基于声学特征的埋地管道堵塞故障的聚类识别方法

针对在实际工程应用中埋地排水管道不同程度的堵塞难以检测的问题,提出了一种基于声学特征的管道堵塞故障类型的聚类识别方法.首先对管道中采集的声学信号进行声压级变换,以增加不同故障类型之间的区分度,其次对声压级信号进行总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),利用皮尔逊相关系数选取前4个IMF分量并提取中心频率和能量占比作为聚类特征,之后采用主成分分析法(Principal Component Analysis,PCA)对特征向量进行降维,最后通过FCM((Fuzzy C-means))和GK(GustafsonKessel),GG(Gath-Geva)3种聚类学习方法对特征向量进行堵塞故障的聚类和识别.实验结果表明,该方法能有效识别排水管道内不同程度的堵塞故障,具有一定的工程实用价值.     

一种新型的负荷开关卡涩故障检测方法

负荷开关在合闸操作过程中,其储能电机的电流信号形态能有效表征开关的机械状态。基于此,提出一种基于储能电机电流时域特征与随机森林算法的负荷开关机械故障检测方法。首先,利用电流变化率及均值作为启动录波判据,来获取有效的电机电流波形;然后,对电机电流信号提取多个时域特征,并通过随机森林中基尼指数完成特征重要性评估,选取峰值因子、偏度、均方根及峭度构造判别特征向量;最后,使用随机森林分类算法完成开关卡涩辨识模型的训练与测试。实验结果表明,所提方法能有效提取负荷开关储能电机电流信号特征,对开关运行状态的辨识准确率达到98.33%。     

基于类内类间判据与遗传算法的故障特征选择方法

针对原始故障数据集因"高维"和"海量"引发的"维数灾难"问题,提出一种基于类内类间距离判据和遗传算法相结合的故障特征选择方法.在提取出时域、频域、小波包频带能量作为描述系统状态的原始故障特征集基础上,经类内类间距离判据初次选择剔除不相关特征之后,引入遗传算法二次选择去除冗余特征,得到一种近似最优特征子集.结果表明:基于类内类间距离判据和遗传算法的故障特征选择方法可以剔除不相关和冗余特征,最终得到精简特征子集,并且筛选出的特征子集对故障类型的判别有很高的识别能力.     

基于随机森林-遗传算法-极限学习机的非侵入式负荷识别方法

提高负荷识别准确率是实现非侵入式负荷监测的关键技术。针对现有模型识别准确率低,特征冗余度高、可分性较差的问题,提出一种基于随机森林(RF)和遗传算法优化极限学习机(GA-ELM)的负荷识别方法。首先从稳态电流信号中提取时域和频域信息作为负荷特征。为进一步减小特征集的冗余度并剔除可分性较差的特征,使用随机森林算法对特征进行优选,得到最优特征集。最后使用遗传算法优化极限学习机的权值和偏置参数,建立负荷识别模型。利用所建立的模型对11个家用电器共16种负荷状态进行识别,实验结果表明,所提模型可以提高识别准确率,使用该模型可以对家用负荷进行快速有效识别。     

信号多维特征向量的评价模型

采用特征值标准差和欧氏距离分布熵方法,构造信号多维特征向量评价模型,探讨信号特征向量稳定性和可分性的评价标准.仿真实验结果表明,多维特征向量在稳定性和可分性指标上达到0.192 3和0.287 4,相比一维特征向量有较大的优势,可以作为应力波信号特征向量的评价方法,能够为后续智能检测选取出性能较好的特征向量.     

能量特性与随机森林的孤岛辨识模型

针对在外部扰动作用下传统孤岛检测方法易受到影响,导致错误判断,降低孤岛检测准确率问题,提出基于能量特性与随机森林的孤岛辨识模型.设计了多种干扰运行状态,并提取孤岛和干扰运行状态下的公共耦合点电压信号的特征能量,做归一化处理后组成辨识模型的输入特征向量;通过训练随机森林决策树构造孤岛辨识分类器,从而构建孤岛辨识模型;通过对比不同组数训练样本准确率和不同检测方法的辨识结果,验证该模型的快速性和准确性.研究结果表明:该模型能够快速辨识多种扰动与孤岛运行状态,更全面地保留检测信号的状态信息,为准确辨识孤岛效应的研究提供参考.     

基于遗传算法的人体穴位阻抗特征优化

为消除人体穴位的阻抗信号特征集中存在的冗余和不相关分量的问题,提出了一种基于遗传算法的人体穴位阻抗特征子集选择与优化算法.通过分析穴位阻抗信号的自回归（AR）模型谱图建立了穴位原始特征样本集,利用类内-类间距离判据构造遗传算法的适应度函数并改进遗传算法的特征优化算子.经人体穴位的电阻抗特征选择与优化实例分析表明：该方法具有较好的寻优性能和适应度稳定,在不增加原始信息的情况下,能够有效地减少分类识别的特征数和提高信号识别的准确率,且将穴位阻抗特征的平均状态辨识率提高9%左右.     

基于超声解调信号多特征融合的轴承故障识别

针对当前振动监测对轴承初期微损状态监测难、精准度低的问题,提出了一种基于经验模态分解与多类熵值相结合的轴承状态监测方法,研究超声解调信号对故障诊断的可行性。首先将预处理后的超声解调信号进行经验模态分解得到若干本征模态分量,然后对各本征模态分量计算不同熵值特征,再将多特征融合后代入随机森林训练分类模型,利用混淆矩阵进行精度评价,最终对早期故障识别准确率高达97.92%。研究表明,超声解调信号对判别轴承早期故障效果更佳;经过多类熵值特征融合后,轴承状态分类具有更高的识别准确率。     

基于随机矩阵谱分析的机械液压传动系统故障辨识方法

传统故障辨识方法受机械液压传动系统故障影响,存在故障辨识率低、有效性差问题,提出基于随机矩阵谱分析的机械液压传动系统故障辨识方法.通过分解故障振动信号,得到故障信号的特征向量函数,利用线性分析提取故障信号的随机变量;根据故障信号求解,提取机械液压传动系统故障特征;利用随机矩阵谱分析方法描述机械液压传动系统的状态空间,推算机械液压传动系统的状态方程;利用机械液压传动系统的残差阈值,检测到机械液压传动系统故障;通过对比机械液压传动系统故障的贴近度,选取最大值作为机械液压传感系统的故障信息,实现机械液压传动系统故障辨识.实验结果表明,该方法具有更高的故障辨识率.     

基于小波包能量熵和GWO-SVM的滚动轴承故障诊断

针对滚动轴承不同故障类型和不同损伤程度识别准确率较低的问题,提出了将小波包能量熵、灰狼优化算法和支持向量机相结合的故障诊断方法.首先,将滚动轴承振动信号进行3层小波包分解,对第3层各频段小波包分解系数进行重构,提取各频段成分的能量熵构成故障特征向量;其次,利用灰狼优化算法实现支持向量机参数优化;最后,基于优化后的支持向量机分类模型完成对测试集滚动轴承不同故障类型和不同损伤程度特征向量的识别诊断.实验结果表明,相比实验和文献中其他方法,该方法对滚动轴承不同故障类型和不同损伤程度具有更加突出的故障辨识能力.     

基于混合特征和支持向量机的抽油杆缺陷识别

为了提高抽油杆的缺陷识别率,将小波包能量特征和时域峰峰值特征组成的混合特征向量和基于小样本的支持向量机法应用于抽油杆的缺陷识别中.应用基于类距离的可分离性判据,证明了混合特征比单一小波包能量特征的可分离性强,在一定程度上可提高抽油杆缺陷识别的有效性;同时应用大量的数据和一对一分类的支持向量机进行抽油杆缺陷模式识别.其识别结果表明,混合特征具有比单一小波包能量特征更好的分离性,识别缺陷的泛化误差小,提高了抽油杆的缺陷识别率.     

基于多视图加权聚类集成的高速列车工况识别

随着中国高速列车行业的快速发展,高速列车运行所产生的安全隐患问题引发了更多的关注.由于利用传感器所采集到的高速列车监测数据具有非线性、非平稳的特点,导致故障工况难以识别,为此提出一种基于加权非负矩阵的多视图聚类集成模型(weighted non-negative matrix factorization,WNMF)来对车体走行部的故障工况进行识别.首先,对振动信号进行频域、时频域、时域的分析,通过快速傅里叶变换、小波包能量、经验模态分解的近似熵和模糊熵、机械统计特征四个方面提取特征向量,构建四个特征视图;其次进行K-means聚类,得到每个视图的结果;再通过聚类成员的贡献度和相似度分别求取各视图的两种权值;最后进行加权的非负矩阵分解集成.实验结果表明,该模型能够有效地识别高速列车的故障工况.     

基于小波包变换和极限学习机的滚动轴承故障诊断

采用基于小波包变换(WPT)和极限学习(ELM)的方法对轴承故障进行诊断和分类辨识。该方法首先采用小波包变换对采集到的振动信号进行分解,求得各频带的相对能量,并构建特征向量,接着利用极限学习机进行自动分类识别。经使用实验台实测电机滚动轴承不同状态的信号进行分析,研究结果表明,所建立的自动分类模型可以有效地对轴承的单一故障,以及不同程度故障有很好的辨识能力。     

基于改进人工免疫网络的配电网单相接地故障辨识方法

配电网故障辨识有利于线路的全面分析与后续检修,但过渡电阻较高时单相接地故障稳态特征不明显,辨识正确率受到影响.提出了一种基于改进人工免疫网络的单相接地故障辨识方法,利用希尔伯特-黄变换提取故障暂态过程中零序电压的固有模态分量,得到反映波形变化程度的频域特征,进而构造特征向量;采用记忆细胞方差自适应调整环节对人工免疫网络进行改进,以生成能够体现原有特征且均匀分布的记忆细胞来进行故障判断,可以克服训练数据样本少、分布不均匀的问题,并且网络训练速度快.在MATLAB/Simulink中建立仿真模型,测试集的验证结果表明本文辨识方法在小样本训练的情况下能对故障与正常扰动进行识别,训练时间短,不需要人为设置阈值;同时,在中性点接地方式变化、信号存在噪声以及系统拓扑结构变化时,该方法适应性依然良好.     

小波包分析在乏燃料剪切机故障诊断中的应用

针对乏燃料剪切机剪切声音信号特征提取的难题,利用小波包分析方法,对不同磨损状况刀具的剪切声音信号进行小波包变换,提取变换信号的各频段归一化能量特征向量,根据声音信号的能量特征向量可辨识不同状况的乏燃料剪切机剪切声音,从而实现乏燃料剪切机故障诊断.实验表明,该特征向量能有效识别刀具的正常磨损、一级磨损、二级磨损三种状况,有效解决了基于隐马尔可夫模型的故障模式识别中特征提取的问题.     

基于分数阶Fourier变换的雷达目标识别

为了利用雷达信号的时频信息以提高雷达目标识别性能,提出了一种基于分数阶Fourier变换(FrFT)的雷达目标识别方法。利用FrFT提取目标高分辨距离像的时频特征。从类可分性角度,求取多个最优变换,利用主分量分析方法对距离像的FrFT进行特征降维,并使用神经网络进行分类识别。最后,采用D-S证据理论,对多个最优变换的识别结果进行决策融合。仿真结果证明了该方法的合理性和可行性。     

排水管道堵塞试验及影响因素分析

随着智慧城市信息集成化的发展应用,对排水管道内水位、流量等主要运行参数的实时监控与自动采集需求越来越强,利用参数采集系统对排水管道堵塞进行定位监测,基于水力相似原理,建立变态相似模型,按照原型长度比例缩小20倍建立试验装置,并针对排水管道试验模型重力流、压力流不同工况进行堵塞试验及堵塞影响因素研究,结果表明:在重力流中,堵塞前水位和堵塞强度呈正相关分布,堰上水头最低点出现在堵塞高度为管径的50%时,且过流损失均随着坡度的增加而增加;堵塞强度在0.5时,过流损失减少值最小;在压力流中,堵塞程度越大,堵塞点前后管道水位高度变化越大;在同一堵塞强度条件下,过流损失随着堵塞长度的增加而增加;随着坡度增加,过流损失增加差额减少;堵塞长度越大,坡度对过流损失的影响越小。试验研究分析了排水管道堵塞状况的变化规律,为排水堵塞故障识别提供了基本依据。     

基于卷积神经网络和迁移学习的结构损伤识别

针对传统基于机器学习损伤识别方法手工提取特征适应性差、识别能力弱等问题,提出一种基于卷积神经网络和迁移学习的新颖、快速结构损伤识别方法.首先根据损伤特征向量特点,提出原始信号的分帧处理流程;其次考虑多传感器数据融合要求,建立多通道一维卷积神经网络结构损伤识别模型,给出模型的整体流程和网络参数;然后采集不同通道和不同噪声水平下,模拟不同位置程度损伤的15层框架数值模型加速度数据,进行损伤识别;最后将网络模型进行迁移学习,对7层框架模型试验进行损伤识别,并验证所提方法的可行性、准确性和计算复杂性.结果表明,该方法实现了特征自适应提取、损伤位置和损伤程度的精准识别,具有突出的计算效率.     

高精度故障电弧检测多传感器数据融合算法

 由于故障电弧的物理特性复杂, 且电路中存在与故障电弧波形相似的负载, 因此传统 检测故障电弧的方法误判率较高. 提出了一种多传感器数据融合算法, 用于提高故障电弧的检测精度. 该算法包括自适应加权融合算法和神经网络融合算法, 实现了对温度传感器、声音传 感器和弧光强度传感器所获取的传感信号的数据融合. 自适应加权融合算法克服了单个传感 器的不确定性, 实现了同质传感器中故障电弧特征的提取, 为神经网络融合算法提供了精确的测试样本数据; 神经网络融合算法可自行调整各类异质传感器的权重, 使故障电弧的辨识率更高. 实验结果表明, 该算法可有效提取故障电弧的特征, 辨识精度超过98%, 实现了高精度的故障电弧检测.     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder, CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network, DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。