基于多特征融合的电磁换向阀故障模式识别

为提高基于驱动端电流检测的电磁换向阀故障诊断方法的可靠性和识别准确度,开展了电磁换向阀故障模式识别方法研究。提出一种基于多特征融合的方法对电流信号时频分析和时域参数的特征值提取融合;通过设计电磁换向阀驱动端电流信号的采集实验,获取电磁换向阀驱动端电流的时域信号和二阶变化率的多特征曲线,提取时域参数及二阶变化率相应频带能量作为特征值,构建多特征融合的特征向量;采用基于径向基核函数的多分类支持向量机对电磁换向阀进行模式识别。结果表明：基于多特征融合的支持向量机较基于能量特征值的支持向量机可提升8.7%的识别精度和42.11%的验证准确率。     

基于AE-BN的发电机滚动轴承故障诊断

为解决风力发电机在复杂工况及耦合性、不确定性条件下故障识别的准确性问题，提出了一种基于自动编码器(AE)与贝叶斯网络(BN)的AE-BN故障诊断方法。采用AE对电流信号进行特征提取，得到能够高度表征信号的特征分量；基于故障与特征之间的因果关系，建立由故障位置、故障状态和故障特征搭建的三层BN；将AE的特征分量与BN的拓扑结构相结合建立风力发电机故障诊断模型，解决故障诊断中的不确定性问题，提高多故障诊断的准确性。实验结果表明：所提方法能够对故障特征信号进行分析及诊断，精确辨识不同故障类型，相比K近邻算法等具有明显优势。     

基于深度学习的航空发动机故障融合诊断

通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合算法的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,先利用深度学习模型提取出性能参数中的隐藏特征,得出故障分类置信度;其后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D发动机故障系数用于数据仿真,通过算例验证本文算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。      

基于EEMD分解的直驱式机电作动器故障诊断

基于集合经验模式分解 (EEMD,Ensemble Empirical Mode Decomposition)算法,给出一种机载直驱式双余度机电作动器(DDDR-EMA,Direct-Driven Dual-Redundancy Electro-Mechanical Actuator)复合故障诊断方法.EEMD对信号加入有限幅度的高斯白噪声,利用高斯白噪声频率均匀分布的统计特性使信号在不同尺度上保持连续性,解决了经验模式分解的模式混叠缺陷并保留了自适应性.将EEMD方法应用于机载DDDR-EMA故障诊断实验振动信号分析,先对实测信号进行分解,得到一组无模式混叠的固有模式函数;再采用不同的方法分析各频段,提取各频段包含的故障特征.实验结果表明:与经验模式分解相比EEMD能提高故障信号的分析精度,准确诊断机载DDDR-EMA的复合故障.     

小样本下基于孪生神经网络的柱塞泵故障诊断

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明：与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明：所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。     

基于谱峭度与双谱的轴承故障诊断方法

针对强背景噪声情况下的轴承故障诊断问题,提出了一种基于谱峭度与双谱的轴承故障诊断方法。该方法采用谱峭度检测振动信号瞬态频带,利用最优带通滤波器抑制振动信号中的噪声得到滤波后信号。由带通滤波器的带宽确定低频矩形区域,计算落于该区域内的信号包络的局部双谱图,依据局部双谱图诊断轴承故障。仿真分析表明,强背景噪声和滚动体滑动会造成传统轴承故障诊断方法（如峭度、功率谱、包络谱）失效,而该方法能够有效地抑制噪声,更准确地诊断轴承故障,并通过6205-2RS JEM SKF轴承诊断实例,说明了该方法的有效性。     

基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题,利用机载燃油转输系统实验平台收集的振动信号和压力信号,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先,利用EMD提取振动信号不同频段的能量值作为特征参量,并结合压力信号均值构造故障特征向量;其次,分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化,并对优化后的SVM诊断性能进行了评估;最后,分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器,并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%,寻优过程中均未陷入局部最优解,且寻优时间相当,其中GA的训练时间最短,可以采用GA对SVM参数进行寻优;当采用GA_SVM作为故障分类器时,用时较短,且故障诊断率较高,可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。      

四旋翼无人机的自适应故障诊断与估计

针对四旋翼无人机执行器常见故障，提出一种基于自适应技术和观测器的鲁棒故障检测和估计（FDE）方法。在故障检测阶段，设计非线性诊断观测器，通过解析函数推导出阈值，确保所提检测方法的鲁棒性，并对所设计的观测器和残差评估函数进行证明。在故障估计阶段，提出基于切换ρ-修正的自适应律来准确估计检测到故障的方案。该方案不仅能够同时估计系统状态和残差信号，而且能估计未知故障的特征和大小。通过线性矩阵不等式进行设计参数的计算。利用2种故障场景分别进行仿真验证，同时在4种情况下讨论所提方法的有效性。基于四旋翼无人机硬件在环实验台验证了所提方法的可行性。     

基于振动参数聚类融合的空间轴承故障辨识方法研究#br#

轴承是飞轮和控制力矩陀螺(CMG)等空间惯性执行机构的核心部件,其健康状态直接影响整机性能和使用寿命.当前,由于轻载轴承在正常运转时也可能产生类似于微弱故障特征的现象,导致单一故障特征参数难以辨识正常和微弱故障状态.针对这一问题,本文提出了一种基于振动参数聚类融合的轴承微弱故障辨识方法.首先,通过轴承振动实验获得数据;然后,基于特征频率比值等方法对振动信号进行特征参数的提取;在此基础上,利用K Medoids算法对正常样本进行聚类,并根据3σ法则构建正常运转的安全边界;最后,计算不同轴承故障数据的超限概率,根据概率大小进行故障状态的识别.结果表明,该方法对轴承正常和微弱故障的辨识是可行和有效的.     

基于边频相对能量和的柱塞泵磨损状态识别

摩擦磨损是飞机柱塞泵典型的渐进性故障,因磨损量难以直接测量,通常采用振动信号进行间接测量.磨损引起的振动信号故障特征微弱,对磨损状态进行准确地识别比较困难.针对上述问题,提出了基于谐波分量边频相对能量和的磨损状态识别方法,该方法对壳体振动信号进行Hilbert包络解调消除高频周期干扰,得到清晰的谐波分量,在各谐波分量的特定边频区间内计算最大能量与平均能量的比值并求和,将该值作为新的特征量来表征柱塞泵的不同磨损状态,利用网格法对边频区间范围寻优.结果表明,边频相对能量和相比传统的特征频率能量对磨损状态的区分度更高,适于磨损状态识别.      

基于GPS多星三频数据融合的GNSS-IR土壤湿度反演方法

土壤湿度的监测是全球卫星导航系统干涉测量法（GNSS-IR）的关键应用之一。传统的GNSS-IR土壤湿度反演方法一般只针对单颗卫星的单一频段,未充分利用不同轨道、不同频率卫星信号的差异性与互补性。针对此问题,提出了一种将GPS多星的L1、L2和L5频段数据加权融合进行联合反演的方法,该方法利用基于最小方差的自适应融合算法得到加权因子,并通过现场实验进行了方法验证。结果表明:在测试集上所提出的反演方法相比于传统的Larson方法,相关系数提高了24.69%,均方根误差下降了22.28%,与均值融合法相比,相关系数提高了26.77%,均方根误差下降了23.26%,证明了所提方法能有效提高反演精度。      

直升机中减速器谐响应分析与传感器优化布局

研究了多自由度的振动数学模型.通过系统的故障频率来确定振动传感器的安装位置,提出了一种基于故障频率敏感的振动传感器优化布局方法,建立了直升机中减速器机匣有限元模型.利用谐响应分析方法,对中减速器机匣施加一故障激励信号.研究表明:机匣的不同位置对激励信号响应的振动幅值明显不同,齿轮故障时往往在啮合频率及其倍频处形成以转频为间隔的边频带,对该边频响应振幅最大的位置就是振动传感器安装的最佳位置,并提出了振动传感器优化布局函数.此方法同样适用于直升机传动系统其它部件的振动传感器位置选择,也适用于其它旋转机械的振动监测.      

基于区域灰度统计信号处理的图像融合方法

针对多源图像融合问题,提出了一种在多分辨率框架下基于区域内灰度特征统计信号的融合算法.利用图像灰度特征的区域生长法对源图像进行区域分割,并以裂缝边缘作为特征区域的闭合边界,对源图像与分割结果的区域映射图作多分辨率变换.在图像低频部分,以联合区域映射图为指导,在区域内建立信号与噪声的高斯混合分布模型,利用期望极大化(EM,Expectation Maximization)算法迭代估计噪声模型分布参数,获得低频融合结果;在图像高频部分,根据系数在区域映射图上的位置差异分别采用窗口系数加权平均法和系数绝对值选大法进行融合,将低频和高频融合结果反变换得到最终融合图像.融合结果表明:该方法是可行和高效的,且比其他图像融合方法具有更好的性能.     

基于BoF模型的多特征融合纹理图像分类

针对特征词袋（BoF）模型缺乏空间和几何信息,对纹理图像内容表达不明显等问题,提出一种基于BoF模型的多特征融合纹理分类算法。将灰度梯度共生矩阵（GGCM）和尺度不变特征转换（SIFT）融合特征作为纹理图像的区域特征描述,通过动态权重鉴别能量分析进行最优参数特征选择,并用BoF量化纹理特征,使用支持向量机对图像进行训练和预测,得出分类结果。实验结果表明,本文算法对有旋转扭曲的纹理、边缘模糊纹理、有光照变化的纹理及杂乱纹理等均能取得较好的分类效果,相对于传统BoF模型及凹凸划分（CCP）方法等算法在UIUC纹理库上的分类正确率均有不同程度的提高,平均分类正确率分别提高12.8%和7.9%,说明本文算法针对纹理图像分类具有较高的精度和较好的鲁棒性。      

小波降噪与快速包络谱峭度相结合的轴承组件故障诊断技术

作为飞轮重要的旋转支撑部件,轴承组件的性能对飞轮寿命有着重大影响,因此如何在早期对轴承组件进行筛选显得尤为重要。轴承组件在故障初期,其故障特征比较微弱,故障信号很容易淹没在背景噪声信号中,给轴承组件的早期故障判断和定位带来了很大的困难。本文以飞轮常用轴承组件为研究对象,基于快速包络谱峭度的振动测试方法,先通过对采集的轴承组件振动信号进行小波降噪,提高特征信号的信噪比,然后对振动信号进行全频段的峭度分析,可以对轴承组件进行早期的故障诊断并进行故障定位,得到轴承组件故障频率,为后续轴承组件故障诊断研究提供方法手段。     

基于NMF的SVM故障诊断方法

针对大维数系统故障诊断中存在特征提取困难和识别率低的问题,提出基于非负矩阵分解(NMF,Non-negative Matrix Factorization)的支持向量机(SVM,Support Vector Machine)诊断方法,避免了直接对故障特征的选择和提取,实现特征降维,提高故障模式分类的准确性和速度;对于NMF中的结果随机性问题,提出用前次分解所得系数矩阵求解样本降维特征矩阵的方法,保证多次NMF分解尺度一致.实验表明该方法能对故障特征有效降维,并具有较高的诊断效率和故障识别率.     

基于小波变换和神经网络的脑电信号分类方法

结合小波变换和神经网络对酒精中毒者和正常清醒者的脑电信号进行分类.通过分析脑电数据找出分类特征;采用一维离散小波变换提取含有分类特征的脑电信号频段,并以小波变换分解系数作为信号特征,实现数据序列长度压缩;对应3种刺激方式建立3个相同结构的学习向量量化(LVQ)神经网络,用于对脑电信号的预分类;根据判决规则得到最终分类结果.对真实脑电数据的分类正确率达到89%.     

基于支持向量机的飞行器多余物信号识别

针对飞行器控制电路在生产制造过程中可能引入金属线头等微小多余物,从而留下短路等安全隐患的问题,提出了一种基于微粒碰撞噪声检测（PIND）的飞行器多余物材质识别方法。首先,利用短时自相关函数提取PIND信号的脉冲部分;然后,提取多种时频域统计特征,并与梅尔频率倒谱系数（MFCC）特征结合起来;最后,训练多分类支持向量机模型实现材质分类。为验证所提方法的有效性,采集了3种不同材质多余物的PIND信号进行模型训练及测试,实验结果表明,所提方法材质识别准确率达98%,优于同类方法的相关结果。      

基于AI+神经网络的数字化故障电弧识别方案研究

线路故障电弧的特征随着电力电子技术的提高更趋复杂，传统的故障电弧识别方式已无法应对新型用电系统。对比传统故障电弧识别方案，研究故障电弧产生类型和新型检测技术，提出基于谐波因素、总谐波畸变率、电流零休时间、电流变化速率、电流周期性等典型时域、频域特征的AI+神经网络的数字化故障电弧识别方案。该方案运用回归算法向量机对特征图进行分类处理，通过正向传输运算、反向传输运算和迭代回归运算三个步骤执行卷积神经网络，频繁迭代回归以获得最佳特征识别图。本文以调光器的故障电弧识别为例，对故障识别方案进行验证，结果表明采用此方案可实现更高效、更精准、更稳定地识别故障电弧。