基于二维谱熵和支持向量机的柴油机故障诊断

对柴油机燃油喷射系统典型故障进行台架模拟试验,测量了柴油机缸盖振动信号,通过频域分析提取了二维信息谱熵作为特征指标,将二维谱熵作为支持向量机(SVM)分类器的输入量,建立了故障诊断模型。经验证,该方法具有良好的分类能力和较高的诊断精度,达到了柴油机故障诊断的要求。     

基于小波包和样本熵的水泵机组振动特征提取

目前大部分大型水泵机组安装有状态监测系统,但如何从海量的状态监测数据中提取出机组故障特征仍是水泵机组故障诊断的一大难点和热点。提出了一种基于小波包和样本熵的水泵机组振动特征提取方法,该方法首先通过小波包变换对水泵机组振动信号进行分层分解,得到小波包频带系数,再结合样本熵算法对小波包频带系数进行重构,得到以各频带信号样本熵值为元素的反映机组故障信息的特征向量,最后采用LVQ神经网络对试验振动信号进行分类,验证结果表明:基于小波包变换与样本熵相结合的特征提取方法对水泵机组不同振动状态具有较好的区分度,是一种合适的水泵机组故障特征提取方法。     

基于一维卷积神经网络与近似熵特征融合的水电机组故障诊断

针对水电机组振动信号存在非平稳和非线性,单一特征提取难以实现高精度故障诊断问题,提出了一种基于卷积神经网络和近似熵特征融合的故障诊断方法。利用卷积神经网络提取振动信号特征;EEMD与近似熵构建信号特征向量,将两种方法提取的状态特征融合构建融合特征向量;进一步,将融合特征作为输入、故障类别作为输出,训练BP神经网络得到水电机组故障识别器,识别水电机组运行状态,即正常或具体故障类型。结合转子实验台实验数据,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。     

串联电池组接触故障诊断方法研究

故障诊断在保障电动汽车安全运行中起着至关重要的作用。针对串联电池组接触故障,提出一种基于自适应白噪声的完整经验模态分解（CEEMDAN）和模糊熵结合的串联电池组接触故障诊断方法。首先通过CEEMDAN分解电池电压信号,提取有效故障特征,然后计算移动窗口下故障特征的模糊熵,最后通过设计的故障识别策略进行实时故障诊断。仿真与实验结果表明,该算法可以准确识别串联电池组不同严重程度的接触故障,具有良好的实时性与稳定性。     

基于Shannon熵和BP神经网络的微电网短路故障诊断

为了及时准确地诊断微电网的短路故障,并识别其故障类型和相别,文章以BP神经网络为基础方法,并应用Shannon熵和小波分析理论增强故障特征的提取能力,建立了一种新的诊断方法。对微电网的三相电流信号作三层小波分解,得到电流分解信号,以及小波Shannon能量熵;然后将三相电流重构信号的Shannon能量熵组成特征向量,作为BP神经网络的输入;最后利用训练的BP神经网络进行微电网故障类型和故障相别的识别。仿真结果表明,该方法能准确识别微电网内部故障类型和故障相别,准确率达到96.8%,可有效保障电网安全稳定运行。     

基于EEMD多尺度模糊熵与BP神经网络的滚动轴承故障表征诊断

针对滚动轴承故障振动时间序列非线性与非平稳性特征,提出一种基于多尺度模糊熵的滚动轴承故障诊断方法。首先通过集合经验模态分解对故障振动信号进行自适应分解;根据得到固有模态函数分量(IMF)求取相应的多尺度模糊熵;在此基础上以EEMD多尺度模糊熵作为故障特征输入到BP神经网络中进行学习和分类。实验结果表明该方法能够实现对轴承的内圈、外圈及滚动体三种故障类型的诊断,准确率达到了99. 5%。     

联合收割机行走变速箱故障特征提取方法研究

针对联合收割机行走齿轮箱故障诊断率低的问题,提出了基于遗传算法(Genetic Algorithm,GA)及样本熵优化VMD参数的故障特征提取方法,研究了不同分解算法对故障诊断率的影响,并在试验台上采集行走变速箱不同故障状态下的振动信号开展试验研究和验证。试验结果表明:与EMD样本熵和无样本熵情况相比,VMD样本熵具有维度低、识别精度高的优点,同WOA-KELM模型组合在故障诊断中有良好的识别分类性,可以用于联合收割机行走变速箱的故障诊断。     

基于小波包样本熵和SVM的水泵机组振动故障诊断

用小波包样本熵提取出水泵机组各个振动状态下的样本熵值作为支持向量机(SVM)的特征向量,然后用特定的SVM分类器进行分类训练,在此基础上对机组振动故障进行识别,为验证本方法的准确度,通过立式水泵机组实验平台进行大量的实验并对其做出了定量定性分析,实验结果表明这种基于小波包样本熵和SVM水泵机组振动故障诊断方法具有较高的可信度。     

混合特征量提取与FCM聚类在轴承故障模式识别中的应用

信号的特征提取是轴承故障诊断的关键所在,项目小组针对机械系统的非平稳、非线性特性,利用自适应时频分析方法——局部均值分解(Local Mean Decomposition,简称LMD)方法,同时提取信号LMD分解后的PF分量的能量、时域特征指标、近似熵作为混合特征向量,可以分别从信号的不同特征来描述轴承系统的故障信息。实验结果证明:故障识别采用FCM聚类算法,聚类效果好;将混合多特征量提取与FCM聚类算法应用于轴承故障模式识别中,可以有效进行轴承故障诊断。     

基于多传感器信息融合的水工闸门故障诊断

针对水工闸门安全检修困难、检修效率低的问题,提出了一种基于支持向量机（Support vector machine,SVM）和改进D-S证据理论的信息融合水工闸门故障诊断方法。该方法通过提取不同传感器诊断信号小波包信息熵特征构建特征子空间,然后在每个特征子空间构建诊断子网络,最后使用改进证据理论对每个诊断子网络的输入进行决策层融合,从而水工闸门的多信息融合诊断结果。闸门故障诊断实验结果显示,信息融合的闸门故障诊断方法可有效识别弧形闸门故障种类,其故障诊断准确率达到了98.33%,同时诊断可靠度高,各类故障的诊断不确定度均小于1%。实验结果验证了智能故障诊断方法用于水工闸门领域的可行性,对于改进水工闸门故障检修方式,推动水利工程智能化的发展具有重大意义。     

水泵微弱故障信号的检测

噪声是影响水泵早期故障诊断正确性的主要因素．利用小波变换对水泵的噪声信号进行多层次分解，并根据相邻层小波系数相关性进行滤波，该法可以对信号进行良好的降噪，同时也不会弱化信号中的弱故障信号．通过对水泵早期故障信号分析，结果表明，小波域相关滤波法对水泵早期故障诊断是有效的，     

基于GAF-Alexnet-ELM的齿轮箱故障诊断方法

针对齿轮箱在噪声、转速、加载电流变化的情况下故障诊断模型泛化性能差的问题,提出一种GAF-AlexnetELM的齿轮箱故障诊断模型。利用格拉姆角场（GAF）的方法将齿轮箱的振动信号转化为二维图像,将二维图像压缩至适当大小,再输入卷积神经网络（Alexnet）进行特征提取,最后将Alexnet提取的特征放入极限学习机（ELM）进行故障识别。为了验证模型性能,采用千鹏公司QPZZ-II旋转机械振动分析及故障诊断试验平台系统的数据集进行齿轮箱故障诊断分析,同时进行多组对比实验,验证不同模型的故障诊断性能和泛化性能。结果表明,该模型故障识别准确率达到了96.33%;在噪声、转速、加载电流变化的情况下,故障识别准确率也较高,证明了所提方法具有良好的故障诊断效果和泛化性能。     

车辆变速器故障诊断的Shannon熵研究

利用小波分析技术和信息科学原理，建立了机械故障诊断的Shannon熵分析模型。对车辆变速器的故障诊断进行研究，将测试信号进行多层小波分解与重构，计算各层重构信号的Shannon熵值及其和熵和，并进行图形显示和分析，获得其运行状态特性并进行故障诊断，为机械故障诊断提供了新的理论和方法。     

基于形态非抽样小波分解的滚动轴承故障特征提取

针对滚动轴承故障特征信息往往被强背景噪声淹没的问题,提出采用基于多尺度差值形态滤波的形态非抽样小波分解方法提取故障特征.形态非抽样小波分解具有形态学的形态滤波特性与小波分解的多分辨率特性,通过非抽样方式对信号进行分解,克服了传统形态小波分解信息丢失的问题.结合差值形态滤波能够提取信号冲击成分的特点,构造了一种基于多尺度差值形态滤波的形态非抽样小波分解方法,并将其应用于滚动轴承故障特征的提取.仿真与实例证明,该方法可有效提取信号中的故障特征,比传统小波包分解效果更好.形态非抽样小波分解算法只包含加减和极大、极小运算,具有计算简单、快速等优点,适用于滚动轴承的在线监测与故障诊断.     

基于多分类SVM的水泵故障诊断的研究

为了预测水泵在运行中的故障,提高水泵运行的安全性和经济性,在分析故障诊断的基本原理的基础上,建立了水泵运行故障知识库,并运用有向无环决策图多分类算法,对水泵故障样本进行训练,建立了基于支持向量机的离心式水泵运行故障诊断模型(DAGSVM).通过实例验证表明,该模型能有效的诊断水泵的常见故障,为水泵故障诊断提供了一种新方法.     

基于SVD-CWT和CNN的水轮发电机转子故障识别

水轮发电机转子振动故障识别是水电站运维的重难点问题,为此提出一种基于转子振动信号的故障识别方法。首先针对发电机转子的非平稳和非线性振动信号,采用奇异值分解（SVD）并结合能量差分谱理论进行降噪预处理;对预处理数据使用连续小波变换（CWT）转换为时频图并形成图像数据集;然后将该图像数据集作为卷积神经网络（CNN）输入,通过CNN多层池化及卷积形成分布式故障特征表达,最终实现发电机转子故障模式识别和分类。经实验验证,该方法准确率达到99.5%以上,能有效识别出发电机转子的故障类型。     

交-交变频调速系统特征提取方法的研究

针对交-交变频调速系统中传统故障诊断方法难以准确判断隐性故障类型的问题,本文提出了一种基于db1小波包和db24小波包变换近似熵的特征能量提取方法:首先用db1小波包分解并提取采样信号的低频重构信号,用db24小波包分解并提取采样信号的高频重构信号:而后提取各个频带段的近似熵,根据具体的判断规则确定电机运行的隐性故障特征信号.实验和仿真证明,该方法弥补了传统方法提取微弱特征的不足,能够很好用于隐性故障诊断的检测,表明该方法的可行性和有效性.     

感应电机故障诊断研究现状与发展趋势

感应电机在工业中扮演重要角色,它的可靠安全运行至关重要.由于感应电机结构、湿度以及温度的影响,感应电机的故障时有发生.感应电机在线故障诊断的基本步骤包括提取故障信号、提取故障特征信息以及故障状态识别.首先在线提取故障信号,然后通过信号处理技术提取故障特征信息,最后通过算法确定故障类别.文章对当前的感应电机在线故障诊断的研究现状和发展趋势进行探讨.     

希尔伯特-黄变换在农业机械故障诊断中的应用

在对农业机械故障发生的原因及征象进行分析的同时应用希尔伯特—黄变换方法对农业机械的故障点进行了观测和诊断。由于这类系统故障点冲击引起的信号突变十分微弱,在噪声环境中更难于识别,因此首先通过EMD分解分离噪声,然后从希尔伯特谱中分析出故障振动信号的时频分布情况,从而确定故障发生的时间以及故障前后信号频率和幅值随时间变化的各种信息,以达到提取较为完整的故障特征的目的,实现对这类系统的某些特殊故障的诊断。     

基于ReliefF和DBN的齿轮箱故障模式识别方法研究

考虑到齿轮箱中齿轮和轴承等零部件振动信号故障特征难以提取,故障模式无法准确识别的问题,提出了一种将齿轮箱振动信号特征利用Relief F算法进行降维,然后利用深度置信网络进行模式识别的分类方法。首先采用变分模态分解算法对齿轮箱振动信号进行预处理,将信号分解成多个包含故障特征的IMF分量;计算每个IMF分量的时域及能量熵特征,运用Relief F算法选取其中的敏感特征以降低原始特征维度;将敏感特征向量输入到深度置信网络中,实现故障类型的模式识别。实验结果表明,使用降维后的特征向量比使用降维前的特征向量,识别准确率更高。