基于双树复小波包变换和SVM的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳性和现实中难以获得大量典型故障样本的情况,提出一种基于双树复小波包变换和支持向量机（SVM）的故障诊断方法.首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量;然后对每个分量求其能量并归一化处理;最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型.对试验台模拟信号（包括滚动轴承的正常状态、外圈裂纹故障、内圈裂纹故障和滚动体点蚀故障）的分析表明:该方法对所测试验信号的故障识别率达到99.5%,对比传统小波包变换与SVM结合的方法,故障识别率的准确度更高.      

小波包分析对舱音背景声中微弱信号的检测

针对民航事故调查中的舱音背景声分析,利用小波包分析方法,对不同种类开关手柄声进行了分析,提出了开关手柄声具有暂态噪声脉冲特征的结论。最后,以波音737客机实验样本和真实CVR样本为研究对象进行分析,利用暂态噪声脉冲特征,成功地对淹没在环境声中的起落架手柄声予以检测和定位。为民航事故调查中驾驶舱话音记录器CVR(Cockpit Voice Recorder)中开关手柄声信号的检测和定位提供了一种有效且方便的方法。     

基于小波包分析和支持向量机的转静碰摩部位识别

利用航空发动机转子实验器模拟不同径向碰摩部位下的碰摩故障,提出基于小波包分析的支持向量机转静碰摩部位识别方法.首先将从机匣测得的加速度信号进行小波包分解,提取其归一化能量特征,接下来将得到的归一化能量特征输入至支持向量机中,用以识别不同的碰摩部位.利用航空发动机转子实验器模拟大量不同碰摩程度和不同碰摩部位的样本,利用支持向量机进行训练和测试.结果表明小波包能量特征与支持向量机相结合可以有效地判别转静碰摩部位,且仅需1个传感器即可达到98%的识别率.      

发动机转子系统早期故障智能诊断

在对飞机发动机转子系统早期故障特点进行分析的基础上,针对其故障诊断中存在的故障样本不足和早期微弱故障不易识别的问题,提出将随机共振、小波包分析与支持向量机相结合的发动机转子系统早期故障诊断与智能自愈监控方法。该方法首先利用随机共振原理对早期微弱故障信号进行特征细化,使故障特征放大;然后利用小波包多分辨率分析特性进行故障特征提取;再将提取的特征向量输入由支持向量机构造的分类器中进行故障识别,并利用智能自愈方法对故障进行监控。对智能诊断系统结构、故障特征提取方法、多故障分类器构造、故障自愈监控等进行了分析和研究。结果表明,该方法在故障样本不足情况下,能有效识别发动机转子系统的早期故障,且算法简单、故障分类识别效果好,并能对故障进行自愈监控。     

基于信息熵距和FSVM隶属度的转子振动状态评估方法

为了更有效、直观地对航空发动机的振动状态进行实时监控,运用信息熵和模糊支持向量机(FSVM)方法,建立了基于信息熵距和FSVM隶属度的转子振动状态评估方法。研究了振动信号的信息熵特征,提出了可以表示转子振动状态的指标—信息熵距;通过模糊支持向量机(FSVM)确定模糊隶属度矩阵,将模糊隶属度矩阵与信息熵距相结合,建立了一个多参数的转子振动状态评估模型;应用此模型对转子振动信号进行系统分析和定量计算,验证了该方法用于转子振动状态评估是有效、可行的。      

支持向量机的B737飞机水平尾翼裂纹故障预测

为保障飞机的飞行安全,做到预防性维修,提升飞机的飞行安全及任务出勤率,需要对飞机结构出现的疲劳裂纹进行及时检测并修理。基于支持向量机理论,建立了支持向量机回归预测模型,并应用该模型对B737飞机水平尾翼健康信息的特征值(小波包分解系数提取的能量)进行了故障预测研究。为建立最佳支持向量机模型,选用了支持向量机四种常用的核函数分别对特征值进行了预测。同时还对支持向量机预测模型与神经网络预测模型(BP神经网络预测模型)的预测结果进行了比较与分析,研究表明,应用支持向量机所设计的预测模型准确率比较高,可以较好地对飞机水平尾翼的裂纹故障进行预测。     

基于EMD样本熵-LLTSA的故障特征提取方法

针对振动信号的非线性、非平稳性以及微弱故障特征难以提取的问题,提出了一种基于经验模态分解(EMD)、样本熵和流形学习的故障特征提取方法.该方法将EMD、样本熵和流形学习相结合.首先,利用EMD的自适应多分辨率的特点计算分解得到的IMF(固有模态函数)信号的样本熵,初步提取滚动轴承状态特征值;然后利用流形学习方法对初步的提取的滚动轴承状态特征进行进一步的提取;最后利用支持向量机(SVM)对该特征提取方法进行分类评估,并将该方法运用在滚动轴承故障诊断实验中,实验证明该特征提取方法与基于小波包样本熵的故障诊断方法相比具有很好的聚类性能,且对于SVM的分类结果可达100%,在降低了特征数据的复杂度的同时,增强了故障模式识别的分类性能,具有一定的优越性.     

转子振动故障的小波能谱熵SVM诊断方法

融合小波能谱熵和支持向量机(SVM)的特点,提出了基于小波能谱熵的SVM故障诊断方法.利用转子试验台对转子典型振动故障进行模拟并采集振动数据,提取其振动信号的小波能谱熵作为特征向量,通过样本训练建立了转子在各种典型振动故障状态下的SVM模型和多类分类器,进而实现了对未知转子振动故障的识别.实际应用表明,提出的转子振动故障诊断方法是可行和有效性的.      

基于HMM-SVM的混合故障诊断模型及应用

针对直升机减速器故障诊断中机器学习方法存在的问题,根据隐马尔可夫模型(HMM)适合于处理连续动态信号与支持向量机(SVM)适合于模式分类的长处,提出了基于HMM-SVM的混合故障诊断模型。先通过小波包分析方法从减速箱振动信号中有效提取非平稳特征,训练HMM-SVM模型,再利用训练好的模型进行监测与诊断,实验结果表明该方法优于单纯的HMM或SVM诊断方法,能利用少量训练样本有效地完成直升机减速器的故障诊断。     

基于WCFSE-FSVM的转子振动故障诊断方法

为了提高含有噪声和野值的转子振动故障样本诊断精度,提出了基于WCFSE-FSVM的故障诊断方法。充分融合小波相关特征尺度熵(WCFSE)特征提取方法和FSVM故障诊断方法的优点,建立WCFSE-FSVM故障诊断模型。基于转子实验台模拟4种典型故障,获得原始故障数据;并利用WCFSE方法提取这些故障数据的WCFSE值,选取故障信号高频段中的尺度1和尺度2上的小波相关特征尺度熵W1和W2构造出振动信号的故障向量作为故障样本,建立FSVM诊断模型。实例分析显示:WCFSE-FSVM方法的转子故障诊断精度最高,即故障类别诊断精度为94.49%,故障严重程度的诊断精度为95.58%,二者都优于其它故障诊断方法。验证了WCFSE-FSVM方法的可行性和有效性。      

飞机蒙皮缺陷磁光图像识别算法研究

提出一种基于模糊支持向量机自动识别飞机蒙皮磁光图像中铆钉裂纹缺陷的新方法。针对铆钉磁光图像的不规则圆形特点．采用阈值法确定近似铆钉区域中心，将由中心发出的星形射线矢量作为识别的基本特征，采用模糊支持向量机方法对铆钉周围裂纹的方向进行分类。其中，支持向量机采用径向基核函数，利用网格法选取核宽度惩罚常数．并结合模糊隶属度函数解决多类分类问题中存在的错分、拒分现象。样本测试实验结果表明，算法具有很高的识别率。     

C/E复合材料声发射信号小波分析及人工神经网络模式识别

以复合材料为对象，以宽频带传感器及线阵列方式对各类模式试样采集了波形及信号参数，比较波形、信号参数、频谱及小波谱的特征，筛选出六类1300个样本，采用多分辨小波变换提取了5个特征向量，实现了特征空间的降维处理，采用B—P型反向传播神经网络构成了智能化模式分类器，研究了网络模型的学习效果和对与复合材料主要损伤机制有关的六类声发射信号的识别能力。试验结果表明，神经网络对六类信号的平均正确识别率达到90.4%。最佳识别率为97.2%。该方法成功用于90°、0°光滑和0°缺口三种试样的破坏过程分析，获得了满意的效果。     

基于WPD-KVI-Hilbert变换相结合的滚动轴承早期故障特征精准识别

为了能够有效地从轴承早期故障激励的高频振动信号中提取出故障特征信息,基于最优小波包基选取方法和峭度值最大筛选原则,提出了一种改进的小波包分解（WPD）、峭度值指标（KVI）与Hilbert变换相结合的滚动轴承早期故障特征识别方法。计算选取最优小波包基,确定分解层数;采用WPD方法对轴承故障振动信号进行分解,获得若干个Node分量;基于峭度值指标最大原则筛选出有效的Node分量进行信号重构;对重构信号进行包络解调分析,提取出故障特征频率对轴承故障进行诊断。采用建立的方法对凯斯西储大学滚珠轴承外圈、内圈故障实验数据和自行开展的滚棒轴承外圈、滚动体故障实验数据进行了分析与诊断。研究结果表明：该方法能够有效提高故障信号高频分辨率、保留周期性冲击成分,并能准确有效提取出滚珠和滚棒轴承故障特征频率的1~7倍频及其与轴转频调制的系列边频带频率,实现对滚动轴承故障特征的精准识别与故障诊断。     

基于小波包分析与多核学习的滚动轴承故障诊断

为了更准确地诊断滚动轴承故障,提出了一种基于小波包分析与多核学习的滚动轴承故障诊断方法.该方法首先对振动信号进行3层小波包分解,将振动信号分解为不同频带的信号,提取各频带的相对能量特征,构建特征向量;然后采用多核学习算法从训练样本集中学习核函数与分类器;最后使用训练出的分类器识别滚动轴承故障类型.为了验证方法的有效性,进行了滚动轴承故障诊断实验,实验结果表明该方法的故障诊断准确率达到98.25%,与传统的基于小波包与支持向量机的滚动轴承故障诊断方法相比,其故障诊断准确率更高,同时由于避免了核函数的选择问题,该方法更便于实际应用.      

Adaptive learning approach to landmine detection

We consider landmine detection using forward-looking ground penetrating radar (FLGPR). The two main challenging tasks include extracting intricate structures of target signals and adapting a classifier to the surrounding environment through learning. Through the time-frequency (TF) analysis, we find that the most discriminant information is TF localized. This observation motivates us to use the over-complete wavelet packet transform (WPT) to sparsely represent signals with the discriminant information encoded into several bases. Then the sequential floating forward selection method is used to extract these components and thereby a neural network (NNW) classifier is designed. To further improve the classification performance and deal with the problem of detecting mines in an unconstraint environment, the AdaBoost algorithm is used. We integrate the feature selection process into the original AdaBoost algorithm. In each iteration, AdaBoost identifies the hard-to-learn examples and a new set of features which provide the specific discriminant information for these hard samples is extracted adaptively and a new classifier is trained. Experimental results based on measured data are presented, showing that a significant improvement on the classification performance can be achieved.     

基于SVM和广义粗糙度特征的航空发动机振动故障诊断方法

通过对航空发动机振动信号进行小波分解,依据多尺度空间局部能量分布和粗糙性提取基于子带信号能量加权广义粗糙度特征实现对振动情况的描述.然后将上述特征送入支持向量机(support vector machine,简称SVM)分类器进行训练,根据分类器的输出结果判断航空发动机的工作状态和故障类型.通过对实测航空发动机试车时得到的振动信号的实验分析结果表明,该算法可以有效地识别发动机的振动故障.      

小波包变换和神经网络的某型导弹故障诊断方法研究

提出了一种基于小波包变换的残差能量方法,对导弹动态测试数据进行分析处理,提取导弹的故障特征,并在此基础上利用神经网络有效地实现了故障的诊断和定位。