基于最优二叉树的多故障分类器的设计

在分析常见多故障分类器的基础上,提出了基于故障优先级和核函数的聚合技术,利用这个方法生成一个基于最优二叉树的多故障分类器.该分类器是通过核函数具有将非线性问题线性化的特点生成聚类函数,然后通过各个故障的优先级生成最优二叉树.最后将此分类器应用在挖掘机故障诊断中.应用结果表明,此分类器不但能够保证故障诊断的正确率,而且可以让后果较严重的故障得到优先诊断.     

支持向量机及其在机械故障诊断中的应用

针对目前机械故障诊断中难以获得大量故障数据样本以及特征提取和诊断知识获取困难等不足，提出了应用支持向量机进行机械故障诊断的方法，研究了将小波包分析与信号能量分解用于机械故障的特征提取。该方法将振动信号小波包分析后的信号频带能量作为特征向量，输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。该分类器只需少量训练样本，而且不必预先知道故障分类的经验知识就能实现正确分类。研究结果表明：选用不同核函数及其参数的多故障分类器对分类精度有影响；在样本不带噪声和带15％噪声情况下，支持向量机的分类精度均高于BP神经网络的分类精度，具有更好的分类性能。     

基于支持向量机的机械故障诊断方法研究

针对因缺少大量故障数据样本而制约机械故障智能诊断发展的问题，提出了一种基于支持向量机的机械故障诊断新方法，介绍了该方法的原理和算法，并利用模拟故障数据建立了多故障分类器。这种诊断方法只需要少量的时域故障数据样本来训练故障分类器，不必进行信号预处理以提取特征量，便可实现多故障的识别和诊断。测试结果表明，当数据样本中含有26％的噪声时，故障分类器仍然能正确分类多种故障。这种诊断方法具有算法简单、可对故障在张分类和故障分类能力强的优点。     

小波支持向量机在滚动轴承故障诊断中的应用

为提高支持向量机故障分类器的性能,提出了一种小波核函数支持向量机故障分类器.基于平移不变核函数条件,推导证明了Mexican hat小波函数是一种容许核函数.利用正常、滚动体故障以及内、外圈故障4种状态的轴承试验数据,研究了小波支持向量机分类器的性能.与基于RBF核函数的支持向量机的分类结果进行对比表明,小波支持向量机具有更高的分类正确率.     

可拓理论与SOM网络相结合的多故障诊断方法

 针对采用SOM 网络进行多故障诊断时,要求多故障模式相似且不包含标准故障输出的限制,提出将SOM 网络与可拓理论相结合的多故障诊断方法.首先采用SOM 网络对训练样本进行聚类,得到故障模式及其聚类中心.然后针对每种故障模式的每个特征构造在聚类中心处取得最大值的关联函数,并以各特征的关联函数值为基础,设计多故障评价指标实现多故障诊断.最后采用汽轮发电机组振动信号的频谱数据对算法进行验证,结果表明该方法能够正确识别待诊断样本的单故障和多故障模式,具有可行性.     

结合非线性频谱和核主元分析的机器人用RV减速器故障诊断

针对机器人用RV减速器故障诊断准确率低问题,采用基于非线性输出频率响应函数频谱与核主元分析(KPCA)相结合的方法诊断RV减速器故障。利用RV减速器性能测试平台采集减速器在正常状态和故障状态下的输入和输出数据;采用批量估计算法得到每种状态下的前4阶频谱值,将其作为故障特征送入KPCA进行压缩,通过设置主元累计贡献率将400维数据压缩至5维;将KPCA生成的低维数据送入支持向量机分类器进行训练和测试。试验结果表明:与仅把振动信号时域或频域作为数据集进行故障诊断的方法相比,所提方法的故障诊断准确率分别提升了27.50%和8.34%,达到了96.67%,所提方法在RV减速器的故障诊断上有效。     

基于分布智能传播的自动故障管理

提出一种新的基于分布智能传播的自动故障管理系统(AFMDIP),该系统采用人工智能和网络分布管理技术,引入协作代理,提高了系统数据采集能力.代理用神经网络和事例暂存库进行告警收集、分类和事例管理.域内的故障首先由代理进行诊断,域内不能解决的问题将提交给管理中心.管理中心综合考虑各个域的信息,进行基于事例推理的故障诊断,并将事例传播到代理中.后续的类似故障将由代理直接完成诊断,提高了故障管理的效率,达到了信息和事例共享的目的.实验证明,AFMDIP有效降低了管理中心的带宽消耗,提高了在大范围多故障情况下的故障诊断速度.     

基于随机森林算法的旋转机械齿轮组故障诊断

针对单一的分类器用于旋转机械故障诊断时存在准确率不高的问题,提出一种基于随机森林算法的旋转机械齿轮组故障诊断方法。该方法利用随机森林多分类器组合决策树的思想,通过多分类器的组合学习提高故障诊断的准确率,并在风力涡轮动力传动系统故障诊断模拟器系统上进行了多工况多故障的实验验证。首先,收集多工况、多故障的齿轮传感器信号,提取传感器信号的时域特征作为随机森林的输入特征量。然后,利用构建好的随机森林模型进行齿轮组的故障诊断,并将随机森林算法的分类结果与支持向量机方法的分类结果进行对比。通过对故障诊断结果的分析,随机森林算法避免了复杂的寻参过程和传统分类器的过拟合现象,能够处理大规模数据集,通过分类器的组合,提高了故障诊断准确率,并缩短了分类模型的预测时间,具有较好的应用前景。     

多诊断方法代理联盟策略研究

针对故障诊断对象的多故障特性，为使系统在诊断对象的各子故障域的诊断精度达到最高，给出了可以适合于在多故障情况下找到一个最优联盟结构的算法，首先，给出了各个诊断方法代理和代理联盟的诊断能力的定义，并且提出将联盟的诊断能力作为评判标准，然后，在各子故障域同时进行联盟结构的搜索，寻找出具有最高联盟诊断能力的结构形式，并改变联盟矩阵中相应单元的值，最后，根据联盟矩阵确定各子故障域的联盟结构，并在此基础上形式该诊断对象的诊断联盟。     

工业机器人驱动系统非线性频谱故障诊断方法

针对广义频率响应函数(GFRF)在故障诊断中存在计算量大、无法满足系统对诊断实时性要求的问题,提出基于非线性输出频率响应函数(NOFRF)的工业机器人驱动系统故障诊断方法。该方法构建系统一维频谱函数的辨识模型,将系统的输出频谱与估计频谱进行比较求出残差,根据残差大小改变辨识步长迭代出前4阶频谱;对获取到的4阶频谱进行逐阶采样,每阶频谱采集10个数值,共40个频谱构成40维特征矢量,将其作为系统的故障特征输入核主成分分析方法(KPCA)进行压缩,通过计算主元累计贡献率将高维数据压缩至3维,降低变量之间的非线性度;构造SVM分类器,将KPCA方法生成的低维数据中60%的数据作为训练集对分类器进行训练,将40%的数据作为测试集进行故障识别。实验结果表明,在相同的数据提取任务下,与基于GFRF的方法相比,所提方法节约时间854%,可以准确、快速地提取系统故障特征,进一步验证了该方法在工业机器人驱动系统故障诊断应用上的可靠性。