多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)分类方法是建立在回归模型为同方差性基础上的,而当模型出现异方差性时,会导致预测精度降低.基于此,本文提出了WVPMCD(WLS-Variable predictive model based class discriminate,简称WVPMCD)方法,即用加权最小二乘法(WLS)代替原方法中的最小二乘法(OLS)进行参数估计,消除异方差性,从而提高了模式识别的精度.采用局部特征尺度分解(Local characteristic-scale decomposition,简称LCD)方法对滚动轴承振动信号进行分解,提取分量矩阵的奇异值组成故障特征向量作为WVPMCD的输入,并对正常状态、滚动体故障、内圈故障和外圈故障4种不同工作状态和故障类型下的滚动轴承振动信号进行分析,结果表明,在模型存在异方差性时,WVPMCD比原VPMCD具有更好的分类效果和识别率.
针对转子系统的故障特征,提出了基于多变量预测模型(variable predictive mode based class discriminate,简称VPMCD)和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数(intrinsic mode function,简称IMF)分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。
针对齿轮故障诊断中难以获得大量故障样本的问题及实时在线诊断的需求,提出了一种基于增量式半监督多变量预测模型(Incremental Semi-supervised Variable Predictive Model based Class Discriminate,ISVPMCD)的齿轮故障在线检测方法。首先使用VPMCD方法给少量的已知样本建立初始预测模型,接着利用VPMCD方法中的判据给未标识样本赋予初始伪标识,然后通过互相关准则筛选出伪标识样本,最后利用伪标识样本和已知样本作为训练样本更新初始预测模型,使得更新的预测模型能兼顾整个样本集的信息,从而可以有效地解决小样本的故障诊断问题,另外,由于该方法在实时更新新样本的过程中不需要再次建立判别模型,从而缩短了分类时间,为实时在线诊断提供了新的思路。对UCI标准数据以及齿轮实测数据的分析结果表明,适合于小样本的ISVPMCD模式识别方法可以更快更准确地识别齿轮工作状态和故障类型。
针对滚动轴承故障诊断时所提取的特征值中可能含有较小相关性和冗余性特征,采用基于Wrapper模式的距离评价技术(distance evaluation technique,简称DET)进行特征选择。在分类器的设计中,提出了基于稳健回归的多变量预测模型(Robust regression-Variable predictive model based class discriminate,简称RRVPMCD)分类方法,以减小"异常值"对参数估计的影响,从而有望建立更加准确的预测模型。即根据Wrapper模式的特点,首先通过DET方法计算出各特征值对类的敏感度,并结合RRVPMCD分类器,选择敏感度最大的若干特征值组成特征向量矩阵;然后用RRVPMCD方法进行训练,建立预测模型;最后用所建立的预测模型进行模式识别。实验分析结果表明,基于Wrapper模式的特征选择方法和RRVPMCD分类方法相结合可以有效地对滚动轴承的工作状态和故障类型进行识别。
针对VPMCD中模型选择方法的不合理和小样本多分类时识别率降低的缺陷,结合动态加速常数协同惯性权重的粒子群(Particle swarm optimization with dynamic accelerating constant and coordinating with inertia weight,PSODACCIW)算法的全局优化能力和加权融合理论,提出基于PSODACCIW-VPMCD的滚动轴承智能检测方法。首先对样本提取特征变量,然后采用PSODACCIW算法优化诊断融合权值矩阵,最后对滚动轴承的故障类型和工作状态进行分类和识别。实验结果表明,该方法能够有效地应用于滚动轴承的智能检测中。
