摘要：提出了一种基于变量预测模型(Variable predictive model based class discriminate,简称vpmcd)和改进固有时间尺度分解(Intrinsic time-scale decomposition,简称ITD)算法的滚动轴承故障诊断方法。vpmcd方法充分利用了特征值之间的相互内在关系来建立预测模型,并以这些模型对待诊断样本的特征值的预测结果作为分类依据来进行模式识别。ITD方法能自适应地将非平稳信号分解成为若干单分量信号(固有旋转分量,Proper rotation component,简称PRC)之和。首先对ITD算法进行了改进;接着采用改进ITD算法对原始振动信号进行分解得到多个内禀尺度分量(Intrinsic scale component,简称ISC);然后对包含主要故障信息的若干内禀尺度分量建立对数正态分布模型,并提取其对数均值和对数标准差作为故障特征值;最后采用vpmcd模式识别方法得到各故障特征值的预测模型,并利用预测模型对待诊断样本的故障类型和工作状态进行分类和识别。对滚动轴承正常、外圈故障和内圈故障振动信号的分析结果表明了该方法的有效性。

摘要：vpmcd(Variable Predictive Model Based Class Discriminate)是一种新的模式识别方法,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。论文将vpmcd结合排列熵(Permutation Entropy,简称PE)方法应用于滚动轴承故障诊断。首先采用ITD(Intrinsic Time-scale Decomposition,简称ITD)对滚动轴承振动信号进行分解,得到若干个固有旋转(Proper Rotation)分量,并对包含主要故障信息的PR分量提取排列熵作为故障特征值;然后,对vpmcd分类器进行训练;最后,采用vpmcd分类器进行故障识别和分类。实验数据的分析结果表明该方法能够有效地应用于滚动轴承故障诊断。

摘要：提出了基于vpmcd(Variable Predictive Model Based Class Discriminate,简称vpmcd)和EMD(Empirical mode decomposition,简称EMD)的齿轮故障诊断方法,并将它应用于齿轮稳态信号的分析。vpmcd方法是一种新的模式识别方法,特别适合于非线性分类问题,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。在基于vpmcd和EMD的齿轮故障诊断方法中,首先采用EMD方法将齿轮振动信号自适应地分解为若干个单分量信号,然后提取各个分量的样本熵并将其作为特征值,最后采用vpmcd分类器进行故障识别和分类。结果表明该方法能够有效地突出齿轮故障振动信号的故障特征,提高了齿轮故障诊断的准确性。

摘要：根据滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种不同类别的振动信号,给出了基于经验模态分解(Empirical Mode Decomposition,EMD)和变量预测模型(Variable Predictive Model Based Class Discriminate,vpmcd)的滚动轴承故障诊断方法。首先,使用EMD方法自适应地将滚动轴承振动信号分解为若干IMF(Intrinsic Mode Function,IMF),对前几个包含滚动轴承主要故障信息的IMF分量求包络谱,并提取故障特征频率处的幅值组成故障特征向量;然后,采用vpmcd分类器进行故障识别和分类。试验仿真分析结果表明,应用该方法对20×4个测试样本进行分析,80个样本均被成功识别,达到了试验研究预期的故障类型识别准确度。

摘要：针对传统的变压器故障诊断方法诊断速度低、诊断精度差等缺点,设计了基于变量预测模型的模式识别方法(Variable Predictive Model Based Class Discriminate,vpmcd)来实现变压器故障诊断。首先提取训练样本的特征值,其次针对特征值之间的内在关系选择合适的变量预测模型,并通过最小二乘法估计模型参数,然后将建立的模型运用到测试样本中检验它对变压器故障的分类和诊断能力。实验证明,与径向基神经网络相比,基于变量预测模型的模式识别方法具有诊断速度快,误诊率低等优点。