故障特征提取

摘要： DGA可为电力变压器故障诊断提供重要依据,但基于DGA数据的智能诊断方法在选择故障特征量时尚无统一的标准。鉴于此,构建了由特征气体及相关比值组成的27维原始故障特征空间,以完善故障特征信息。在此基础上,先用K-S检验剔除大部分噪声特征,削弱噪声特征对故障分类产生的不利影响;再用提出的mRMR方法,从剩余故障特征中自适应地提取与故障类别相关度高且彼此之间冗余度小的故障特征量;最后将提取的特征量和传统特征量分别作为BPNN和SVM分类器的输入,对比分析诊断效果,结果表明所提方法能准确、有效地诊断变压器故障,与基于传统特征量的诊断模型相比,具有较大的优越性。

摘要： 针对轴承振动信号的冗余信息过多、故障特征提取率较低的问题,提出一种基于鲸鱼算法及综合评价指标优化变分模态分解(VMD)参数的轴承故障特征提取方法。首先构建了一种模糊熵与峭度倒数和的综合评价指标,作为鲸鱼优化算法(WOA)的适应度函数;其次对VMD的相关参数进行寻优;然后使用优化的参数对原始信号进行VMD分解,得到固有模态函数(IMFs),选取模糊熵与峭度倒数和最小的IMF作为目标模态;最后对目标分量进行希尔伯特包络谱分析来提取故障特征。在仿真信号实验和实测数据实验中与传统方法对比,结果表明,鲸鱼算法与综合指标的结合能选取最优VMD分解参数,故障频率提取率较传统方法有所提高。

摘要： 针对自相关谱峭度(Autogram)诊断效果易受最大重叠离散小波包变换(MODWPT)预设分解层数影响的不足,本文提出一种参数自适应Autogram诊断方法。该方法将平均包络熵(MEE)最小值作为优化目标对MODWPT最佳分解层数进行搜寻,并以分解后节点平方包络自相关峭度的最大值来确定最优频带的中心频率及带宽,最后通过包络解调提取故障特征信息。研究结果表明,自适应的分解层数确定方法较好地改善了Autogram方法的故障诊断效果,该方法可以快速、准确地识别出滚动轴承的故障特征。

摘要： 行波型超声电机摩擦材料局部剥落故障直接影响电机输出性能,并加速电机失效;针对故障信息易受噪声干扰,尤其故障初期特征难以提取的问题。将孤极电压信号作为处理对象,提出了一种基于局部特征尺度分解(local characteristic-scale decomposition,LCD)与Teager能量算子相结合的故障特征提取方法:首先,对原始信号样本进行LCD得到不同内禀尺度分量,并通过自相关分析对各分量进行重构,实现降噪预处理;其次,利用Teager能量算子对重构信号低频段所包含的故障信息进行放大;最后,筛选低频段故障频率成分,提出了以幅值和频率信息为基础的故障特征计算方法。试验结果表明,该方法可有效表征行波型超声电机摩擦材料局部剥落的扩增趋势,并具备一定噪声背景下的适用性。

摘要： 由于供输弹系统早期故障信号成分复杂,故障特征微弱,故提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与以冯诺依曼拓扑结构(VN)改进鲸鱼算法(WOA)优化下的最小二乘支持向量机(LSSVM)的故障诊断方法。在对所测信号进行预处理即去趋势项和零点漂移后,通过CEEMDAN对供输弹信号进行分解,得出模态分量(IMF);然后依据相关系数和峭度准则这两个标准来选取符合标准的IMF分量,提取这些分量的分布熵(DE)作为特征;最后用VNWOA-LSSVM诊断模型,输入供输弹系统3种不同工况下的振动信号特征进行故障诊断,并且还对比了LSSVM、PSO-LSSVM、GA-LSSVM和WOA-LSSVM等方法对故障的识别率。实验结果表明:这些方法中经VNWOA优化后的LSSVM的识别率最高,高达94.03%。

摘要： 通过深度学习实现轴承故障识别时,存在着因信号噪声导致故障识别率较低的问题,针对这一问题,提出了一种基于改进经验小波变换(IEWT)和改进Wasserstein自编码器(IWAAE)的轴承故障识别方法。首先,将轴承振动数据由时域变换到包络谱域,通过包络谱的极值点与自适应阈值的关系对其进行了包络谱自动分割,进而利用经验小波变换,将数据自动分解为不同频段的调幅调频分量,并采用改进峭度指标对选取合适的分量进行了重构,进而对信号进行了有效降噪;然后,针对变分自编码器训练困难的缺陷,引入Wasserstein自编码器,根据Wasserstein自编码器中间层神经元的激活值大小,对神经元进行了自动增加或删减,进而构造了IWAAE;最后,将重构信号输入到IWAAE中,进行了滚动轴承故障特征的自动提取和故障识别。研究结果表明:与其它的轴承故障识别方法相比,采用IEWT-IWAAE方法的故障识别精度更高,准确率可达99.28%,标准差仅0.32;该方法能在一定程度上缓解传统方法对人工特征提取和特征选择的依赖,其对噪声的鲁棒性高,故障识别能力优于其他组合模型方法。

摘要： 针对行星齿轮箱结构和运行工况复杂,导致信号故障特征提取困难的问题,通过分析行星轮系振动机理,初步推导出含故障齿轮箱振动信号频谱特征;运用谐波乘积谱(Harmonic product spectrum,HPS)与边带乘积谱(Sideband product spectrum,SPS)的方法,在噪声干扰以及故障冲击不明显的条件下,准确提取到了仿真信号的故障特征频率。进一步采集不同运行工况、不同故障状态下的行星齿轮箱振动信号,将提取后的故障特征输入到卷积神经网络中进行故障识别,成功获取到齿轮箱的故障信息,证明了该方法在行星齿轮箱故障诊断方面的可行性。

摘要： 循环平稳分析是滚动轴承故障特征提取的重要方法之一,但在用于滚动轴承故障特征提取时,存在因干扰成分较强而不能有效提取轴承故障特征的问题。为能在干扰环境中有效提取滚动轴承故障信息,基于循环谱分析提出一种鲁棒性滚动轴承故障特征提取方法。首先通过离散随机分离(discrete random separation,DRS)分析分离信号中的周期分量,提取其随机分量;随后用Teager能量算子(Teager energy operator,TEO)提取随机分量的振动能量序列;再对该序列进行快速谱相关(fast spectral correlation,Fast-SC)分析,采用基于能量熵的能量差异系数评价各循环频率(阶次)切片的能量强度;最终经熵加权降低无关干扰成分影响以有效提取故障特征。通过传统的快速谱峭度、快速谱相关和基于总变差去噪的快速谱相关分析方法与该方法对美国智能维护系统中心的滚动轴承振动数据以及实测齿轮箱复合故障试验信号进行对比分析,验证了该方法在滚动轴承故障诊断应用中的优势。

摘要： 为了实现弹药协调机械臂定位精度超差的性能故障诊断,提出了一种基于函数型主成分分析(FPCA)与差分进化极限学习机(DEELM)结合的故障诊断方法。建立了协调机械臂的动力学解析模型,进行了标准状态下协调过程的仿真分析,同时对协调机械臂实验台架进行了相同状态的协调过程测试,二者输出的支臂角位移曲线吻合较好;利用协调机械臂的动力学解析模型,分析得到气弹簧初始压力和支臂角位移测量误差2个故障参数的临界取值范围,并据此定义了不同的故障类型,在不同故障类型对应的参数取值范围内通过抽样仿真和模拟故障实验获得支臂角位移样本数据;以函数的视角对支臂角位移数据进行分析,将其表示为平滑的函数曲线,利用FPCA计算得到样本数据的函数型主成分得分作为特征参数;将FPCA提取的特征参数与对应的分类标签作为输入与输出信息训练DEELM,利用训练好的DEELM对仿真样本和实验样本进行诊断测试,诊断正确率为98.10%,表明了该方法能够实现协调机械臂性能故障的有效诊断。

摘要： 针对大背景噪声下交流继电器的交流声故障特征提取效果不佳的问题,提出了一种基于参数优化变分模态分解(VMD)的故障特征提取方法。首先,采用樽海鞘群算法(SSA)对VMD的参数进行寻优,利用得到的最优值对故障信号进行VMD分解,得到若干本征模态函数(IMF),然后根据峭度准则筛选分解后的IMF分量,选择峭度最大的IMF分量作为有效分量,进行Hilbert包络解调分析,提取交流声故障特征。最后,仿真信号和实验数据的分析结果表明,相比于经验模态分解(EMD)方法,所提方法提取交流继电器的交流声故障特征可行且效果更佳,具有较高的应用价值。

摘要： 齿轮箱的早期故障信号往往故障特征微弱并且包含强烈的背景噪声,很难在低频段直接提取故障特征频率,往往需要通过对高频成分的解调来实现故障特征信息的提取.由于解调的效果受频带选取范围的影响,而传统小波变换的频率二分法在频率划分时不具有自适应性,因此难以取得较好的特征提取效果.针对该问题,提出了基于谱峭度与奇异值分解(SVD)的齿轮箱故障特征提取方法.首先,应用SVD方法对获得的原始信号进行降噪,以突显信号中的周期性冲击成分;然后,利用谱峭度获得降噪信号的谱峭度图,通过峭度图选择最佳的滤波器带宽与中心频率对降噪后的信号进行带通滤波;最后,对滤波后的信号进行包络解调分析,便可以准确地获得信号的故障特征频率.工程应用表明,该方法能够有效地提取出齿轮箱轴承振动信号中的早期故障特征信息,具有一定的工程应用价值.

摘要： 行星齿轮机构被广泛应用于机械传动领域,研究时变工况下的行星齿轮箱故障特征提取具有重要意义.传统的线性和非线性时频分析方法在分析复杂机械时变工况振动信号时存在相应的不足,容易导致时频模糊或交叉项干扰.同步压缩变换方法在连续小波变换基础上对尺度进行压缩,有效改善了时频可读性.应用同步压缩变换方法对时变工况下实测行星齿轮箱信号进行了特征提取,准确诊断了齿轮故障.

摘要： 机械系统中齿轮出现局部弱故障时,振动信号中的双边衰减瞬态冲击响应成分湮没在强背景噪声中,导致齿轮故障特征提取难以实现.在信号稀疏表示理论的基础上,研究提出一种基于Morlet小波基的瞬态成分稀疏表示方法.该方法针对冲击响应信号的特点,利用相关滤波选定匹配基底函数,并扩充为瞬态成分表示基底,再运用分裂增广拉格朗日收缩算法求解BPD问题,将信号中的瞬态冲击成分转化为一系列稀疏表示系数,实现强噪声背景下弱特征的有效提取.仿真信号和齿轮微弱故障特征提取应用表明提出的方法能有效检测和提取强背景噪声下的微弱故障.

摘要： 针对滚动轴承机械在运行过程中采集信号的非平稳性,提高信噪比,提取出淹没信号中的有用成分,正确地分析结论,构造了一种基于冗余第二代小波和阈值降噪相结合的故障特征提取方法.此方法不进行剖分运算,对其逼近信号和细节信号进行插值补零,根据待分析信号的特点,然后利用冗余预测器和更新器对每层进行预测和更新运算,可以有效地提供时域特征信息,并对各层小波系数采用选取有效的阈值降噪,之后对降噪后的系数提取出与故障频率相关的成分.从实验和工程振动信号分析结果两方面,验证了该方法的有效性.

摘要： 排列熵算法作为一种较新的数学统计方法,近年来在医学、生物、气候、图像处理等领域得到广泛应用.本文首先介绍了排列熵算法的基本原理,运用MATLAB进行信号仿真,计算并分析了仿真信号的排列熵,进一步验证了排列熵算法在机械设备信号异常检测中的优势,为推动其应用于机械设备异常检测提供理论依据.最后通过实验,提取齿轮箱不同状态下的箱体振动信号,运用排列熵算法提取故障特征,分析在不同状态下箱体的振动信号以及排列熵变化,从而实现了齿轮箱不同工作状态的识别,实验结果表明,排列熵算法能够较好反映信号的变化规律,可以在机械设备故障检测中得到应用.

摘要： 为了有效提取齿轮振动信号的低、高频带故障特征,本文设计了形态小波包分析方法.由于形态学滤波器具有良好的提取信号非线性特征的特点,同时小波包是一种精细的信号分解方法,能够同时刻画信号各频带特征.因此,本文将形态学滤波器与小波包分解方法相结合,构造形态小波包,对信号进行分析.在某油田的状态监测和故障诊断实践中,采用该方法有效提取了齿轮振动信号的非线性特征,诊断出了往复式注水泵减速箱齿面磨损及齿根裂纹故障.

摘要： 基于Dezert-Smarandache理论(DSmT)给出了一种证据相关情况下的并发故障诊断方法.首先,结合并发故障的特点,给出了能够涌盖单发和并发故障的辨识框架,并介绍了适用于并发故障诊断的DSmT组合规则；然后,按照传感器、故障特征以及故障特征提取方法的不同,对证据的相关性进行了分类,并给出了证据解相关的方法；接着,应用DSmT组合规则对解相关后的证据进行组合,得到融合结果；最后,以多功能转子试验台的故障诊断为例验证了本文所提方法的有效性.

摘要： 利用循环统计理论来分析传动系齿轮、轴承上振动信号表现出的二阶统计特性，通过扫描循环频率域的方法来分离信号的调制源，并采用循环频率—频率—循环谱密度CSD(Cyclic Spectrum Density)分析结果。实现了对分析对象的故障特征提取。

摘要： 本发明公开了滚动轴承研究技术领域的一种滚动轴承多故障耦合机理与早期故障特征提取方法，该种滚动轴承多故障耦合机理与早期故障特征提取方法的具体步骤如下：S1：基于非线性动力学的滚动轴承振动形式分析，S2：基于分岔理论的滚动轴承故障演变分析，S3：基于混沌特征量的滚动轴承故障特征提取，S4：模拟仿真分析和快速疲劳寿命试验，S5：滚动轴承多故障非线性动态耦合分析与早期故障特征提取，运用非线性动力学方法，解析疲劳寿命试验中滚动轴承多故障耦合特征，利用分岔理论分析单一故障模式演变过程中振动信号变化规律及其通向混沌的道路，利用混沌阵子系统对小参数扰动极其敏感的特点，实现滚动轴承早期故障特征提取与诊断。

摘要： 本发明公开了一种航空发动机全包线内气路部件故障特征提取及故障识别方法，包括：采用ReliefF算法计算包线内不同飞行条件下的典型气路部件故障模式的影响权值，选择典型故障模式特征，依据影响权值结合包线内工作状态条件参数对待选故障特征降序排列；根据序列将待选故障特征依次增加形成新的特征子集，采用基于ELM故障诊断模型识别典型故障模式，根据包线内气路部件故障识别精度的波动量确定气路部件故障特征，发动机气路部件故障特征用于进一步气路部件故障诊断。本发明解决了航空发动机全包线内不同工作状态下的气路故障特征提取和故障识别问题，拓展了现有航空发动机气路故障诊断的适用边界，降低了用于发动机气路部件故障诊断的参数维数。

摘要： 本发明涉及一种齿轮系统复合故障特征提取方法及故障试验装置，属于机械设备故障诊断领域。通过布置在齿轮箱体表面的加速度传感器，采集得到时域上的齿轮系统振动信号f，应用自适应优化的变分模态分解方法对采集的齿轮系统振动信号f进行分解；对分解后得到的所有子信号进行包络功率谱分析，将所有子信号从时域转换到频域，得到所有子信号在包络功率谱上的频率分布情况，从而实现故障特征的提取。本发明克服了现行VMD方法难以确定最佳参数的不足，可更为有效地提取齿轮系统复合故障特征，能够极大地节省试验的经济成本和时间成本，实现在不便于进行工业现场实测的情况下，为齿轮系统故障诊断提供替代试验条件。

摘要： 本发明公开了选择集成的改进局部特征分解的微弱故障特征提取方法，具体包括：采集振动信号归一化处理；采用基于镜像延拓对称点的边界延拓方法对归一化信号两端进行延拓；采用SEILCD方法将延拓后信号分解为多个ISC分量；估计每个ISC分量在置信度95%和99%的能量；判断每个ISC分量是否属于噪声，若是噪声ISC分量则采用minmax阈值去噪方法对ISC去噪，否则采用AWOGS方法对ISC进行去噪；对去噪后ISC归一化正交并进行时频分析。本发明方法能够自适应选择LCD插值均值曲线以及自适应信号去噪，提高了复杂振动信号处理能力，有效增强故障特征，进而提高故障诊断的准确性和解释性。

摘要： 基于改进变分模态提取的旋转机械故障特征提取方法，包括：S1：采集振动信号；S2：时频变换处理得到时频谱；S3：从故障冲击特征所在的频率范围内选取一个频率值；S4：设置惩罚参数的变化范围和增大步长；S5：针对惩罚参数增长的每一步值执行变分模态提取，并计算对应期望模态的SDE指标值；S6：画出惩罚参数与SDE指标之间的关系曲线；S7：SDE指标最小值对应惩罚参数的最优值；S8：执行参数优化后的变分模态提取；S9：对最优期望模态进行平方包络谱分析，提取故障特征频率。本发明克服了现有的变分模态分解和变分模态提取中参数难以选取的问题，可以方便有效地从旋转机械振动信号中提取出故障特征，实现旋转机械故障诊断。

摘要： 本发明公开了一种故障录波数据的局部故障特征提取方法及系统，包括：对获取的故障录波数据提取故障特征；扫描故障特征数据库得到故障特征的支持度，删除支持度小于阈值的故障特征，对剩余故障特征根据支持度进行排序得到频繁一项集；二次扫描故障特征数据库中故障特征序列，删除非频繁一项集中的故障特征，并根据支持度排序后构建FP‑Tree；根据FP‑Tree构建故障特征的条件模式基，以此挖掘所有故障特征的频繁K项集，所述频繁K项集包含的故障特征即为局部故障特征。当故障再次发生时，可以第一时间查看相关特征量，可以更迅速、准确地获取到需要的信息，对于做出决策、分析数据以及后续故障研究有重要的作用。

摘要： 本发明公开了一种航空发动机全包线内气路部件故障特征提取及故障识别方法，包括：采用ReliefF算法计算包线内不同飞行条件下的典型气路部件故障模式的影响权值，选择典型故障模式特征，依据影响权值结合包线内工作状态条件参数对待选故障特征降序排列；根据序列将待选故障特征依次增加形成新的特征子集，采用基于ELM故障诊断模型识别典型故障模式，根据包线内气路部件故障识别精度的波动量确定气路部件故障特征，发动机气路部件故障特征用于进一步气路部件故障诊断。本发明解决了航空发动机全包线内不同工作状态下的气路故障特征提取和故障识别问题，拓展了现有航空发动机气路故障诊断的适用边界，降低了用于发动机气路部件故障诊断的参数维数。

摘要： 本发明涉及一种齿轮系统复合故障特征提取方法及故障试验装置，属于机械设备故障诊断领域。通过布置在齿轮箱体表面的加速度传感器，采集得到时域上的齿轮系统振动信号f，应用自适应优化的变分模态分解方法对采集的齿轮系统振动信号f进行分解；对分解后得到的所有子信号进行包络功率谱分析，将所有子信号从时域转换到频域，得到所有子信号在包络功率谱上的频率分布情况，从而实现故障特征的提取。本发明克服了现行VMD方法难以确定最佳参数的不足，可更为有效地提取齿轮系统复合故障特征，能够极大地节省试验的经济成本和时间成本，实现在不便于进行工业现场实测的情况下，为齿轮系统故障诊断提供替代试验条件。

摘要： 一种振动筛故障特征提取方法和故障监控系统，包括如下步骤：1)采集振动筛故障特征的加速度信号；2)选取加速度信号的偏态因素、峰态因素、裕度、峰值以提取时域特征量，及通过离散小波变换对加速度信号进行三层小波分解以提取频域特征量；3)利用基于主成分分析和支持向量机的故障诊断模型对提取的时域特征量和频域特征量进行分析计算模型诊断率。本发明具有自动监测的功能，方便生产者使用和维护，能有效降低生产成本，提高产生效率，为企业获取良好的经济效益和社会效益。

摘要： 本发明公开了滚动轴承研究技术领域的一种滚动轴承多故障耦合机理与早期故障特征提取方法，该种滚动轴承多故障耦合机理与早期故障特征提取方法的具体步骤如下：S1：基于非线性动力学的滚动轴承振动形式分析，S2：基于分岔理论的滚动轴承故障演变分析，S3：基于混沌特征量的滚动轴承故障特征提取，S4：模拟仿真分析和快速疲劳寿命试验，S5：滚动轴承多故障非线性动态耦合分析与早期故障特征提取，运用非线性动力学方法，解析疲劳寿命试验中滚动轴承多故障耦合特征，利用分岔理论分析单一故障模式演变过程中振动信号变化规律及其通向混沌的道路，利用混沌阵子系统对小参数扰动极其敏感的特点，实现滚动轴承早期故障特征提取与诊断。