独立分量分析和流形学习在VSC-HVDC系统故障诊断中的应用

提出一种基于独立分量分析(ICA)和局部线性嵌入流形学习算法(LLE)的新型高压直流输电(VSC-HVDC)系统故障诊断方法.由于随机噪声的干扰,单个传感器测得的系统故障信号无法直接用于故障检测,故使用快速ICA对多通道传感器测得的直流电压和电流信号进行盲源分离处理以恢复去噪的系统故障源信号;然后利用LLE挖掘潜藏于恢复信号中的子流形,提取故障敏感特征;最后将LLE提取的故障特征量作为支持向量机(SVM)的输入,建立系统故障诊断模型.通过对系统交流相对相故障、交流相对地故障以及复合故障等仿真信号进行分析,表明所提出的ICA-LLE方法能够有效地提取故障关键特征,并在3维空间将故障特征隔离,从而得到满意的SVM故障识别效果,且SVM分类精度比只使用LLE提高了近20%.     

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%。     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

改进测度下的模糊C均值三元催化器故障诊断方法

针对采用物理建模刻画三元催化器故障演化精确性不足问题,提出一种基于尾气大数据的改进测度模糊C均值(FCM,fuzzy c-means),故障诊断方法。该方法包括分数阶傅里叶变换(FRFT,fractional fourier transform)下的故障特征提取与优化、核熵成分分析(KECA,kernel entropy component analysis)下的分形故障特征降维以及改进相似测度下的FCM故障特征聚类。首先,对不同工况的尾气数据进行FRFT处理,获取三元催化器从时域到频域的精细故障信息,同时利用粒子群算法(PSO,paticle swarm optimization)选取最优的FRFT特征,并由分形算子给出相应精细特征的分形维数;其次,借助KECA对候选的高维分形特征进行维数约简;最后,将获得的故障特征提交给改进测度的FCM故障分类器完成故障诊断。数值实验结果表明,较之采用欧式距离或余弦距离的FCM方法,研究方法的故障诊断精确度更高。     

基于稀疏自编码的故障数据聚类清洗方法

针对电网中录波型故障指示器上传的海量故障数据存在着大量的重复、干扰、错误及无效波形,提出一种基于稀疏自编码(sparse auto-encoder,SAE)的故障数据聚类清洗方法,该方法首先利用稀疏自编码对故障数据进行特征学习与降维,继而用主成分分析(principal component analysis,PCA)对降维后数据再次进行降维提取,实现对不同故障数据的特征获取;最后利用基于密度峰快速搜寻聚类算法(clustering by fast search and find of density peaks,CFSFDP)对故障特征进行聚类,实现对重复、干扰、错误等故障数据的聚类清洗和真实故障数据推送.提出的海量故障数据聚类清洗方法,达到了对不同类型故障数据进行清洗去冗的效果,为故障告警智能推送提供了技术支撑,提高了运维人员获取准确故障信息的效率.     

基于原子能量熵和CSM的配电线路故障分类方法

针对配电线路上的故障分类问题,提出了一种结合原子能量熵和连续字符串匹配(CSM)的故障分类方法.通过分析故障信号的暂态特征,利用原子分解法得到故障暂态信号的主导原子以及对故障信息进行补充的次级原子,计算原子能量熵作为故障特征量,较完备地描述了故障特征.应用CSM进行故障分类节省了智能算法故障辨识中参数选择和优化的时间,通过建立的编码规则,将故障特征进行编码,搜索故障编码库,最终确定故障类型.通过仿真研究,验证了该算法的可行性与有效性.     

基于MHSI-MCKD的滚动轴承故障特征提取方法

为了解决滚动轴承的故障信号因受噪声干扰而导致故障特征提取困难,以及最大相关峭度解卷积(MCKD)的解卷积周期T、移位数M和滤波器长度L需要依赖人为主观经验选取的问题,提出了一种基于改进的谐波显著性指标(MHSI)与MCKD相结合的滚动轴承故障特征提取方法(MHSI-MCKD)。首先,提出了一种改进的谐波显著性指标(MHSI)作为评价MCKD降噪效果的依据;其次,以MHSI为适应度函数,采用步长搜索法得到MCKD的最优参数组合;最后,利用参数优化的MCKD对滚动轴承的故障信号进行降噪处理,并通过Hilbert包络谱获取滚动轴承的故障特征。在仿真和实验分析中,利用MHSI-MCKD方法实现了对MCKD关键参数的自适应寻优,增强了信号中故障特征的显著程度,提取出了滚动轴承内外圈的故障特征。仿真及实验结果表明,所提MHSI-MCKD方法可用于提取滚动轴承的故障特征。     

二进制量子粒子群优化算法及其在化工过程故障诊断中的应用

针对实际化工生产过程中故障数据缺乏,采用适合小样本问题的支持向量机(SVM)对化工过程稳态故障进行诊断。为了保证在线故障诊断的实时性,消除高维监控数据以及系统噪声对故障诊断的干扰,提出了一种新的基于二进制量子粒子群优化(BQPSO)算法和SVM的故障特征选择方法。仿真实验表明:BQPSO算法具有良好的全局搜索能力,能够快速、准确地搜索到故障特征变量;而基于特征选择的SVM故障诊断方法能可靠地实现对复杂化工过程的在线故障诊断。     

基于故障特征时段识别的间歇过程故障诊断方法

间歇过程的多时段操作特性使得某一类型故障可能在一个或多个子操作时段具有明显表征,而在其他时段没有故障表征,即故障具有其相应的特征时段.提出了一种基于故障特征时段识别的故障诊断方法,通过对历史故障数据以及正常数据质心分布特征,识别历史故障的特征时段.利用多向Fisher判别分析(MFDA)方法分别建立对应的故障诊断模型,从而将故障诊断的搜索空间深入到特定的特征时段,提高了模型的诊断性能.仿真实验验证了该方法的可行性和有效性.     

基于PF能量特征和SVM的变速箱轴承故障诊断方法

内圈点蚀、外圈压痕是变速箱滚动轴承常见典型故障,为实现其快速、准确诊断,提出基于局部均值分解(Local mean decomposition,简称LMD)的PF(Product Function)分量能量特征和支持向量机(Support Vector Machine,简称SVM)相结合的变速箱滚动轴承诊断方法.将采集的振动信号进行LMD局部均值分解,获得若干个PF分量,并以计算的PF分量的能量熵作为特征量输入支持向量机,进行滚动轴承的故障类型的识别.通过对滚动轴承正常状态、内圈点蚀故障和外圈压痕故障的诊断效果对比分析表明,相对于基于神经网络的轴承故障诊断方法,基于PF分量能量特征和支持向量机的诊断方法有着更高的故障识别率.     

采用时域与时频域联合特征空间的转子系统碰磨故障诊断

针对转子系统早期碰磨故障,提出了一种基于时域和时频域联合特征提取和分析的方法,并采用该方法对简单转子模型进行了故障诊断。基于BP神经网络和影响函数法,建立了滑动轴承单盘转子碰磨故障动力学模型,并对转子系统碰磨故障进行了数值模拟;分别采用统计学和小波包分解方法,对振动信号的时域和时频域特征进行了提取,综合两者建立了碰磨故障的特征空间,并采用支持向量机(SVM)模型对比分析了基于时域、时频域和综合两者特征空间的故障诊断效果,在此基础上,通过引入可分度函数,将正常振动信号与故障信号同时考虑,对各特征的可分度进行了分析和排序;根据特征分析结果,将特征空间分为高可分度区域和低可分度区域,分别针对单特征和组合特征对碰磨故障进行识别。研究结果表明:单特征的碰磨故障识别率与其可分度函数值呈正相关;组合特征识别效果要优于单特征,且高可分度区域内的组合特征识别效果要明显优于低可分度区域,针对本文所建碰磨故障样本空间,高可分度区域内随机三特征组合平均故障识别率达到90%以上。文中提出的故障特征提取和分析方法可为复杂故障的识别提供参考。     

基于EMD的复合故障诊断方法

针对转子不平衡故障和滚动轴承微弱损伤性故障的复合故障诊断问题,提出了一种基于经验模式分解的故障诊断方法,进行复合故障的耦合特征分离和轴承损伤性故障信号特征提取研究. 该方法首先通过经验模式分解将复合信号分解为若干个本征模函数(intrinsic mode function, IMF);然后通过计算各IMF与原始复合信号的相关系数确定包含故障特征信息的主要成分,除去虚假分量;最后针对主要成分中的低频成分进行频谱分析提出转子故障特征,针对主要成分中的高频成分进行Hilbert包络解调提取调制故障特征,即轴承损伤性故障特征. 仿真及实验结果表明该方法的有效性和实用性.     

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

基于DTCWT与GA改进稀疏分解的轴承故障诊断

为解决滚动轴承故障信号信噪比低、故障特征难以提取的问题,提出一种双树复小波分解(DTCWT)与遗传算法(GA)相结合的改进稀疏分解方法.首先,采用双树复小波对轴承振动信号进行分解,并结合峭度最大准则提取包含冲击特征的最优分量,对该分量进行稀疏重构,实现强噪声信号的深度降噪、故障冲击特征的重构;然后,针对稀疏分解在处理高维复杂信号时计算效率低的问题,使用遗传算法优化基于匹配追踪(MP)算法的寻优过程,提升信号的重构效率;最后,提出基于残差信号包络熵的终止准则以合理选取迭代次数.经仿真与实验验证,与传统的稀疏分解相比,该方法能在强噪声背景下自适应地提取故障信号中的冲击特征,实现滚动轴承的故障识别.     

SOM在广域网故障诊断中的应用

为了提高网络管理重要组成部分的故障管理能力,通过对性能数据和故障征兆的推理来确定故障源,针对WAN(wide area network)的故障传播特征提出了一种基于自组织特征映射 SOM(self-organizing maps)的网络故障诊断模型,该模型包括SOM训练模块和故障实时诊断模块.仿真实验表明,采用该模型进行4种故障诊断,故障识别率达到95.82%,而误警率只有3.96%,说明在WAN中采用基于SOM的故障识别方法效果良好.     

基于拉普拉斯分值和鲸鱼寻优SVM的滚动轴承故障诊断

滚动轴承的振动信号所呈现出的非高斯、非线性等特性,使得其故障类型和故障严重程度难以准确识别,故此提出了一种拉普拉斯分值(laplacian score,LS)与基于鲸鱼算法(whale optimization algorithm,WOA)寻优的支持向量机(support vector machine,SVM)相结合的智能故障诊断方法。首先提取原始振动信号时域、频域、时频域的统计特征,通过利用LS选择较为敏感、更能表征故障状态的特征,形成故障特征向量,然后通过鲸鱼算法来优化SVM的惩罚因子和核参数,构造成分类器模型来进行故障模式识别,判断出滚动轴承的故障类型。通过多种算法对SVM的参数寻优进行对比发现WOA寻优优势明显,同时使用多方面的实验数据验证了该方法在提取滚动轴承故障特征信息方面的有效性,且具有较高的分类识别精度。     

基于邻域粗糙集概念的一种滚动轴承特征提取方法

针对滚动轴承早期微弱故障识别率偏低的问题,提出一种基于EEMD、邻域粗糙集和模糊C均值聚类(FCM)算法相结合的滚动轴承特征提取方法.该方法将滚动轴承的原始信号进行EEMD分解得到若干个IMF分量,通过均方差和欧氏距离两个评价指标选取出敏感特征分量,构造原始特征数据集,对处理后的原始特征集属性进行NRS约简,剔除冗余属信息,最后将剩余属性的特征数据集作为模糊C均值聚类的输入,实现滚动轴承故障识别.为了对比本文方法对于滚动轴承的故障识别效果,分别添加了FCM、NRS-FCM和EEMD-FCM三种方法进行故障辨识,利用划分系数(PC)和划分熵(CE)对聚类结果进行评价与对比.通过实验表明:邻域粗糙集对于改进滚动轴承的故障识别效果十分明显,具有良好的应用前景.     

融合Morlet小波与GA优化多模态核的轴承故障检测算法

针对轴承故障检测算法特征分辨性较低、 准确度较低等问题, 提出一种融合Morlet小波和遗传算法优化的多模态核方法轴承故障检测算法. 该算法首先针对原始轴承故障信号提取多个尺度和多个位移条件下的Morlet小波变换特征, 然后设计一个多模态核方法, 包含线性核函数与径向基(RBF)核函数, 最后在支持向量机(SVM)训练过程中采用遗传算法(GA)优化多模态核的参数, 使用最优化多模态核进行轴承故障检测. 在UoCn的智能维护中心数据集上分别测试了滚珠故障、 内圈裂纹故障和 外圈裂纹故障的检测, 并对单一核与多模态核间的错误率与效率进行对比. 实验结果表明, 改进算法能获得鲁棒的轴承故障检测特征, 且多模态核在GA的优化下能快速收敛, 获得最优化结果, 通过牺牲少量的时间效率而极大提升了轴承故障检测准确率.     

基于希尔伯特-黄变换的车用逆变器开路故障检测方法

针对车用变频驱动系统中逆变器开路故障,采用直流侧电流频谱作为故障特征量进行故障诊断;并引入希尔伯特-黄变换(HHT)作为频谱分析工具,将该方法延伸到非平稳信号的频谱分析中。通过对稳态、动态两种工况下单管开路故障和单相开路故障两种故障模式的研究,结果表明:该方法能够在稳态和动态工况下可靠提取出直流侧电流信号中隐含的故障特征量,适用于车用工况。     

采用显式动力学的轴承性能退化评估指标构建

针对非平稳工况下常规时域统计特征对滚动轴承早期微弱故障不敏感的问题，提出一种对早期微弱故障敏感且能表征性能退化趋势的性能退化评估指标，即特征相似比(FSI)。首先，对4种变工况轴承振动信号进行测试，分析统计特征对径向载荷、转速波动和故障程度的敏感性；然后，选择对工况不敏感但对故障程度敏感的特征作为最佳特征；最后，通过计算相邻两样本最佳特征的相似比构建FSI指标。采用所构建的FSI指标对轴承仿真故障数据和全寿命疲劳试验数据进行试验验证，结果表明：轴承发生早期故障时，最佳特征幅值增加9.4%,高于均方根值的4.7%、绝对均值的5.2%;全寿命轴承出现微弱故障时，FSI幅值增加21.8%,高于均方根值的6.5%,且FSI准确表征了轴承性能退化趋势。