近年来,已有300多套TFDS系统安装在我国铁路线上,以监视货运列车的安全。然而,TFDS系统只能采集、传输图像,列车故障的识别仍然以人眼观察为主。针对TFDS系统中人工识别螺栓故障效率低下的问题,提出了一种基于图像处理的螺栓故障自动识别算法。首先,根据先验知识,从原始图像中截取包括螺栓的感兴趣区域并使用模板匹配技术得到螺栓的精确子图。然后,使用改进的自适应LTP算子提取螺栓子图的特征直方图。最后,将螺栓特征直方图送入训练好的支持向量机实现故障螺栓的识别。不同光照的TFDS图像被用于实验。实验结果表明,该算法对螺栓故障识别取得了很好的表现(漏检率为0.36%,误检率为3.33%,准确率为90.88%),可以满足工程应用。

为精准识别电网动态拓扑结构中的故障,研究了基于粒子群优化算法的电网动态拓扑结构智能识别技术。分析了电网动态拓扑结构特点,构建了电网动态拓扑图数据库,通过图数据库创建层获取数据源,并对数据进行了图数据化处理;设计了包含图数据库创建层与电网动态拓扑结构识别层在内的智能识别技术,结合深度优先遍历算法和粒子群优化算法,智能识别了拓扑结构中的一类环路、二类环路及孤点故障。实验结果表明,该技术可识别复杂电网的动态拓扑结构故障,识别率为98.75%,提高了故障识别的准确率。

为提高物流运输设备故障类型识别精度和稳定性,提出一种基于传感器感知信息的物流运输设备故障自动识别方法。采用传感器感知物流运输设备故障信号,利用小波变换处理物流运输设备故障信号。针对物流运输设备运行过程中的不确定因素,分析物流运输设备故障诊断信息与运行状态之间的关联关系,构建物流运输设备故障诊断模型并进行仿真验证。结果表明,该方法有效提高了物流运输设备故障类型识别精度和稳定性。

为了提高轴承故障识别正确率,提出了基于多重分形理论的特征提取方法和改进随机森林的模式识别方法。介绍了多重分形去趋势波动理论,初选了4个多重分形参数作为特征参数;将参数两两组合,使用K均值聚类法进行聚类,依据类内聚集度和类间距离优选了最佳组合作为特征向量。以随机森林算法为基础,提出了舍弃策略和话语权策略进行改进。舍弃策略通过舍弃分类正确率靠后的决策树提高随机森林平均正确率,减小森林的泛化误差;话语权策略通过提高优秀决策树的话语权,放弃了传统算法中的绝对民主,两个改进策略提高了算法模式识别正确率。经实验验证,改进随机森林算法对故障识别正确率为100%,而传统算法识别正确率仅为93.1%,证明了算法改进策略的有效性。

提出一种基于时间序列的自回归(AR)模型和支持向量机故障识别方法.以液压调速阀的故障识别为例,利用采集到的调速阀体的振动信号建立AR模型;然后,将AR模型自回归系数和残差方差组成的特征向量输入到支持向量机.最后,通过支持向量机完成对调速阀的正常和各种故障工况的分类识别.实验结果和分析表明,识别率不仅与核函数的选取有关系,而且与支持向量机参数的选取也有关系,以径向基RBF为核函数的识别率明显优于以多项式形式为核函数的识别率.

针对电磁阀故障识别对专家知识依赖过高,现有智能诊断系统多需要人为提取信号特征等问题,以某型号电磁阀作为研究对象,人为设置故障工况,采集各种工况下的多通道运行数据,利用TensorFlow平台搭建了对该电磁阀的端对端故障识别模型。此外,在此基础上又提出了基于Triplet loss函数的改进模型,并进行了验证测试。结果表明,基于Triplet loss的故障识别模型除具有更高的识别准确率之外,对于在不同动作频率下工作的电磁阀信号有更好的泛化能力。

针对滚动轴承振动信号的非平稳特性,实际工况下难以采集大量的样本信号分析故障状态,提出基于自适应噪声的完备经验模态分解（CEEMDAN）与多尺度排列熵（MPE）相融合的故障识别方法。首先,对振动信号进行小波阈值去噪,利用CEEMDAN算法对去噪后的非平稳振动信号自适应分解,对分解后的若干个固有模式分量（IMF）计算互相关系数;然后,重构信号,计算其MPE并组成故障特征向量;最后,把特征向量输入到支持向量机（SVM）中,以识别滚动轴承的故障类型。通过对仿真信号以及实际实验数据的对比验证分析,有效证明了该方法的识别准确率比基于EMDMPE的故障识别方法提高5%,结果表明：基于CEEMDAN-MPE的滚动轴承SVM故障识别方法可以更准确地提取轴承的特征,并识别轴承的故障状态,有更强的实用性和有效性。

针对最小二乘支持向量机（LSSVM）实现过程中盲目选择核函数的现象,提出了一种基于核极化的多核LSSVM与EMD相结合的滚动轴承故障识别算法。首先,对滚动轴承振动信号进行EMD信号提取,进而提取故障特征向量;然后,根据多核构造原理,引入核极化确定基本核函数的组合权系数,构造多核函数;最后,结合多核函数与LSSVM,形成多核LSSVM学习器,进行故障识别。分析滚动轴承正常状态、内圈故障、外圈故障和滚动体故障的诊断实验结果,可知,EMD与多核LSSVM的故障识别算法可以准确地判断滚动轴承的工作状态和故障类型,并与SVM、LSSVM算法的诊断结果进行对照,表明所提算法的故障识别率更高。

气阀是往复压缩机最易发生故障的部件。本文在分析气阀故障原理的基础上，首次在大型往复压缩机实验平台上对吸气阀、排气阀进行了一系列破坏性实验，对现场机组气阀的各类故障情况进行了真实模拟，最大限度地保证采集到的振动及温度信号与实际机组的故障信号相符合，利用BH5OOOR在线监测诊断系统对故障特征进行了识别和分析，结果表明，该方法能够有效识别往复压缩机气阀的故障特征。

对液压机械无级变速器机械故障的振动和噪声信号进行了分析：采用双谱分析法识别齿轮故障,希尔伯特信号包络法识别滚动轴承故障,小波变换信号分离法识别传动箱故障。对液压机械无级变速器液压故障的试验数据进行了研究：采用BP神经网络法识别电液比例伺服机构故障,频段分布法识别变量泵故障,核方法识别湿式离合器故障。研究表明：六种不同的方法对变速器的故障都有独特的识别作用,应根据变速器零部件的特性选择恰当的识别模式,以提高故障识别水平。