信息熵与经验模态分解集成的转子故障信号量化特征提取

针对转子振动信号的非线性、非平稳性造成的故障状态难以定量准确描述问题,提出一种基于信息熵和经验模态分解(empirical mode decomposition,EMD)的转子振动信号量化特征提取方法.该方法通过对比转子故障信号EMD分解后各内禀模态分量(intrinsic mode function,IMF)的能量状态及其与原始信号间的相关性程度,在确定出包含主要故障信息的分量基础上,分别对其进行时域、频域及时频域内4种信息熵熵值的计算,从而建立起一种信息熵熵带特征量.实验信号的分析结果表明,该方法能够较好地实现对转子系统故障信号的量化特征提取,所提取出的特征集合具有能够使典型故障特征量之间存在显著差异的性能.     

旋转机械智能故障诊断技术的发展趋势

对旋转机械智能故障诊断现状进行分析,展望发展趋势.当前的状态监测与故障诊断(condition monitoring and faults diagnosis,CM&FD)系统普遍存在的智能故障决策准确率偏低、可靠性差的状况显示出,相关研究仍面临着非常严峻的挑战.对数据库知识发现(knowledge discovery in database,KDD)和粗糙集理论的介绍表明,基于粗糙集理论工具的KDD为智能诊断向更科学化的方向发展指明了一条实现的新途径.但它也引发出对在线获得的故障知识应进行知识化保护问题研究的新课题.     

基于LMD近似熵与HMM的转子故障诊断方法

提出一种基于局部均值模式分解(local mean decomposition,简称LMD)的近似熵和隐Markov模型(hiddenMarkov model,简称HMM)的转子系统故障识别新方法.利用LMD良好的局域化特性和近似熵来量化故障特征,再与HMM结合进行故障类型识别.用LMD方法将转子信号分解成若干个瞬时频率具有物理意义的乘积函数(product function)PF分量之和,选取转子信号的前3个PF分量的近似熵值作为信号的特征向量,将构造出的特征向量输入到HMM分类器中进行故障类型识别.仿真表明,该方法能有效地提取故障特征,结合HMM的动态统计特性可智能识别转子故障类型.     

支持向量机在机械设备振动信号趋势预测中的应用

将支持向量机（SVMs）用于机械设备振动信号趋势预测中，研究了SVMs参数及核函数类型对SVMs预测能力的影响．试验显示，在短期预测中4种核函数有着基本相同的预测能力，而在长期预测中，径向基函数核和多项式核表现出了相对较高的预测能力，同线性核和神经网络核相比，它们的归一化均方误差约降低了20％．SVMs与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明，实现了结构风险最小化原理的SVMs具有更好的预测能力，在长期预测中，其归一化均方误差约降低了15％。     

轴承油膜动特性对转子临界转速的效应计算

介绍了非定常情况下,滑动轴承动压油膜的动态特性对转子支承刚度的作用．在此基础上建立了基于油膜动力学特性及底座支承刚度动力学模型的计算方法,并用于传递矩阵法求解转子系统的临界转速中．计算结果表明,随着系统的支承刚度下降,转子系统的临界转速是下降的     

结合扰动集成RBF的故障识别方法

为提高旋转机械故障识别精度,将神经网络与集成学习方法进行结合,提出结合扰动方式的集成RBF故障模式识别方法.首先,通过ReliefF算法计算所提取出的转子故障特征数据集各个特征的权重,并且将权重值进行降序排列,从而筛选出权重趋大的系列特征构成低维特征数据集;其次,将较大权重作为无放回轮盘赌法的输入,对权重所对应的低维特征数据集进行特征扰动,产生系列化低维数据子集并将其划分为训练集和测试集;然后,采用Bagging算法中的自助采样法对训练集进行样本扰动,以此形成新的训练集并用于训练对应个数的RBF神经网络,完成差异性子分类器的构建;最终,对各个神经网络的测试数据辨识结果通过相对多数投票法进行结合,得到故障识别结果.实验结果表明,对于转子系统的故障识别,该方法相较于未集成RBF神经网络、集成BP神经网络具有较高的识别精度,并且拥有较好的泛化性能.     

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.