利用非线性流形学习的轴承早期故障特征提取方法

针对早期故障微弱特征难以提取的问题,提出了一种基于非线性流形学习的滚动轴承早期故障特征提取方法.在由时域指标和小波频带能量组成的原始特征空间中,结合局部切空间排列学习算法的特点,采用散布矩阵分类测度指标,实现了局部邻域的优化选取,从而提取出最优的敏感故障特征.通过实例应用,表明该方法有效地克服了主分量分析和非线性核主分量分析方法的不足,提取的融合特征敏感性更好,从而提高了故障模式的分类性能,实现了轴承的早期故障诊断.     

完备黎曼流形的几何性质

利用Ｊａｃｏｂｉ场,Ｒａｕｃｈ比较定理,核心等概念和定理讨论了完备黎曼流形的若干几何性质。     

紧致黎曼流形的TORSE-FORMING向量场

本文讨论紧致黎曼流形中的Torse-forming向量场,得到此向量场同流形的Ricci曲率之间的关系,运用Torse-forming向量场的性质给出了容有这种向量场的紧致无边流形同球面共形的一个条件,并讨论了Torse-forming向量场诱导到一般子流形的情况。     

基于局部线性嵌入的多流形学习故障诊断方法

故障样本具有复杂多样性,而不同故障类型存在于不同维数的多流形子空间中,将样本统一降维到同一维数的单流形上则不能进行高效的特征提取.提出了一种基于局部线性嵌入(Local Linear Embedding,LLE)的多流形学习(Multi-LLE)故障诊断方法,将单流形故障诊断方法扩展到多流形,首先利用Multi-LLE分别提取各故障数据集在其本征维数流形上的特征,再通过各特征向量的聚类中心与故障新样本在不同维数下的嵌入向量的距离比较,将距离最近者归为一类实现分类识别.利用转子实验故障数据对算法进行了验证,并将Multi-LLE方法与LLE和海赛局部线性嵌入(HLLE)方法进行了比较,结果表明该方法能够有效的实现故障诊断.     

关于黎曼流形的超曲面

获得如下定理：假设Ｍ＾ｎ是ｎ＋１的维黎曼流形Ｎ＾ｎ＋１的ｎ维超曲面,那么Ｍ＾ｎ是极小的当且仅当等式：ｎＨ∑λＩ＋－Ｎ｜ｈ｜∑｜λｉ｜＝－ｎ｜Ｈ｜（ｎＳ）＾１／２成立。     

伪黎曼流形中的极大类空子流形

研究了伪黎曼流形中极大类空子流形,得到了这类子流形关于黎曼曲率张量的不等式.此外,在Ricci曲率平行的条件下,得到了Lorentz空间中极大类空子流形关于数量曲率的不等式.     

黎曼流形中的平行曲率子流形

在[1]中给出了黎曼流形中平行曲率超曲面的条件和某些性质,本文引入法联络,将[1]的结果可直接推广到黎曼流形的子流形上去。     

基于黎曼流形的MIMO雷达目标检测方法

针对样本数少时不能用样本协方差代替统计协方差的问题,提出了一种基于黎曼流形的单基地MIMO(Multiple-Input Multiple-Output)雷达目标检测新方法.该方法利用拓普利兹-厄米特正定(THPD:Toeplitz-Hermitian Positive Definite)矩阵会在信号空间形成黎曼流形的...     

具非负曲率的黎曼流形

利用沿测地线的Ｊａｃｏｂｉ场和指标形式，证明了具非负曲率的完备２维黎曼流形Ｍ＾２如果没有共轭点，必等距于Ｒ＾２。     

滚动轴承故障诊断技术的研究

对滚动轴承进行故障诊断能够及时发现故障信息,减小事故发生几率,延长机器寿命,具有较高的现实意义。本文介绍了滚动轴承故障诊断方法,重点综述了振动分析法的发展现状与趋势,并指出了目前滚动轴承故障诊断所存在的主要问题。     

基于集成学习概率神经网络的电机轴承故障诊断

电机作为一种重要的驱动设备,在工业生产中得到了广泛的应用.滚动轴承是电机最重要的部件之一,一旦发生故障,将严重影响生产过程.因此,对电机轴承故障进行诊断,对保证安全、正常生产具有重要意义.本文采用概率神经网络(PNN)实现了电机轴承的故障分类,针对作为概率神经网络最重要参数之一的平滑因子σ需要通过经验或不断尝试的方式人...     

基于多维缩放和随机森林的轴承故障诊断方法

为快速准确识别轴承的运行状态,提出了一种基于多维缩放和随机森林的轴承故障诊断方法。该方法采用函数型数据分析,得到轴承振动信号自相关函数的拟合系数,构造故障特征集;使用网格搜索法优化随机森林参数,得到特征重要性排序;然后使用多维缩放方法对特征选择后的故障特征集进行降维;最后采用随机森林对降维后的故障特征进行诊断识别。为验证所提方法的有效性,开展了正常、内圈故障、外圈故障、滚子故障状态下的轴承振动实验,结果表明,函数型数据分析的特征提取方式能有效表征不同状态轴承振动信号的不同特征,与t分布随机邻域嵌入和主分量分析方法相比,多维缩放方法具有更高的类间距和类内距的比值,且优势明显,各类状态的诊断准确率均高达100%,较使用原始特征集的随机森林平均准确率提高了5%。     

采用非相关字典学习的滚动轴承故障诊断方法

针对轴承振动信号中早期故障特征难以识别的问题,提出了利用非相关字典学习稀疏提取微弱冲击特征,进而完成故障诊断的方法。字典的构造是影响稀疏表示算法性能的关键步骤,而传统字典学习方法构造的冗余字典,原子之间具有很强的相关性,不足以表现信号不同的结构特性,也不利于信号准确稀疏重构,进而影响了冲击故障特征信号的提取。因此,在K均值奇异值分解算法(K-SVD)的基础上加入了原子解相关的步骤,形成了非相关字典学习算法(INK-SVD)。采用INK-SVD算法在含噪振动信号段样本中,学习构造低相关性自适应字典;在此基础上,利用稀疏表示方法准确提取冲击故障特征,从而实现更准确的轴承故障诊断。通过仿真分析及实验数据分析,与传统字典学习方法相比,该方法稀疏系数恢复精确度更高,重构信号的包络解调谱更有利于故障特征的辨识,从而验证了该方法的有效性。     

基于BAS优化PNN网络的电机轴承故障诊断方法

针对电机轴承故障识别准确率不高问题,提出了一种天牛须搜索算法(BAS:Beetle Antennae Search)与概率神经网络(PNN:Probabilistic Neural Network)相结合的滚动轴承故障诊断方法.该方法结合LLE(Locally Linear Embedding)算法得到振动信号的敏感特...     

基于故障树的智能故障诊断方法

针对传统故障诊断方法的不足,提出了一种基于故障树的故障诊断方法.该方法在对系统故障现象进行分析判断的基础上,按照任务和功能关系,建立包含各功能单元的故障树模型,求得系统的最小割集,并计算出单元关键重要度.在综合考虑平均故障检测时间因素的同时,提出了故障判明效时比的概念,并以此为依据,从大到小排序,确定故障诊断的最优程序.     

滚动轴承故障诊断的案例推理方法

针对滚动轴承的故障诊断问题,提出了一种采用案例推理(CBR)的诊断方法.为了解决检索相似案例时案例属性多、人工确定关键属性及其权重困难的问题,提出了一种Filter/Wrapper复合型特征选择算法,用邻域粗糙集算法粗选属性,用遗传算法进一步精选属性和优化权重,并有效地解决了邻域粗糙集算法中需要人工确定邻域大小的问题.以滚动轴承运行时的振动信号为基本信息,建立了滚动轴承案例库,从案例库中检索与问题案例相似的历史案例,并根据这些历史案例来判定问题案例的故障类别.试验结果表明,故障诊断的正确率达到100%,故障位置诊断的正确率达到93.3%,且算法具有较好的稳定性.     

基于TVAR-HMM的滚动轴承故障诊断

针对工况条件下轴承故障振动信号的非平稳特性,分析时变自回归与隐马尔科夫模型的特点,提出了一种基于时变自回归和隐马尔科夫模型的滚动轴承故障诊断方法.振动信号经时变自回归建模后,得到时频分辨率较高、无交叉干扰项的时频谱,基于能量法对时频谱进行特征提取,然后利用隐马尔科夫模型对故障特征统计分类,实现对轴承故障的诊断.轴承信号分析表明,TVAR建模可以有效地提取信号中的故障特征,结合隐马尔科夫模型的动态统计特性可智能识别轴承故障类型,得到良好的诊断效果.     

主分量分析和隐马尔科夫模型结合的轴承监测诊断方法

为了快速识别轴承的故障模式以及性能退化状态,提出了一种基于主分量分析和隐马尔科夫模型的轴承监测诊断方法。该方法首先提取了轴承振动信号的混合域故障特征集,使用主分量分析对混合域故障特征集降维,然后使用降维后的特征训练隐马尔科夫模型,最后用降维后的测试样本测试模型的性能,根据隐马尔科夫模型输出的对数似然概率,确定轴承故障模式以及轴承的性能退化状态。开展了不同状态滚动轴承振动测试实验,数据分析结果表明,提出的方法诊断准确率均能达到100%,相比基于补偿距离选择特征降维及隐马尔科夫模型诊断方法,最高将分类离散度提高123.74%,并且在轴承的性能退化实验中,提出的方法能在故障早期给出故障预警,证明了该方法的有效性和准确性。