为提高滚动轴承故障诊断的性能,结合故障敏感特征的选择,提出了一种基于小波包变换(WPT)和监督NPE的滚动轴承故障诊断模型。首先,WPT对原始振动信号进行处理,利用终端节点的单支重构信号得到多域统计特征,构成原始特征集。然后,为减少特征集中的冗余信息和干扰特征,提出一种基于朴素贝叶斯的故障敏感特征选择方法(FSNB)。为了进一步降低冗余信息和运算复杂度,提出一种基于类别标签的监督邻域保持嵌入(SNPEL)方法,实现对高维特征集的低维表示。最后,利用K近邻(KNN)算法实现滚动轴承的故障诊断。采用12种轴承故障数据来验证提出的故障诊断模型的性能,结果表明,提出的模型可以实现较高的故障诊断准确度和较好的适应性。

有刀具状态监测的加工生产既能提高加工效率又能降低生产成本,是智能制造生产的关键。近几年深度学习成为研究刀具磨损问题的主流算法。提出一种基于VGG-19卷积神经网络的刀具磨损监测方法,该方法应用小波包变换对振动信号进行处理并提取能量图,应用VGG-19卷积神经网络预测刀具磨损状态。结果表明,适当增加网络层数,可以学习更多数据特征并得到更好的预测表现;与其他卷积神经网络相比,VGG-19层数适合,预测准确率稳定,损失函数值最小,该方法对刀具磨损类型的预测表现最好。

为实现滚动轴承故障特征分析,提出了一种基于小波包变换(Wavelet Packet Transform,WPT)结合随机森林(Random Forests,RF)的滚动轴承故障分析模型。首先,采用小波包变换对振动信号进行分解,对终端节点进行重构,再计算重构信号及其希尔伯特边际谱的11种统计参数,得到统计特征,构建原始特征集;针对原始特征集中存在的冗余和干扰特征,提出一种基于平均精确率减少的特征选择方法(Features Selection base on Mean Decrease Accuracy,FSMDA),标记特征对轴承故障的重要度,选取重要度高的统计特征用于故障状态识别;最后,利用随机森林实现滚动轴承故障特征分析与状态识别。采用12种轴承故障状态数据进行实验分析,实验结果表明FSMDA能够选择出对故障状态较为重要的特征,提高故障状态识别准确率,并且具有较好的适应性。

在滚动轴承故障诊断过程中,针对非故障敏感特征的干扰以及冗余信息的问题,提出一种基于ReliefF与标准差的故障敏感特征选取方法,从原始特征集中选取出对故障状态敏感度高的统计特征用于故障识别与分类。针对高维特征集,提出一种改进邻域保持嵌入的特征降维方法,实现对高维特征集的低维表示,并提升低维特征集的判别性能。最后,基于支持向量机构建故障诊断模型,采用变工况下12种轴承故障数据来验证所提出方法的有效性与适应性,实验结果表明,所提出方法能够提高故障诊断准确率,并具有较好的适应性。

为提高调制信号双谱边带估计的分析效果和鲁棒性,提出了小波包能量和调制信号双谱边带估计相结合的磨损特征提取方法。首先,使用小波包变换将信号分解为多个频段,计算每个频段的小波包能量,选取小波包能量较高的频段进行重构,以达到优选分析频段和降低计算量的目的;然后,对重构信号进行调制信号双谱边带估计以提取齿面磨损特征,并通过合理构建指标实现齿面磨损损伤状态的在线监测。仿真与试验结果表明,所提出方法具有更强的鲁棒性,能够更准确地监测齿面磨损的发展过程,评估磨损损伤程度。

表面肌电(surface electromyogram,s EMG)信号的去噪处理和特征提取的效果好坏直接关系到识别的准确率。以获得较高的识别准确率为目标,对肌电信号的去噪处理和特征提取展开研究。先对表面肌电信号进行小波阈值去噪;再分别运用时域、频域和时频分析对去噪后的信号进行特征提取;最后利用BP神经网络对肌电信号进行分类。实验结果较好地实现了对肌电信号的分类,分类识别率为97%±2%。

超声检测技术中，缺陷的定性分类这一技术难题至今尚未得以彻底解决。文章介绍了一种基于小波包变换的多尺度空间能量特征提取方法，并对实测的超声缺陷回波信号进行了特征提取；进而采用基于距离的类别可分性判据对提取结果进行了评价。结果表明：泼方法提取的缺陷回波信号特征值，其可分性测度均值达91．7%，从而证明该方法对超声检测缺陷回波信号的特征提取是相当有效的。

为避免液压油缸泄露给液压系统带来的速度放缓和压力不足等问题,研究基于深度学习的液压油缸泄露故障自动诊断方法。深入分析液压油缸泄露故障机理,依据液压油缸泄露量,将泄露故障划分为正常、轻微、中度以及严重泄露四种状态,使用压力传感器采集各状态下的压力信号,利用小波包变换提取压力信号的小波包能谱熵特征,将其作为输入量,运用深度置信网络实现液压油缸泄露故障高精度自动诊断。实验结果表明:该方法能清晰呈现不同液压油缸泄露状态下的压力信号特点,且所得信号质量较高;利用压力信号的小波包能量谱自动诊断液压油缸泄露故障具有较高的可行性;该方法在准确诊断液压油缸泄露故障状态的同时,还能判断液压油缸泄露故障的形式。

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。

为了提高柱塞泵脉动压力信号的故障诊断诊断能力,分别提取得到正常的泵脉动压力与齿圈出现磨损故障时对应的泵脉动压力,利用小波包变换的方法消除原始信号的噪声信号,再提取得到由故障信息构成的频段,完成信号时域特征的分析。频段介于0~4 kHz之间时,在柱塞泵脉动压力信号中形成了泵轴频、基频与谐倍频等,含有泵运行过程的各项信息参数,处于高频区间时,发生了线谱幅值的持续减小。利用MATLAB软件建立BP网络故障诊断结果表明:脉动压力指标可以实