基于小波变换与SVM的复杂装备故障诊断研究

针对复杂装备故障信号提取困难、故障诊断精度低的现状,根据小波变换对处理非平稳信号的优越性和支持向量机(SVM)对模式分类的良好性能,提出了一种基于小波变换与SVM的故障诊断模型,并选取配电系统进行故障诊断仿真实验。结果表明该模型能利用少量训练样本完成故障诊断,有效提高装备故障诊断精度。     

机械故障特征与分类器的联合优化

在机械故障诊断中,特征选择和分类器的参数优化都可以提高诊断精度。利用特征和分类器参数的依赖关系,提出了特征选择和SVM参数的联合优化方法来提高诊断性能。联合优化方法采用支持向量机(SVM)作为故障分类器,SVM半径—间距上界(RM界)为目标计算诊断精度,并应用遗传算法求解此优化问题。齿轮故障诊断试验结果表明,联合优化的诊断精度要优于单独优化特征和SVM参数,而且优化速度更快。因此在故障诊断中,利用特征和分类器参数联合优化能够快速取得较好的诊断精度。     

基于DWT-LPP的行星变速箱故障信号特征增强方法

针对行星变速箱齿轮故障信号特征易被噪声湮没且不同齿轮故障信号较难区分的特点,提出了一种基于离散小波变换(Discrete Wavelet Transform,DWT)和局部保持映射(Local Preserving Projection,LPP)的行星变速箱故障信号特征增强方法。首先,利用DWT对信号进行多频段的重构扩充信号维度;然后,通过LPP对多维度信号进行降维,减弱噪声影响并增强信号的稳定性;最后,以排列熵(Permutation Entropy,PE)、样本熵(Sample Entropy,SE)和功率谱熵(Power Spectral Entropy,PSE) 3种信息熵表征信号特征。对台架试验采集不同故障状态的振动信号进行分析,结果表明:该方法对故障信号特征增强明显,依据3种信息熵值的三维坐标有效实现了行星变速箱齿轮故障的分类识别。     

基于MUDW和峭度的齿轮故障信号预处理方法

针对齿轮故障信号特征提取困难、易淹没在噪声干扰中等问题,采用形态非抽样小波(Morphological UnDecimated Wavelet,MUDW)分解和峭度对振动信号进行预处理,以强化齿轮故障信号特征和提高特征信息比重。首先,采用MUDW对信号进行分解,利用网格搜索法优选其初始参数;然后,采用峭度作为评价指标来表征各分解层近似信号对故障特征的贡献量,在此基础上进行加权融合运算,以提高有用的近似信号比重;最后,利用仿真信号和实测的齿轮故障振动信号验证了该方法的有效性和实用性。     

基于LS-SVM方法的某核电站主泵故障诊断

主泵是核电厂非常重要的设备,它直接关系到整个核动力装置能否安全运行,对其进行有效的故障诊断十分必要。支持向量机(SVM)具有使用较少的训练样本达到较好分类效果、不需要故障分类的先验知识的特点,可以应用于主泵的故障诊断。为此,首先使用小波变换提取某主泵的转子质量不平衡、转子不对中、碰摩等三种典型故障的故障信息,然后使用最小二乘支持向量机(LS-SVM)方法对故障模型进行训练,最后对训练得到的模型进行故障诊断。诊断结果较好,从而验证了该方法的有效性。     

基于小波包频带能量检测的神经网络故障诊断技术

利用小波包频带能量检测技术对观测信号进行处理,从中获取反映故障特征的信息,以此作为输入对网络进行训练,可对故障进行比较可靠的分类。同时介绍了利用小波包频带能量检测技术提取观测信号特征向量的方法和步骤,以及基于松散小波神经网络的故障诊断方法。最后结合某型导弹舵系统故障诊断的实例,给出仿真试验,证明了该方法的有效性。     

基于改进LS-SVM的异步电机转子故障诊断

为了提高异步电动机转子故障的诊断精度,给出了一种基于改进最小二乘支持向量机(LS-SVM)的多故障分类算法。首先运用FFT处理电机的定子电流信号得到信号频谱图,从中提取故障特征向量;然后将特征向量送入改进算法进行故障诊断时,在原有多分类算法的基础上引入层次分析法确定故障类别的权重,根据权重值确定故障的诊断顺序,依次进行故障分类。实验表明,改进算法用于故障诊断节省了诊断时间,提高了诊断精度,具有很好的推广前景。     

支持向量机和声发射技术在齿轮裂纹故障诊断中的应用

为了解决齿根疲劳裂纹故障难以识别的问题,对齿轮箱正常和裂纹故障状态的声发射信号进行时间序列分析,利用AR模型的自回归系数作为齿轮箱不同状态时的特征向量,形成支持向量机的训练样本对支持向量机进行网络训练,实现对齿轮箱正常、轻微裂纹和严重裂纹故障状态的识别与诊断。实验结果表明:基于支持向量机和声发射技术的齿轮箱故障诊断系统能够准确地识别与诊断齿轮箱的裂纹故障状态,它对于齿轮裂纹故障检测是一种有效的诊断手段。     

基于双层长短时记忆网络的齿轮故障诊断方法

为了提高齿轮故障诊断准确率,解决齿轮故障诊断中数据量大、提取特征困难等问题,构建了齿轮故障诊断系统,采用深度学习方法建立了齿轮故障诊断模型,提出一种基于双层长短时记忆(Binary Long Short Term Memory,Bi LSTM)网络的故障诊断方法,并对该方法进行了性能分析和对比实验。结果表明:采用Bi LSTM网络方法进行齿轮故障诊断的准确率达到99.76%,分类效果优于支持向量机、Xg Boost、卷积神经网络和长短时记忆(LSTM)网络等方法,有效地提高了故障诊断精度。     

基于ELM的航空发动机故障诊断方法

以航空发动机主燃油泵为具体研究对象,提出了一种基于基于小波包能量比与极限学习机(Extreme Learning Machine,ELM)的故障诊断方法。对于某型真实航空发动机,采用振动传感器感知发动机附件机匣的振动信号,对获取的发动机附件机匣的振动信号采用DB3小波包对其进行3层小波包分解,求出第3层各频带信号的能量作为原始信号的特征,构建特征向量。用求得的特征向量建立基于ELM的故障诊断模型,对航空发动机主燃油泵进行故障诊断技术研究。为表明该方法的有效性,还设计了基于BP神经网络的故障诊断模型,并对所构建的特征向量进行了诊断。试验结果表明,基于ELM故障诊断方法可以有效提高故障诊断的速度及准确率,具有很好的工程应用前景。     

小波包变换和支持向量机模拟电路故障诊断方法

为提高模拟电路故障诊断效率,将小波包变换和支持向量机结合起来,提出了一种完整的模拟电路故障快算检测和准确定位的方案.利用小波包变换对电路输出电压信号进行多层分解,提取各频带的能量作为故障特征,给出了具体的特征提取方法;利用支持向量机的多分类一对一方法,完成电路的故障定位,同时实现了小波函数的选择.在一模拟电路的故障仿真实验中,通过与BP,RBF和PNN等神经网络对比,结果显示该方法的诊断效率是很高的.     

基于动力学仿真的行星变速箱故障机理研究

针对某型行星变速箱故障机理研究欠缺和故障诊断困难的问题,在刚柔耦合动力学理论和齿轮故障信号模型基础上,建立了行星变速箱齿轮-箱体刚柔耦合动力学模型,分别计算行星变速箱正常状态和齿轮故障下的齿轮啮合力和箱体表面振动信号,进而研究齿轮故障机理,最后通过对故障模拟试验采集的实测信号与仿真信号的频谱成分对比,验证了所建模型的正确性。结果表明:齿轮发生故障时,振动信号频谱会出现相应的特征边频带。     

EMD降噪与小波变换在轴承故障诊断中的应用

在轴承故障诊断中,为降低噪声对小波变换的干扰,提出了先用经验模态分解、再用小波变换对信号进行分析的综合处理法.在用经验模态分解方法的自适应性对信号进行分解的基础上,选用峭度值优选贡献率高的固有模态函数重构信号,计算其自相关函数,然后进行小波变换,得到分解后细节信号的级联谱,对效果最好的分量进行Hilbert解调.该方法解决了噪声对弱故障信号干扰导致诊断效果不明显的问题,提高了小波变换的故障识别率和效率.轴承滚动体点蚀故障试验结果表明:该方法能有效提取轴承滚动体故障特征,与传统包络解调相比具有更好的效果.     

基于MHMM-SVM混合模型的雷达发射机性能退化状态监测

雷达发射机结构复杂,早期性能退化状态呈现多样化。为此,给出了一种MHMM-SVM故障诊断模型。该模型首先通过小波分析来提取观测信号的特征向量,然后从提取的特征向量中提取部分作为样本完成模型训练并生成发射机各种退化状态的分类器,最后给出诊断结果。仿真验证结果表明:MHMM-SVM故障诊断模型对电子装备早期故障的识别率明显优于MHMM、SVM单一模型。     

小波分析在机械故障诊断中的应用

小波分析是傅立叶分析思想的继承和发展，在机械故障诊断中已得到广泛的应用。主要用于轴承、齿轮及电动机的震动信号、梁和车辆的震动，以及含机械故障信号的信号处理。通过对机械故障信号特点的分析，根据小波分析的原理和方法，建立了它在机械故障诊断中的数学模型，并给出了应用实例。     

结合振动特征优选和GWOA-XGBoost的电机轴承故障诊断

为解决电机轴承故障状态难以识别,从而造成诊断精度不高的情况,提出了一种基于信号特征提取与极限梯度提升算法(extreme gradient boosting, XGBoost)结合的电机轴承故障诊断模型。使用优化的变分模态分解获得振动信号的固有模态函数(intrinsic mode function, IMF)分量,再基于多尺度熵理论计算各IMF分量的多尺度熵值进行特征重构。在鲸鱼优化算法(whale optimization algorithm, WOA)中引入遗传算法的选择、交叉、变异操作对WOA进行改进。用改进的WOA算法对XGBoost的超参数进行寻优,获得了帮助XGBoost取得最优分类效果的超参数组合,将7种不同故障类型的振动信号进行重构后输入优化的XGBoost模型进行故障诊断。实验结果表明,所提GWOA-XGBoost模型的电机轴承故障诊断精度能够达到97.14%,相较于传统诊断方法,性能提升效果显著。     

基于形态分量分析和EEMD样本熵的自动机故障诊断

针对自动机故障诊断过程中振动信号故障特征较难提取的问题,提出了结合形态分量分析(MCA)和总体经验模态分解(EEMD)的自动机故障特征提取方法。根据自动机振动信号组成成分的形态差异,利用形态分量分析方法构建不同的稀疏字典对各组成成分进行分离,消除噪声分量,提取出反映主要故障特征的冲击分量;对所提取的冲击分量进行EEMD分解并计算各IMF分量的样本熵值,以此作为故障特征向量输入基于离子群优化的支持向量机(PSO-SVM)进行识别。通过自动机典型故障诊断试验表明:形态分量分析方法可有效分离出自动机振动信号中的冲击成分;同时,所提出的特征提取方法能够有效地进行自动机故障诊断。     

模拟电路的DCNN-ELM软故障诊断

为提高模拟电路的软故障诊断能力,提出一种基于深度卷积神经网络(DCNN)特征提取的极限学习机(ELM)诊断方法.先利用DCNN在特征提取方面的优势,从含有电路故障信息的信号中自主提取有辨识力的特征;利用ELM出色的分类性能,构建获取特征的故障诊断模型;通过Sallen-Key带通滤波器电路的故障诊断实验对提出方法进行了验证.仿真结果表明,提出的基于DCNN的故障特征提取方法优于传统KPCA与KSLPP方法,与ELM分类器集成后得到的诊断准确率达到98.2％,有助于改善模拟电路的故障诊断精度,从而验证了其可行性和有效性.     

装备模拟电路UKF-WRNN软故障诊断

为提高装备模拟电路的软故障诊断能力,在构建多分辨率变换样本基础上,提出一种应用改进UKF算法训练小波RBF神经网络(WRNN)软故障诊断方法。它引入基于方差膨胀原理的自适应因子,改善UKF算法性能;并利用改进UKF算法优化估计WRNN参数,建立多分辨率变换样本集的故障诊断模型;再由所建模型对各种故障模式进行诊断判定。Sallen-Key带通滤波器的仿真测试表明,该方法收敛速度快,诊断准确率高,进而验证了其可行性和有效性。     

脉冲功率电源故障诊断方法研究

脉冲功率电源是电磁发射系统中最容易发生故障的薄弱环节,脉冲功率电源故障会使整个系统性能下降。针对脉冲功率电源故障,提出基于多层小波分析提取故障信息的模式搜索支持向量机故障诊断方法。通过建立脉冲功率电源的软故障模型,进行仿真分析获得电流故障数据样本,对故障样本进行离散小波分解,获得指定层细节信息的小波系数作为故障特征量;对故障特征量进行主成分分析,将小波系数进行降维,以便有效地进行故障诊断。通过实验,将所提方法故障诊断结果与其他三种故障诊断结果进行比较,验证了所提方法的有效性。