为了提升传统分类器在进行复合故障诊断时的诊断性能以及计算效率,提出了一种基于集成极限学习机框架的旋转机械复合故障诊断方法。提出的集成极限学习机框架由两个子网络组成,第一个极限学习机网络通过无监督聚类从每个点到每个质心生成欧氏距离函数,从而大大扩展了数据的样本,大大提高了该方法的适用范围。第二个极限学习机网络通过多输出节点多标签学习识别潜在输出,该分类器能够自适应的调整生成阈值,从而减少了对先验知识的依赖。通过仿真验证可知该方法在机械复合故障诊断方面具有诊断精度高、计算复杂度小,自适应能力强等优点。

HVD(希尔伯特振动分解)算法以其强烈的抗模态混叠性能,常用于频率耦合下的信号分解,但起始端点的选择是制约其工程应用的关键。针对此,提出一种自回归HVD算法确保抑制边界效应的同时解决频耦信号精准分解难题。此方法以HVD为分解基函数,结合自回归模型具备的自适应边界延拓的能力完成对HVD算法的优化,最终完成复合故障中具有频率耦合特性的信号精准分解。以风力机实验系统的二级平行轴齿轮箱为验证对象,分析不同转速下的复合信息,辨识效果证明自回归HVD在具有频耦特性的复合故障诊断中具有显著优势。

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型(TConvNeXt)。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用

主要提出了针对高铁牵引系统中三相逆变器IGBT开路故障和牵引电机速度传感器增益故障的复合故障诊断方法,解决了复合故障发生后传感器故障难以从中分离的问题,并实现了复合故障的在线诊断。首先利用改进的递归最小二乘（RLS）算法的自适应滤波对信号进行降噪,以减小噪声对复合故障的故障特征提取的干扰;然后利用小波包分解放大复合故障特征,检测出传感器故障;最后利用提取的复合故障特征对L-M算法优化后的BP神经网络进行训练,实现对复合故障的实时在线诊断。仿真部分验证了该诊断方法的可行性。

提出了将神经网络与D-S证据理论相结合的故障诊断方法，实现了故障信号的特征级和决策级融合，并应用于轴承的复合故障诊断研究。将BP、RBF、GRNN 3种神经网络的输出结果作为3个证据体，滚动轴承的4种复合故障特征作为系统的识别框架，引入聚类系数作为权值分配，重新计算基本概率赋值，对D-S证据理论进行改进，以提高轴承复合故障诊断的准确性。

针对在变转速工况下进行滚动轴承复合故障诊断时,由于故障间的相互作用使得多种故障特征混叠在一起,彼此干扰,造成误判﹑漏判等问题,以及时域滤波过程中共振频带参数难以获得这一问题,提出基于包络解调滤波的滚动轴承复合故障诊断方法。首先,使用多项式函数拟合轴承转速,并根据轴承各部分的故障特征频率系数和转速信息计算瞬时故障特征频率(IFCF)趋势线;其次,根据各部分IFCF趋势线的拟合函数,构造解调算法的相位函数,对原始信号经过Hilbert变换得到的包络信号解调;最后,以各部分IFCF拟合函数的初始值为中心频率构造窄带巴特沃斯带通滤波器,对解调信号进行滤波处理,并对滤波后的信号进行快速傅里叶变换(FFT)得到包络解调滤波信号的频谱。研究结果表明该算法使轴承IFCF的能量集中在初始值的位置,使用巴特沃斯带通滤波器便可以在包络信号中...