weixin_46039719的博客

可以使用可配置的子系统选择变速箱和车辆动力学的模型变体。[3]李王英,梅自元,殷金菊,张磊,李文强.双离合变速器总成侧隙计算分析与研究[J].汽车零部件,2021(10):1-5.DOI:10.19466/j.cnki.1674-1986.2021.10.001.间轴（通过不同的 同步器 选择不同的 传递路径）、主减速器、差速器、半 轴、车 轮。[2]郭栋,周仪,周益,罗瑞田,任杰.双离合变速器预选档策略下齿轮敲击动力学分析[J].机械工程学报,2022,58(24):198-210.行百里者，半于九十。

基于SVDD的故障检测方法是1种典型的单类划分方法。基本思想是在高维空间中找到1个中心为ap 半径为R的最小体积超球体包围尽可能多的目标数据,如图1所示。对于1个新样木,通过判断新样本是否在超球体内来实现分类,如果在超球内,则被接受,否则被拒绝。使用SVDD进行故障检测时[10],仅使用正常样本数据集对模型进行训练,获得包络最多正常样本数据点的最小体积超球体。式中:x为测试样本;xk为训练样本中支持向量。

​状态监测（CM）信号中的脉冲特征通常意味着旋转机器中存在缺陷。为了准确捕获CM信号中的脉冲分量，该文提出一种基于时间重分配同步挤压变换（TSST）的集中时频分析（TFA）方法。首先，探讨了TSST方法在处理强频变信号方面的局限性。其次，引入迭代程序来解决TSST时频表示模糊问题;还分析了迭代算法的收敛性。最后，提出了一种脉冲特征提取算法进行信号重建，有助于故障类型的准确诊断。采用模拟噪声污染信号和3组实验数据对所提方法的性能进行了评价。

文献来源：状态监测（CM）信号中的脉冲特征通常意味着旋转机器中存在缺陷。为了准确捕获CM信号中的脉冲分量，该文提出一种基于时间重分配同步挤压变换（TSST）的集中时频分析（TFA）方法。首先，探讨了TSST方法在处理强频变信号方面的局限性。其次，引入一种迭代程序来解决TSST时频表示模糊问题;还分析了迭代算法的收敛性。最后，提出了一种脉冲特征提取算法进行信号重建，有助于故障类型的准确诊断。本文利用仿真噪声污染信号和3组实验数据对所提方法的性能进行了评价。

然而，这些方法的目标函数是非凸的，导致得到的逆滤波器在某种意义上并不是反卷积问题的最优解，特别是在滤波器尺寸较大的情况下。此外，迭代算法对初始值敏感，这意味着不同的初始值会使算法收敛到不同的局部最优解，从而获得不同的逆滤波器。因此，当被测信号中存在一些强干扰信号时，反卷积方法的性能可能会下降，导致反卷积方法无法获得满意的结果。可以自由调节，通过反卷积方法获得的滤波器是轴承故障诊断的最佳滤波器，其性能明显优于其他方法（WT、EMD、VMD、EWT 和SK）确定的滤波器。因此，这些问题是本文的研究目标。

本文主要研究齿轮系统的传递路径分析( TPA )。提出了一种虚拟解耦方法来实现基于原位测量的TPA。基于Tikhonov正则化理论进行了轴承力的识别。采用一个齿轮动力学模型作为数值例子来说明传递路径分析的过程。关于所提出的TPA算法的细节可参见文献[1]。[1]。时变啮合刚度与动力学建模的互补信息见文献。[2、3]。

数据包含取自模拟流程示例的二维数据集。此数据用于训练和测试内核 PCA 以进行故障检测。训练后，针对输出数据空间中的每个位置计算广泛用于故障检测的T2和Q统计指标，从而生成等高线图。然后将 2% 显著性水平检测限叠加在地图上，作为数据空间的正常（绿色）和错误（洋红色）区域之间的边界。使用等高线图，可以将各种核类型和参数选择对正常和错误过程状态之间的决策边界的影响可视化。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。行百里者，半于九十。

3]熊东尧. 基于图神经网络的旋转机械故障诊断方法[D].杭州电子科技大学,2022.DOI:10.27075/d.cnki.ghzdc.2022.000216.若处于异常状态,还需预测其劣化趋势及故障严重程度等,这一过程就称为状态监测。设备故障诊断的主要流程如图1所示4,它包括状态信息库和故障档案库的建立、信号检测﹑特征提取、状态识别和预报决策等几个关键环节。设备故障诊断又叫设备状态诊断。它利用监测到的设备特征参数,通过数据处理,分析设备是否存在故障,并进一步预测设备的未来状态。行百里者，半于九十。

摘要:本文讨论了在LTI或LPV描述子框架中建模的系统的MATLAB/SCILAB工具箱的开发。(Darouach等人，1996)的作者提出了一种降阶未知输入观测，类似于(Chen和Patton, 1999)中研究的LTI系统的观测器。如果限制是模型的一部分，那么系统就变成了描述符- lti (DLTI)表示。许多系统都可以用非线性微分方程来建模，但是监控系统的设计是一项困难的任务。因此，对非线性系统进行线性化以获得线性时不变(LTI)系统是非常常见的，但这种表示在一个平衡点或工作点附近是有效的。

本文首先研究了一种基于广义典型相关分析（CCA）的故障检测（FD）方法，旨在在可接受的误报率下最大限度地提高故障检测能力。更具体地说，生成两个残差信号，分别用于检测输入和输出子空间中的故障。两个残差信号的最小协方差是通过考虑输入和输出之间的相关性来实现的。考虑到广义CCA由于过程噪声的高斯假设而应用范围有限，提出了一种广义CCA与基于随机算法的阈值设置相结合的FD技术，并将其应用于高速列车的模拟牵引驱动控制系统。结果表明，与标准的广义CCAFD方法相比，所提方法能够显著提高检测性能。行百里者，半于九十。

天线阵列诊断问题在压缩感知框架中使用有关无故障天线阵列辐射方向图的先验信息制定。该框架使用与参考阵列和被测天线之间的远场辐射方向图差异相关的线性关系。通过在MATLAB中进行仿真，讨论和分析了三种基于稀疏的恢复方法，即L1的最小化、总变异（TV）范数和混合L1/lL2范数。使用10GHz的10 x 90 WR10波导天线阵列进行了仿真。因此，获得的结果符合我们的目标，即在测量点数量较少的情况下进行更快的天线阵列诊断。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。

本文利用最小二乘支持向量机进行分类器建模，改进鲸鱼算法（基于冯洛伊曼拓扑的鲸鱼算法）进行超参数寻优，最后将所提方法用于滚动轴承的故障诊断。

1][1]赵志宏,李春秀,窦广鉴等.基于MTF-CNN的轴承故障诊断研究[J].振动与冲击,2023,42(02):126-131.DOI:10.13465/j.cnki.jvs.2023.02.015.智能生产的发展加强了对早期故障诊断的需要，在机械设备中滚动轴承的运行状态往往直接影响机器能否正常工作。征，因此，研究直接从轴承振动信号中提取特征并自动识别轴承健康状态的诊断方法具有重要的研究价值。通过小波去噪对原始信号进行处理并提取特征，然后采用支持向量机进行轴承故障诊断。行百里者，半于九十。

在这种方法中，可以通过与指定的结构元件（SE）相互作用来挖掘信号中的脉冲特征。针对该问题，该文提出一种自适应时变形态滤波（ATVMF）方法。此外，还提出了广义形态产物算子（GMPO）的定义，可以构造新的形态积算子进行特征提取。[1]陈斌， 宋大鹏， 张伟， 程彦， 王志， 一种用于轴承故障诊断的性能增强时变形态滤波方法， 测量学报 （2021） 109163.[2]陈斌， 程彦， 张文， 梅国， 用于轴承断层特征提取的增强数学形态算子研究， ISA Trans. （2021）行百里者，半于九十。

旋转机械故障诊断中的频带选择（FBS）旨在识别频带位置，包括全频带外的故障瞬变，因此故障诊断可以抑制来自其他频率分量的噪声影响。因此，许多研究都集中在开发两种特征的量化指标上，并将它们用作指导FBS的指标。然而，大多数以前的研究几乎忽略了FBS的另一个方面，即健康参考，这显着影响FBS的性能。为了解决这个问题，本文调查了健康参考的重要性，并将其视为FBS的第三个关键方面。提出了一种基于分类的新方法，将FBS的所有三个方面（冲动性、循环平稳性和健康参考）整合在一起。部分理论来源于网络，如有侵权请联系删除。

工业过程中早期故障的早期检测变得越来越重要，因为这些故障会慢慢发展成严重的异常事件、紧急情况，甚至是关键设备的故障。在这项工作中，提出了CVA的扩展，称为规范变量相异性分析（CVDA），用于在不同操作条件下非线性动态过程中的过程早期故障检测。在闭环控制和变化操作条件下对连续搅拌釜反应器中缓慢发展的乘法和加法故障进行测试时，基于CVA相异性的指数在灵敏度方面优于传统的CVA指数和其他基于相异性的指数，即相异性分析、递归动态变换组分统计分析和广义典型相关分析。不幸的是，早期故障比突然故障更难检测。

本文尝试从故障滚动体轴承或齿轮振动信号中提取重复瞬变 （RT）。在我们的测试中，它可用于干扰抑制，特别是脉冲噪声，复合故障诊断和某些情况下的早期故障诊断。[2]关可铭,杜兵,李金峰,靳松,张振涛.基于LMD和改进CNN的轴承故障诊断方法[J].制造业自动化,2023,45(01):216-220.[1]廖彦， 孙平， 王斌， 曲立， 频域多点峰度重复瞬变提取轴承故障诊断， 测量科学与技术， 29 （2018）博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。

滚动轴承故障检测方法一般包括温度分析、油液分析以及振动信号检测等，通过不同的传感器的信号表现形式可以从不同角度分析轴承故障，通过多种方法的结合运用可以更加准确地判断轴承。[1]刁宁昆. 滚动轴承故障检测的无监督学习方法研究[D].石家庄铁道大学,2022.DOI:10.27334/d.cnki.gstdy.2022.000368.（ii） 带通滤波：提高信噪比，特别是当对系统共振执行时 （iii） 平方包络频谱：允许检测。此功能与一个简单的演示一起提供，并且与倍频程完全兼容。行百里者，半于九十。

博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。行百里者，半于九十。

动态系统故障诊断经常面临大量可能的故障。为了避免棘手的组合问题，稀疏估计技术似乎是隔离故障的有力工具，假设只有少数可能的故障可以同时处于活动状态。然而，稀疏估计通常在线性代数方程的框架内进行研究，而基于模型的故障诊断通常用于使用涉及内部状态的状态方程建模的动态系统。这些Matlab文件说明了如何通过高效可靠的算法在上述两种形式之间建立联系，主要基于卡尔曼和基塔尼迪斯滤波器生成的残差的高级分析。详细数学模型讲解见第四部分。

旋转机械故障诊断中的频带选择（FBS）旨在识别频带位置，包括全频带外的故障瞬变，因此故障诊断可以抑制来自其他频率分量的噪声影响。因此，许多研究都集中在开发两种特征的量化指标上，并将它们用作指导FBS的指标。然而，大多数以前的研究几乎忽略了FBS的另一个方面，即健康参考，这显着影响FBS的性能。为了解决这个问题，本文调查了鲁棒参考的重要性，并将其视为FBS的第三个关键方面。提出了一种基于分类的新方法，将FBS的所有三个方面（冲动性、循环平稳性和健康参考）整合在一起。部分理论来源于网络，如有侵权请联系删除。

本文针对机械故障的特征提取量身定制了一种新的分解理论——特征模态分解（FMD）。所提出的FMD本质上是通过设计的自适应有限脉冲响应（FIR）滤波器分解不同的模式。FMD利用相关峰度的优越性，同时考虑了故障信号的冲动性和周期性。最后，在模式选择过程中去除冗余和混合模式。使用从轴承单个和复合故障收集的模拟和实验数据，证明了FMD的优越性，可以自适应和准确地分解故障模式，并对其他干扰和噪声具有鲁棒性。此外，已经证明FMD在机械故障特征提取方面优于最流行的变分模态分解。部分理论来源于网络，如有侵权请联系删除。

2]赵志宏,李春秀,窦广鉴等.基于MTF-CNN的轴承故障诊断研究[J].振动与冲击,2023,42(02):126-131.DOI:10.13465/j.cnki.jvs.2023.02.015.在我们的测试中，它可用于干扰抑制，特别是脉冲噪声，复合故障诊断和某些情况下的早期故障诊断。智能生产的发展加强了对早期故障诊断的需要，在机械设备中滚动轴承的运行状态往往直接影响机器能否正常工作。与传统的依赖于专家经验的故障特征提取方法不同，深度学习方法可以实现端到端自动故障特征提取与分类。行百里者，半于九十。

一些工作已经在风力涡轮机上进行了基于模型的故障检测、隔离和调节。[Dobrila and Stefansen(2007)]提出了一种基于宇称方程的风力发电机故障检测方案，[Odgaard et al(2009)]提出了一种未知输入观测器用于风力发电机传动系周围传感器故障的检测。为了测试不同的检测、隔离和调节方案在风力机中的应用，本文提出了风力机系统级的基准模型，包括:传感器、执行器和系统故障。在第2节中描述了风力涡轮机的功能，在第3节中介绍了故障场景，在第4节中介绍了风力涡轮机模型，第5节介绍了测试信号。

1]张成大.有杆泵抽油杆柱偏磨原因分析及对策[J].内蒙古石油化工,2016,42(09):73-74.本文基于埃弗里特和詹宁斯方法的抽油杆泵有限差分波动方程诊断分析：抽油杆泵井下测功机卡的改进有限差分计算。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。行百里者，半于九十。

本文展示了信号数据示例的完整深度学习工作流程。我们展示了如何准备、建模和部署基于深度学习 LSTM 的分类算法，以识别机械空气压缩机的状况或输出。[1]胡翔,殷锋,袁平.基于LSTM的风机故障检测研究[J].现代计算机,2021(08):36-40.博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。行百里者，半于九十。

在SK的上述改进中，这些指标都用于定量评估带通滤波信号或其解析包络，以检测脉冲可以归类为时域估计器，其最大的缺点是容易受到异常值的影响，如上所述。因此，时域和频域的稀疏性应该达到相对平衡，即IFB选择的折衷。]被视为IFB选择的一个里程碑，其中具有不同中心频率和带宽的准分析滤波器组输出处的系数峰度在频率/频率分辨率平面中用于表示和检测振动信号中的非平稳性。[2] 顾晓， 杨淑， 刘彦， 等. 基于负熵诱导灰狼优化器的多目标信息频带选择用于滚动轴承故障诊断.传感器 2020， 20（7）， 1845.

1]张琪,吴亚锋,徐建.主成分分析与遗传神经网络在制冷系统故障诊断中的应用[J].计算机测量与控制,2016,24(09):23-27.DOI:10.16526/j.cnki.11-4762/tp.2016.09.007.有必要利用遗传算法的全局搜索能力对网络的连接权值与阈值进行优化，其强大的自学习机制能够实现输入和输出之间的非线性映射。由于神经网络具有自身容易陷入局部最小的缺陷，故障诊断的本质是对工况状态模式的识别过程。部分理论来源于网络，如有侵权请联系删除。改善网络识别的稳定性和精 度。

该文讲解一种基于候选故障频率优化克（IESCFFOgram）的改进包络频谱的特征自适应方法，用于从频谱相干性（SCoh）中识别信息 频谱频段，以进行轴承故障诊断。在新方法中，根据SCoh的局部特征自动识别候选故障频率（CFF），而不是标称故障特性频率（FCF）， 并进一步用于指导信息频段的选择。这种新方法完全摆脱了对FCF或稀疏性指标的依赖，可以通过 挖掘隐藏在SCoh平面中的故障信息，自适应地生成诊断IES。因此，所提出的IESCFFOgram适用于在没有准确FCF的情况下滚动轴承的故障识别。