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。

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。

由于城市轨道交通频繁运行,地铁风机滚动轴承的故障特征极易被复杂多变的背景噪声所掩盖。针对这一问题,提出了一种基于特征筛选与支持向量机(SVM)的故障诊断方法。首先,从轴承原始监测信号中提取多尺度特征,构建轴承常见故障状态下的健康指标特征集;其次,利用拉普拉斯评分对处于故障状态下的健康指标特征集与正常状态下的健康指标特征集进行对比,获得健康指标敏感程度权重分数,筛选出敏感故障特征;最后,运用SVM算法对筛选出的特征进行故障识别,从而准确地实现地铁风机滚动轴承的故障诊断。通过在实际轴承故障数据集上的故障诊断实验,证明了提出方法的有效性和优越性。

为了解决复杂多工况下刀具磨损状态的监测问题,提出一种基于深度学习的刀具磨损状态监测方法,并构建敏感特征值提取函数。基于刀具磨损数据集,建立多种工况下刀具磨损状态的监测模型,进行多工况下刀具磨损状态监测研究。研究结果表明:当敏感值界限设置为0.3时,从声发射、振动和电流信号的特征值中可以提取出56个敏感特征值;以均方根误差作为评价函数,得到测试样本的评价函数均值为0.123;模型对严重磨损状态下的刀具磨损监测效果优于对正常磨损状态下的刀具磨损监测效果;多组重复性验证证明所提出的监测方法稳定有效。