自组织特征映射在柴油机振动信号模式分类中的应用

通过分析柴油机在磨合期、不同摩托小时和拉缸等典型状态下的振动信号样本,计算出各类样本在幅域、时域和频域的特征参量,按照类别可分离性判据进行特征选择,寻找出能够代表发动机不同状态的有效特征参数,同时降低特征向量空间的维数,最后利用自组织特征映射神经网络(Self-Organizing Feature Map)进行发动机不同状态的分类.分析结果表明,SOFM能够对各类模式进行有效的分类,准确率达到92%以上.     

基于转速分析的柴油机加速性能和气缸气密性的评价方法

对不同使用摩托小时的坦克柴油机的加速、减速时间进行检测和分析,利用Bayes Bootstrap模拟统计方法对转速特征值进行处理,获得了更准确的特征分布．采用动态聚类方法对样本特征进行分类,实现了对柴油机加速性能和气缸气密性的等级评价．     

基于小波分解的柴油机振动信号特征提取方法

柴油机振动是一种多振源的复杂振动形式,其机体表面振动是内部各种激振力共同作用的综合反映。在柴油机使用过程中技术状态的改变将导致激振力发生不同的变化,因此测量机体激振信号有利于对柴油机技术状态进行监测。通过测量不同技术状态的柴油机机体振动信号,利用小波包分析的方法,将柴油机振动信号按其特征频率进行了小波分解和重构,提取了振动信号特征。分析结果表明,此方法能够提高信噪比,提取的振动信号特征能够反映柴油机技术状态的变化。     

基于Boxplot-LTSA噪声流形算法的滚动轴承状态识别

旋转机械在实际运行中往往是变工况的,采集到的数据容易受到噪声、振动、冲击等多重干扰,经过降维处理后的低维流形无法真实、准确地反映其内部结构或内在规律,在进行故障识别时误判率高。提出了一种Boxplot-LTSA算法,利用箱线图Boxplot算法对原始信号进行去噪处理,再利用局部切空间排列方法(LTSA)进行降维,该算法直接对采集到的原始信号进行处理,不需时频域特征提取,避免了数据处理所造成的数据失真,同时LTSA算法能够克服去噪所造成的数据孔洞影响。通过案例,与直接使用流形学习算法降维处理结果进行比较,证实了该方法能够克服噪声对流形学习算法的影响,具有良好的状态识别效果。     

柴油机健康状况评估及其方法

提出了柴油机健康状况评估的思想,通过大量实车试验,计算并分析了关联维数与柴油机健康状况的对应关系,结合摩托小时数给出了柴油机健康状况的定量表述参数——健康度。最后,验证了健康度与振动烈度、加速时间、减速时间以及燃油消耗等特征量反映的健康状况是一致的,这表明,利用健康度评估柴油机的健康状况是可行的。     

基于EMD、遗传算法及神经网络的柴油机故障诊断

研究了将经验模式分解(Empirical Mode Decom position,EMD)、遗传算法及BP神经网络相结合对柴油机振动信号进行故障诊断的方法。首先运用经验模式分解方法对柴油机缸盖表面振动信号进行分解并提取特征参数;然后利用遗传算法对得到的特征参数进行选择,找到对于故障诊断最为敏感的参数;最后建立了BP神经网络模型对柴油机典型故障进行诊断。通过对某型柴油机的验证,表明该方法能够准确识别柴油机供油系统的典型故障。     

卫星单-混信号识别研究

针对卫星通信中常用的调制信号和成对载波多址(PCMA)混叠信号的调制样式识别问题,提出了一种基于高阶累积量和信号瞬时特征统计量的识别算法。该算法对接收数据进行预处理,在此基础上提取高阶累积量和信号瞬时特征统计量构造4个特征参数,构造树形分类器进行调制识别。算法具有不需要知晓信号的定时等先验信息,对混合幅度比不敏感等特点。仿真结果表明,该算法在低信噪比下仍然能保持较高的识别性能。     

基于深度学习的MPSK信号调制识别

为了有效实现信号调制方式的智能识别,提出基于深度学习的多进制相移键控(Multiple Phase Shift Keying, MPSK)信号调制识别方法。分析接收MPSK信号的循环谱,并通过提取MPSK信号循环谱的等高图获得二维特征信息,利用深度学习中的卷积神经网络对二维特征进行训练,使用测试样本对所设计的调制识别方法的有效性进行验证。仿真结果表明,所提方法具有良好的识别性能。     

基于随机森林法的机械变速箱技术状态评估

将随机森林RF(Random Forests)引入到机械设备技术状态评估领域,对某型坦克不同劣化程度的变速箱振动加速度信号数据进行分类研究,分类精度达到97%以上,证实了此方法的有效性。基于RF的评估方法具有组合分类器精度高、树型分类器运行速度快的特点,在机械设备状态识别、故障诊断中表现出了良好的性能。     

基于时频图像三维熵特征的雷达信号识别

针对雷达信号识别算法存在着准确率低以及抗噪性差的问题,提出基于时频图像三维熵特征的雷达信号识别算法。该方法对雷达信号时频变换后得到的时频灰度图提取其香农熵(Sh En)、奇异谱熵(Ss En)和范数熵(No En),并将三维熵值作为信号识别的特征向量,采用支持向量机实现信号的分类识别。仿真实验表明,提出的算法能够在低信噪比下得到较高的正确识别率。     

机械振动谱图分析诊断

所有运行的机器都在振动,振动是机器的脉搏,是机器状况的表征。振动谱图则是振动的体现形式之一,是机械运行状态的变化在振动信息中的反映。文中简述振动测量的基本原理,归纳了识别振动谱图要经过频率计算、读谱等步骤,重点对倒频谱分析、功率谱分析法、复包络谱分析、时序模型参数分析法、最大熵谱分析法、自适应消噪法等现有的机械振动谱图诊断技术进行了分析比较,并对其应用前景给予预测和展望,得出各种诊断技术适用对象及其精度。这些结论对机械振动谱图的识别、分析、诊断提供了一定价值的依据。     

信息论在柴油机故障诊断专家系统中的应用

本文应用信息论的基本原理,对柴油机故障诊断中故障与特征参数的关系进行了分析,提出了一种优化求解包含最大信息量的特征参数组的快速诊断方法及步骤;同时本文还应用加权熵的定义对诊断用的信息量进行了处理。本文对故障诊断专家系统的研究具有实用意义。     

齿轮箱故障诊断特征级数据关联方法研究

提出了齿轮箱故障诊断特征级数据关联的定义．在该定义的基础上,提出了基于Bootstrap方法的小样本诊断特征参数关联的方法．利用某型齿轮箱振动试验台测取的振动加速度响应信号对提取的特征参数进行了关联评估,基于Bootstrap方法的特征级数据关联方法正确区分出了效果不好的特征参数,证实了该数据关联方法的正确性．     

基于高阶谱分析的机械故障特征识别

在分析高阶累积量与高阶谱的理论基础上，利用高阶谱可以抑制加性高斯噪声的性质，研究了基于高阶谱分析的机械故障特征提取方法，提出了基于双谱估计的齿轮故障诊断的方法。通过对齿轮信号的双谱特征图谱进行分析比较，成功地对齿轮的正常稳态振动信号、正常瞬态振动信号以及磨损瞬态信号进行了识别，效果十分显著。     

面向柔性加工环境的过程状态振动监测

本文运用提出的通用状态监测模型及策略,以振动信号监测为例,提取设备运行状态的振动信号方差和振动信号建立AR模型的参数估计的变化率参数作为两类通用特征参数,对柔性加工系统进行归一化监测,取得了良好的效果。建立的监测系统简洁、快速、可靠,满足柔性制造环境下设备运行状态监测的要求。     

基于遗传算法与最大最小原理的故障模式特征选择

在诸如液体火箭发动机等复杂动力学系统的故障诊断中，监控参数组的优选问题一直受到工程技术人员的高度重视。本文提出了综合样本矢量方向离散度概念，以此作为故障特征参数的优选准则；然后利用经过改进的遗传算法，对某液体火箭发动机常见故障的诊断进行了特征参数组的优选。在改进的遗传算法中，采用了非常简洁而高效的染色体编码，针对特征优选的组合优化类问题专门设计了一种特殊的基因迁移算子，并引进了父本个体适应值的动态调整技术与共享函数。数值实验结果表明，该算法具有理想的效果。     

变工况下轴承健康监测的相关向量机与自适应阈值模型方法

工况在旋转机械运行过程中通常是变化的。变化的工况和故障一样,也会引起机械振动特征发生改变,从而引起诊断误差。为此,提出一种用于变工况下轴承健康监测的新方法。该方法使用相关向量机拟合振动特征的统计量随工况参数的变化,得到特征统计量与工况参数之间的连续函数关系;基于不同工况下的特征统计,构建自适应阈值模型。将该方法用于不同转速下的轴承健康监测,结果表明,当转速超过某一个较小的值时,该方法有效。     

液压泵的状态监测与故障诊断

本文对ＹＢ—Ｄ—２５型液压泵的振动进行了分析,找到了故障特征,建立了故障诊断模型。通过建立故障判断准则,实现了液压泵的状态监测与故障诊断。     

涡轮泵故障检测的频段能量比SOM算法

为了解决缺少故障样本情况下的涡轮泵健康状态判别问题,分析了涡轮泵振动信号的频谱,提取了频段能量比作为其故障检测特征,并讨论了自组织映射的竞争学习原理及聚类结果的U-矩阵表示,提出了一种基于频段能量比的自组织映射故障检测算法,并实现了该算法最佳匹配神经元的选择和权重向量的自适应更新。通过某型液体火箭发动机历史试车数据的验证,结果表明,健康涡轮泵数据利用该算法聚类时仅存在一个类别,相邻神经元距离小于0.1;反之,故障涡轮泵数据利用该算法聚类时明显存在两个或多个类别,且相邻神经元的最大距离大于0.1。因此,基于频段能量比的SOM算法能有效地判别涡轮泵的健康状况。