针对目前轴承性能劣化指标的构建及故障诊断高度依赖专家经验,限制条件繁多,实际应用情景单一的问题,提出一种鹈鹕优化算法(POA)优化的变分模态分解(VMD)和自编码器结合的风机轴承劣化指标构建及故障诊断方法。首先利用POA-VMD算法将轴承振动信号采用自适应方法分解为K个固有模态分量(IMF),并针对上述分量分别构建K个自编码器;然后以正常状态振动信号的分解结果为训练样本完成自编码器的训练,并以训练完成后模型的输出结果为基础构建轴承劣化指标,借助劣化指标监测轴承早期微弱故障;最后对故障时刻振动信号的IMF分量重构结果进行包络谱分析,确定故障的类型。经实验验证该方法不仅可以清晰地展现轴承的劣化过程,对早期微弱故障敏感性高,而且在故障发生后可以准确诊断出故障类型。

气压传动系统在制造领域应用广泛,对智能化故障诊断与节能有较大需求。泄漏是气动系统最常见的故障类型及能量浪费的最主要因素之一。以最具代表性的执行元件气缸为研究对象,通过对其上游压力与流量信号进行处理分析,实现对下游气缸常见的内外泄漏故障的有效诊断。信号特征提取通过栈式自编码器完成,提取的特征进行聚类处理评估后送入支持向量机(Support Vector Machine, SVM)分类器进行分类,从而对气缸泄漏故障进行分类和定位。结果表明:通过分析上游信号来确定下游元器件故障状态是可行的;且对于泄漏故障实验,在同等条件下,基于流量信号的平均分类准确率可达到96%,基于压力信号的平均分类准确率为87%。

利用少量传感器融合机器学习技术进行系统多故障诊断是实现气动系统低成本智能化故障诊断的潜在途径。以气动系统中常见的泄漏故障为例,探究了利用上游单点测量信息实现下游并联双气缸泄漏故障诊断的可行性。上游单点测量信息包括压力、流量和[火用]数据,预处理后的数据通过栈式自编码器(Stacked Autoencoder,SAE)进行特征提取,并将提取的特征送入高斯过程分类器(Gaussian Process Classifier,GPC)中进行学习分类。实验结果表明:通过机器学习模型学习分析上