生矩阵.     

基于多特征融合的图像检索方法

提出了一种综合颜色直方图和彩色共生矩阵相结合的彩色图像检索方法.首先,对彩色图像进行量化,并利用直方图计算图像之间的欧式距离;然后,利用彩色共生矩阵提取图像的纹理特征并计算图像之间的欧式距离;最后,利用综合加权的颜色特征和纹理特征实现图像检索.实验结果表明,与直方图和灰度共生矩阵相比,该方法能较好地满足用户需求,具有较高的检索性能.     

基于多特征融合的图像检索方法

提出了一种综合颜色直方图和彩色共生矩阵相结合的彩色图像检索方法.首先,对彩色图像进行量化,并利用直方图计算图像之间的欧式距离;然后,利用彩色共生矩阵提取图像的纹理特征并计算图像之间的欧式距离;最后,利用综合加权的颜色特征和纹理特征实现图像检索.实验结果表明,与直方图和灰度共生矩阵相比,该方法能较好地满足用户需求,具有较高的检索性能.     

基于灰度共生矩阵和区域生长算法的红外光伏图像分割

随着光伏产业的迅速发展,这种光伏新能源在各个方面正扮演越来越重要的作用,因此对光伏面板的维护和状态监测就变得尤为急切。而对光伏面板红外图像的分割是后期对光伏面板故障检测的基础。因此,针对红外光伏图像对比度低、信噪比低等特点,本文提出一种改进的区域生长算法结合灰度共生矩阵(GLCM)的纹理特征和图像的梯度特征对红外光伏面板图像进行分割,该算法通过图像的梯度特征和灰度共生矩阵的熵特征对原始红外光伏图像进行预处理,获得梯度特征和熵特征图像加权叠加后的预处理图像,然后再利用红外图像灰度直方图分布集中的特点,针对需要人工干预进行种子点的选取,实现自动进行种子点的选取,同时对区域生长准则进行改进,使其能够自动的调整生长阈值,从而可以分割出光伏面板区域。实验结果表明,本文算法相比OTSU和K-means聚类算法分割效果更好且更接近手动分割的目标区域。     

基于灰度共生矩阵和区域生长算法的红外光伏面板图像分割

随着光伏产业的迅速发展,这种新能源在各个方面正扮演越来越重要的作用,因此对光伏面板的维护和状态监测就变得尤为急切。对光伏面板红外图像的分割是对光伏面板故障检测的基础。因此,针对红外图像对比度低、信噪比低等特点,提出一种改进的区域生长算法结合灰度共生矩阵(GLCM)的纹理特征和图像的梯度特征对红外光伏面板图像进行分割,该算法通过图像的梯度特征和灰度共生矩阵的熵特征对原始红外光伏图像进行预处理,获得梯度特征和熵特征图像加权叠加后的预处理图像,然后再利用红外图像灰度直方图分布集中的特点,使需要人工干预进行种子点的选取,实现自动进行种子点的选取,同时对区域生长准则进行改进,使其能够自动地调整生长阈值,从而可以分割出光伏面板区域。实验结果表明,本文算法相比OTSU和K-means聚类算法分割效果更好且更接近手动分割的目标区域。     

Fault Diagnosis of Reciprocating Compressors Valve Based on Cyclostationary Method

The relationship between second-order cyclostationary method and time-frequency distribution is studied,and cyclic autocorrelation(CA) function is indicated to be one sort of special time-frequency distribution method.Furthermore,a fault diagnosis method for reciprocating compressors based on empirical mode decomposition (EMD) and CA function is proposed,and then it is applied to the fault diagnosis of reciprocating compressor valve.Firstly,the vibration signal of reciprocating compressor valve is decomposed by using EMD method,and several intrinsic mode functions (IMFs) are obtained.Secondly,the IMFs are evaluated by some denoising criterions to remove the noise and interfering ones.Finally,the CA functions of the remained IMFs are calculated,which will be used to reconstruct the CA function of the original vibration signal.Engineering application indicates that this method can sufficiently inhibit the cross-interference items of CA function.Therefore,more explicit working conditions of reciprocating compressor components can be achieved.     

往复式压缩机故障信息模糊二元树诊断方法研究

结合图论理论和局域波理论,提出了一种基于模糊图的往复式压缩机故障诊断方法.首先将往复式压缩机故障信号进行局域波时频处理,根据系统的故障状态-特征表,找出最大故障信息量特征群.基于图论理论建立最大故障信息量模糊图,通过对模糊图的分析,找出可以进行匹配的路径信息量最大的部件.该方法应用于某往复式压缩机故障诊断中,具有一定的工程实用性.     

基于无限学生t混合模型聚类的机械故障预警方法

往复式压缩机、柴油机等复杂机械的振动信号往往呈现较强的非平稳特性，导致传统单特征门限报警法的报警准确率较低。针对该问题，提出一种基于无限学生t混合模型（infinite student's t-mixture model，iSMM）聚类的机械故障预警方法：首先，通过提取机械振动信号特征构建高维特征空间，并采用iSMM对其进行建模，以描述机械设备的状态；其次，利用基于匹配的KL散度近似算法计算机械设备在历史正常状态和观测状态下的模型间距离；最后，将该距离与基于3σ准则自学习出的报警阈值进行比较，实现故障预警。利用往复式压缩机故障案例对所提方法进行验证，结果表明本文方法较单特征门限报警法报警准确率高且时效性好，可有效地对复杂机械进行故障预警。     

A fault diagnosis method of reciprocating compressor based on sensitive feature evaluation and artificial neural network

A method combining information entropy and radial basis function network is proposed for fault automatic diagnosis of reciprocating compressors.Aiming at the current situation that the accuracy rate of reciprocating compressor fault diagnosis which depends on manual work in engineering is very low,we apply information entropy evaluation to select the sensitive features and make clear the corresponding relationship of characteristic parameters and failures.This method could reduce the feature dimension.Then,a complete fault diagnosis architecture has been built combining with radial basis function network which has the fast and efficient characteristics.According to the test results using experimental and engineering data,it is observed that the proposed fault diagnosis method improves the accuracy of fault automatic diagnosis effectively and it could improve the practicability of the monitoring system.     

包络解调法在气阀弹簧失效故障诊断中的应用

考虑到往复式压缩机振动具有振源丰富、信息干扰大的特点,利用包络解调法分离出系统固有频率成分的振动信号。该包络信号每一峰值对应阀片的每一个冲击。对气阀半个周期内(包含气阀开启到关闭一次的过程)的时域信号进行包络解调处理,提取气阀开启、关闭、颤震等几处故障的时频特征信息来诊断弹簧失效故障,同时给出了弹簧失效系数的计算公式。以塔里木油田16SGT/MH 66注气压缩机为例进行了试验,故障诊断准确率大于85%,分析结果证明了该方法的正确性及有效性。     

Research on fault diagnosis method of piston rod based on harmonic wavelet and manifold learning

As the core part of reciprocating compressor,piston rod is easy to cause a serious accident when abrasion and breakage fault occur to it. Therefore,it is very important to monitor its running state. At present,a small number of reciprocating compressors have been installed on-line monitoring and diagnosis system,most of which can only monitor a single vertical subsidence of piston rod and it can't fully represent the running state of piston rod. Therefore,a method of monitoring the vertical and horizontal displacement of piston rod axis orbit is simultaneously used. In view of the characteristics that the piston rod axis orbit is disordered and difficult to extract features,purification of the axis orbit is carried out based on harmonic wavelet and then features are extracted such as vibration energy,natural frequency and the axis orbit envelope area. After that,a nonlinear local tangent space manifold learning algorithm is used to reduce the dimension of the features and obtain sensitive features. By analyzing the practical cases,the effectiveness of the method for fault monitoring and diagnosis of reciprocating compressor piston rod assembly has been verified. Finally,as BP neural network has the characteristics of solving complex nonlinear problems,the validity of the fault diagnosis method of reciprocating compressor piston rod based on harmonic wavelet and manifold learning is proved by actual case data analysis based on BP neural network.     

基于局域波时频分析的机械故障诊断

提出一种新的自适应时频分析方法——局域波法．结合仿真信号与故障检测信号进行分析研究,提出一种新的机械故障诊断方法并将其成功地应用到齿轮箱故障诊断中．振动信号能量在局域波时频分布中的变化,是局域波法诊断齿轮磨损故障的特征．诊断结果表明,局域波时频分析为齿轮磨损故障诊断提供了一种更为有效的手段,在故障诊断工程中具有广泛的应用前景．     

变工况下基于加权理论的气阀泄漏诊断方法研究

往复式压缩机是石油化工等行业中不可或缺的关键设备,而压缩机结构复杂、故障率高,其中气阀故障是其主要的故障形式之一。同时,负荷调节工况与气阀故障工况的相互耦合使得示功图变化规律更加复杂,增加了故障诊断的难度。为此,探究了变负荷及气阀故障工况下示功图几何特征的变化规律,提出一种针对变负荷与气阀故障耦合工况下的气阀故障诊断方法。该方法利用反向传播（BP）神经网络进行特征分类,首先分别依据示功图几何特征（包括面积、形心和形心主惯性矩等）以及灰度矩阵统计特征得到压缩机的负荷,再进一步结合故障特征判断气阀的故障类型。为提高诊断结果的准确度,将加权证据融合理论应用于故障分类过程,最终获得精准的气阀故障评估结果。基于实验台数据,对不同泄漏率的气阀故障进行实验验证,负荷预测的准确率为97.5%,气阀泄漏故障识别的准确率为96.1%。     

变工况下基于加权理论的气阀泄漏诊断方法研究

往复式压缩机是石油化工等行业中不可或缺的关键设备，而压缩机结构复杂、故障率高，其中气阀故障是其主要的故障形式之一。同时，负荷调节工况与气阀故障工况的相互耦合使得示功图变化规律更加复杂，增加了故障诊断的难度。为此，探究了变负荷及气阀故障工况下示功图几何特征的变化规律，提出一种针对变负荷与气阀故障耦合工况下的气阀故障诊断方法。该方法利用反向传播（BP）神经网络进行特征分类，首先分别依据示功图几何特征（包括面积、形心和形心主惯性矩等）以及灰度矩阵统计特征得到压缩机的负荷，再进一步结合故障特征判断气阀的故障类型。为提高诊断结果的准确度，将加权证据融合理论应用于故障分类过程，最终获得精准的气阀故障评估结果。基于实验台数据，对不同泄漏率的气阀故障进行实验验证，负荷预测的准确率为97.5%，气阀泄漏故障识别的准确率为96.1%。