提出了一种基于变量预测模型(Variable predictive model based class discriminate,简称VPMCD)和改进固有时间尺度分解(Intrinsic time-scale decomposition,简称ITD)算法的滚动轴承故障诊断方法。VPMCD方法充分利用了特征值之间的相...提出了一种基于变量预测模型(Variable predictive model based class discriminate,简称VPMCD)和改进固有时间尺度分解(Intrinsic time-scale decomposition,简称ITD)算法的滚动轴承故障诊断方法。VPMCD方法充分利用了特征值之间的相互内在关系来建立预测模型,并以这些模型对待诊断样本的特征值的预测结果作为分类依据来进行模式识别。ITD方法能自适应地将非平稳信号分解成为若干单分量信号(固有旋转分量,Proper rotation component,简称PRC)之和。首先对ITD算法进行了改进;接着采用改进ITD算法对原始振动信号进行分解得到多个内禀尺度分量(Intrinsic scale component,简称ISC);然后对包含主要故障信息的若干内禀尺度分量建立对数正态分布模型,并提取其对数均值和对数标准差作为故障特征值;最后采用VPMCD模式识别方法得到各故障特征值的预测模型,并利用预测模型对待诊断样本的故障类型和工作状态进行分类和识别。对滚动轴承正常、外圈故障和内圈故障振动信号的分析结果表明了该方法的有效性。展开更多
矿井主排水泵电机工作环境恶劣,存在较强干扰,电机振动、电流和温度等信号累量杂冗。在强干扰下单纯以电机故障信号进行特征提取的效果不佳,导致故障监测效率低、精度不足。为此,提出信号重构和模糊聚类的故障监测方法。设计主排水泵电...矿井主排水泵电机工作环境恶劣,存在较强干扰,电机振动、电流和温度等信号累量杂冗。在强干扰下单纯以电机故障信号进行特征提取的效果不佳,导致故障监测效率低、精度不足。为此,提出信号重构和模糊聚类的故障监测方法。设计主排水泵电机运行状态信号采集模块,获取电机初始运行状态信号。通过固有时间尺度分解(Intrinsic Time Decomposition,ITD)和奇异谱分解(Singular Spectrum Analysis,SSA)相结合的方法,重构电机状态信号,从而去除干扰信号。分解重构信号的时间信号序列,提取故障状态信号特征。利用短时模糊C均值聚类算法按帧处理数据,减少计算复杂度,针对每一分段的信号特征选取合适的参数进行空间映射,灵活聚类信号特征,分类故障信号特征,得到故障识别结果。实验结果表明,所提方法在保证矿井主排水泵电机故障状态监测稳定性的情况下,具有较高的监测效率和监测精度。展开更多
对运动想象脑电信号的动力学模型进行了分析,将其分成两个阶段(强非线性的瞬态阶段和弱非线性的自由响应阶段),并构建了一种新的特征提取算法。首先通过起始点扫描的方式对脑电信号进行分割来获得自由响应阶段的脑电信号;然后针对自由...对运动想象脑电信号的动力学模型进行了分析,将其分成两个阶段(强非线性的瞬态阶段和弱非线性的自由响应阶段),并构建了一种新的特征提取算法。首先通过起始点扫描的方式对脑电信号进行分割来获得自由响应阶段的脑电信号;然后针对自由响应阶段产生的脑电信号,引入振动多模态参数识别ITD(Ibrahim Time Domain)算法来提取特征组合成特征向量;最后利用Adaboost分类器进行自适应特征选择和分类。运用此方法对国际标准数据库The largest SCP data of Motor-Imagery中的CLA运动想象数据集进行特征提取和特征选择与分类,其平均分类准确率高达90%以上。与现有的特征提取算法相比,获得了更好的分类性能和稳定性。展开更多
文摘提出了一种基于变量预测模型(Variable predictive model based class discriminate,简称VPMCD)和改进固有时间尺度分解(Intrinsic time-scale decomposition,简称ITD)算法的滚动轴承故障诊断方法。VPMCD方法充分利用了特征值之间的相互内在关系来建立预测模型,并以这些模型对待诊断样本的特征值的预测结果作为分类依据来进行模式识别。ITD方法能自适应地将非平稳信号分解成为若干单分量信号(固有旋转分量,Proper rotation component,简称PRC)之和。首先对ITD算法进行了改进;接着采用改进ITD算法对原始振动信号进行分解得到多个内禀尺度分量(Intrinsic scale component,简称ISC);然后对包含主要故障信息的若干内禀尺度分量建立对数正态分布模型,并提取其对数均值和对数标准差作为故障特征值;最后采用VPMCD模式识别方法得到各故障特征值的预测模型,并利用预测模型对待诊断样本的故障类型和工作状态进行分类和识别。对滚动轴承正常、外圈故障和内圈故障振动信号的分析结果表明了该方法的有效性。
文摘矿井主排水泵电机工作环境恶劣,存在较强干扰,电机振动、电流和温度等信号累量杂冗。在强干扰下单纯以电机故障信号进行特征提取的效果不佳,导致故障监测效率低、精度不足。为此,提出信号重构和模糊聚类的故障监测方法。设计主排水泵电机运行状态信号采集模块,获取电机初始运行状态信号。通过固有时间尺度分解(Intrinsic Time Decomposition,ITD)和奇异谱分解(Singular Spectrum Analysis,SSA)相结合的方法,重构电机状态信号,从而去除干扰信号。分解重构信号的时间信号序列,提取故障状态信号特征。利用短时模糊C均值聚类算法按帧处理数据,减少计算复杂度,针对每一分段的信号特征选取合适的参数进行空间映射,灵活聚类信号特征,分类故障信号特征,得到故障识别结果。实验结果表明,所提方法在保证矿井主排水泵电机故障状态监测稳定性的情况下,具有较高的监测效率和监测精度。
文摘对运动想象脑电信号的动力学模型进行了分析,将其分成两个阶段(强非线性的瞬态阶段和弱非线性的自由响应阶段),并构建了一种新的特征提取算法。首先通过起始点扫描的方式对脑电信号进行分割来获得自由响应阶段的脑电信号;然后针对自由响应阶段产生的脑电信号,引入振动多模态参数识别ITD(Ibrahim Time Domain)算法来提取特征组合成特征向量;最后利用Adaboost分类器进行自适应特征选择和分类。运用此方法对国际标准数据库The largest SCP data of Motor-Imagery中的CLA运动想象数据集进行特征提取和特征选择与分类,其平均分类准确率高达90%以上。与现有的特征提取算法相比,获得了更好的分类性能和稳定性。
