二维三次非线性相位耦合的切片谱分析

针对二维三次非线性相位耦合问题，定义了特殊四阶累积量及相应的四阶累积量切片谱，并利用四阶累积量切片谱方法对二维三次非线性相位耦合进行了分析。利用复数信号的四阶累积量有2^4种定义方式这一特点，分别利用两种特殊的四阶累积量的定义。该方法有效地估计出高斯噪声背景下的参与二维三次非线性相位耦合的谐波频率和耦合产生的谐波频率。从而识别出系统的非线性。仿真实验验证了该算法的有效性。     

基于小波的神经网络在齿轮箱故障诊断中的应用研究(英文)

研究基于小波分析的神经网络故障诊断方法根据齿轮驱动装置在工作时通常可能出现的故障类型,人为地在该装置上制造了类似的故障供诊断．并对实验结果进行了分析和讨论．实验表明,利用小波进行诊断信号的预处理,并将其形成向量供给神经网络进行故障诊断具有较好的效果．     

一种多分类器融合的模拟电路故障诊断

本文针对模拟电路中故障类型较多时采用单一分类器诊断所出现的故障诊断率低、分类器训练困难的问题,基于故障特征空间的划分思想,提出了基于聚类的多分类器融合故障诊断的方法。通过对故障信号的小波分析获取电路的故障特征,并按照距离准则将故障类划分为多个子类并用相应的分类器来识别．以此提高电路中故障数量较多时诊断的正确率,同时改善单分类器进行诊断时计算复杂度高的局限。实验证明．该方法对于故障类型多而出现的故障重叠和故障误识有很大的改善,是一种实用的模拟电路故障诊断方法。     

基于AR双谱的超声波电机故障诊断

针对超声波电机在工作时发生故障难于监测与判断,提出一种高阶谱诊断超声波电机故障的方法.利用高阶累积量对振动信号建立AR模型,再对其进行参数化AR双谱估计.实验结果表明:与正常状况时的超声波电机AR双谱相比,故障状况时其双谱能量分布出现分散,峰值减少,同时等高线图和双谱切片也存在明显差异,因此可以作为故障诊断的依据.     

柴油机故障诊断中振动信号测点位置的研究

在295柴油机上进行设定的进排气系统故障实验,获取各工况下三个不同测点位置的缸盖振动信号,然后利用改进的基于神经网络和小波分析的故障诊断方法进行分析.实验和仿真结果表明,不同测点获取的振动信号蕴含故障特征是不同的.从缸盖上方采集的振动信号更能表征各种故障特征,其故障准确识别率达到95.4%,较其他两个测点有大幅度提高.为基于振动信号的柴油机故障诊断提供了最佳的测点位置,以提高故障的诊断准确性.对其他复杂机械的振动诊断同样具有参考价值.     

基于SVM与多振动信息融合的齿轮故障诊断

针对齿轮振动信号故障特征微弱以及单个传感器故障诊断可靠性与准确性低等问题,采用多传感器信息融合方法,利用支持向量机(SVM)对8路齿轮振动信号进行特征级融合,实现故障诊断.研究结果表明:基于多个传感器单个特征量信息融合的齿轮故障诊断率比常规的基于单个传感的多个特征量的诊断准确率更高,诊断结果更可靠;峰值因子对齿轮故障最敏感,以峰值因子为特征量的多传感器信息融合,诊断准确率达93.33%.     

基于LabVIEW的倒频谱在齿轮和滚动轴承故障诊断中的应用

介绍了利用LabVIEW平台检测齿轮和轴承故障信号,叙述了在LabVIEW的环境内,使用MATLAB对齿轮振动信号进行倒频谱分析,提取齿轮故障特征信息,实现齿轮故障诊断．并通过实验验证此方法的可行性．     

采用多尺度注意力机制的旋转机械故障诊断方法

针对旋转机械故障诊断需要复杂特征提取过程,且对混有噪声的信号故障识别准确率偏低的问题,提出了一种基于注意力机制的多尺度端到端故障诊断方法。该方法在输入端引入随机丢弃抑制输入噪声,然后利用故障信号具有多个固有振动模态的特点,通过多尺度粗粒度层获取不同尺度下振动信号,进而利用全卷积网络实现多尺度特征提取,接着采用注意力机制将多尺度特征进行融合,最后利用多分类函数实现旋转机械故障诊断。分别在凯斯西储大学轴承数据集和变速箱数据集对该方法的有效性进行验证,结果表明:该方法的故障识别率高达100%;人为引入噪声信号的信噪比为-4dB时,在凯斯西储大学轴承数据集F上的故障识别正确率为84.77%,在齿轮箱数据集上的识别正确率为78.365%,识别正确率明显高于其他机器学习算法,证明了该方法具有较强的抗噪声干扰能力。     

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EMD和自适应STFT的货车滚动轴承故障诊断

提出了一种结合经验模态分解(EMD)和自适应短时傅里叶变换(STFT)的铁路货车滚动轴承故障诊断方法.该方法应用EMD方法把滚动轴承振动信号分解成有限个平稳的内蕴模型函数(IMF);根据滚动轴承故障信号的分布特征,应用以三阶B样条函数作为窗函数、在不同频段自适应选取窗长的自适应STFT对第一个IMF分量进行时频分析和故障信息提取.本文还对197726型货车滚动轴承在外圈剥离、内圈剥离两种故障状态下的振动信号做了分析,结果表明,该方法可以有效地在时频域上获取故障信息,为铁路货车滚动轴承故展诊断提供了一种新的方法.     

基于小波包分解-峭度值指标-希尔伯特包络解调融合方法处理声发射信号的滚动轴承故障诊断

为实现对航空发动机主轴承进行故障诊断,以复杂传递路径下声发射信号的波形分析为基础,提出一种基于小波包分解(wavelet packet decomposition, WPD)、峭度值指标(kurtosis index, KI)以及希尔伯特包络解调(Hilbert envelope demodulation, HED)相结合的滚动轴承故障特征信息提取方法。采用WPD方法对滚动轴承声发射信号分解获得节点分量,基于KI对节点分量排序筛选进行信号重构,进而对重构信号进行HED分析,提取出轴承故障特征频率用于对比诊断。开展简单以及复杂传递路径下滚动轴承故障模拟试验,采用建立的方法分别针对滚动轴承外圈、内圈典型故障试验数据进行分析和诊断。结果表明：该方法可有效提取滚动轴承故障特征频率及其倍频,且针对复杂传递路径下处于工作状态的滚动轴承,仍可实现精准的特征信息提取和有效的故障诊断。     

基于SDAE-PSOSVM的航空变压整流器故障诊断方法研究

针对不同故障模式下航空变压整流器二极管故障特征相似程度高导致不易区分的问题,提出一种基于堆叠降噪自动编码器（stacked denoising auto encoder,SDAE）与粒子群优化支持向量机（partical swarm optimization support vector machine,PSOSVM）相结合的故障诊断方法.首先搭建航空变压整流器仿真模型,通过对不同故障模式进行仿真,获取故障数据;然后运用SDAE方法对高维故障信号进行故障特征提取,建立故障特征集;最后采用PSOSVM方法进行故障诊断,并且与常用的故障诊断方法进行对比分析.诊断结果表明SDAE-PSOSVM故障诊断方法准确性达到96%,可以对高维故障数据信号进行特征提取,提高不同故障模式之间的区分度.      

基于改进CNN-GRU网络的多源传感器故障诊断方法

提出一种复杂系统内多源传感器的故障诊断方法.利用多源传感器数据之间的相关性,使用卷积神经网络提取不同传感器之间的联系和特征.在卷积网络中,设计了传感器数据标定模块使得网络更关注学习与故障信号相关的传感器数据.利用循环网络对传感器自身的时序特征建模,引入跳跃连接和辅助损失函数降低网络的训练难度.最后综合时空特征,一次计算得到故障分类结果和故障参数估计.仿真结果表明,改进后的CNN-GRU网络能够实时准确地诊断传感器的固定偏差故障和漂移偏差故障,传感器数据标定模块和跳跃连接的引入有效地提高了诊断算法的准确率和精度.      

基于分形和神经网络的柴油机振动诊断方法

提出了一种基于分形理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波降噪,然后提取相应的不同迭代阶数的广义分形维数,并将其作为RBF神经网络的输人参数,以运行工况作为输出参数训练神经网络模型．训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况．实验及仿真结果表明：采用的小波降噪技术可以较好地再现振动信号特征,有效提高故障识别率;同时基于分形和神经网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单个故障的正确识别率达到了100％,具有较高的工程适用性,对其他复杂机械的振动诊断同样具有参考价值．     

CEEMD与广义形态差值滤波结合的故障诊断方法研究

为了提取滚动轴承早期微弱故障特征信息,提出一种互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与广义形态差值滤波结合的故障诊断方法.该方法首先对振动信号进行CEEMD分解成若干不同尺度的本征模函数(Intrinsic Mode Function,IMF)分量,利用相关系数-峭度准则来选取故障信息丰富的IMF分量信号,并对其进行重构;然后采用广义形态差值滤波器对重构后的信号进行滤波,以滤除噪声干扰;最后利用Teager能量算子(Teager-Kaiser Energy Operator,TKEO)对去噪后的振动信号进行分析,提取振动信号的故障特征.滚动轴承振动信号分析试验结果证明了本文方法的有效性.     

汽车稳定性控制系统关键传感器故障诊断

设计了基于解析模型的故障诊断算法实现传感器信号的自诊断功能,首先建立关键传感器的故障诊断算法基本框架,然后利用不同的故障诊断模型分别设计了基于等价方程与基于观测器两种故障诊断算法.等价方程算法利用车辆线性单轨模型及车辆运动学方程,将车辆操纵稳定性控制需求的传感器联系起来,并用于彼此的相互诊断.观测器方法利用车辆非线性单轨模型,通过建立龙贝格观测器提取传感器故障信息.从灵敏度与误报率两方面出发,提出了将两种算法有效融合的算法改进措施,重新制定诊断规则.实车试验的结果表明融合算法能够准确快速地诊断出微小故障,并给出故障等级.     

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。     

基于鲁棒局部均值分解与二阶瞬态提取变换的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时存在故障特征提取困难以及提取特征不明显的问题。针对此问题,提出了一种基于鲁棒局部均值分解（robust local mean decomposition,RLMD）以及二阶瞬态提取变换（Second-order transient-extracting transform,STET）的故障特征提取方法。首先对滚动轴承故障信号进行RLMD处理,得到一系列故障信息丰富的特征分量。然后利用二阶瞬态提取变换善于提取信号中强脉冲分量的特点,对筛选出的分量进行二阶瞬态提取变换以提取脉冲故障特征进行诊断分析。实验分析结果表明,该方法能够有效地提取出故障特征,且特征提取效果优于传统诊断方法,适用于滚动轴承故障诊断。     

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,然后建立双分支的改进VGGNet深度卷积网络,将故障位置与损伤程度进行双标签二值化,每个分支独立提取深层特征,实现故障位置和损伤程度特征与标签的自适应。仿真实验结果表明,相较其他深度学习方法,所提方法能够在部分先验知识缺失条件下,实现滚动轴承潜在的不同故障位置及损伤程度的多状态分类,获得较高准确率的同时兼具良好的抗噪性能。     

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。