近年来,已有300多套TFDS系统安装在我国铁路线上,以监视货运列车的安全。然而,TFDS系统只能采集、传输图像,列车故障的识别仍然以人眼观察为主。针对TFDS系统中人工识别螺栓故障效率低下的问题,提出了一种基于图像处理的螺栓故障自动识别算法。首先,根据先验知识,从原始图像中截取包括螺栓的感兴趣区域并使用模板匹配技术得到螺栓的精确子图。然后,使用改进的自适应LTP算子提取螺栓子图的特征直方图。最后,将螺栓特征直方图送入训练好的支持向量机实现故障螺栓的识别。不同光照的TFDS图像被用于实验。实验结果表明,该算法对螺栓故障识别取得了很好的表现(漏检率为0.36%,误检率为3.33%,准确率为90.88%),可以满足工程应用。

为精准识别电网动态拓扑结构中的故障,研究了基于粒子群优化算法的电网动态拓扑结构智能识别技术。分析了电网动态拓扑结构特点,构建了电网动态拓扑图数据库,通过图数据库创建层获取数据源,并对数据进行了图数据化处理;设计了包含图数据库创建层与电网动态拓扑结构识别层在内的智能识别技术,结合深度优先遍历算法和粒子群优化算法,智能识别了拓扑结构中的一类环路、二类环路及孤点故障。实验结果表明,该技术可识别复杂电网的动态拓扑结构故障,识别率为98.75%,提高了故障识别的准确率。

为提高物流运输设备故障类型识别精度和稳定性,提出一种基于传感器感知信息的物流运输设备故障自动识别方法。采用传感器感知物流运输设备故障信号,利用小波变换处理物流运输设备故障信号。针对物流运输设备运行过程中的不确定因素,分析物流运输设备故障诊断信息与运行状态之间的关联关系,构建物流运输设备故障诊断模型并进行仿真验证。结果表明,该方法有效提高了物流运输设备故障类型识别精度和稳定性。

有效的特征提取方法和分类算法能显著的提高故障识别的精度。小波能谱熵突出了振动信号中短暂的异常信号，能有效的表征早期故障特征；隐半马尔可夫模型通过加入高斯概率分布函数来描述各个状态的驻留时间，能合理的表征振动信号的暂态特征，适合于机械系统的故障识别问题；本文将小波能谱熵和HSMM相结合，提出了基于小波能谱熵的HSMM故障识别方法。以小波能谱熵作为特征向量，通过训练得到各个状态的HSMM模型并建立分类器，从而实现对未知状态的识别。以齿轮为对象，对齿轮常见的故障状态进行了识别试验。

本文构造了一个波神经网络，利用神经网络实现了风支机故障类型的识别。理论分析和试验结果表明，以上方法对鼠笼也电动机的故障诊断是有效的，并验证了其可行性和优越性。

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。

针对机械类信号在齿轮泵故障识别与诊断中存在的信号获取成本高、信噪比低、故障特征不易获取等问题,提出一种基于电机电流信号的液压齿轮泵故障识别方法。分析通过驱动电机电流信号对齿轮泵故障进行识别的可行性,对所采用的VMD方法的参数进行了优化,结合齿轮泵运行工况对IMF分量的相关性进行分析,并重构了电流信号,依据其排列熵和均方根值所构造的特征样本并融合KFCM聚类算法,对齿轮泵进行故障识别与诊断。并通过机电液试验台对不同故障类型的齿轮泵进行试验,试验结果表明:所提电机电流信号分析与特征提取方法可准确而有效识别齿轮泵故障。

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。

滚动轴承故障的识别和监测是基于滚动轴承运行状态的监测信息,借助各种检测仪器和先进的检测技术,判断轴承是否存在故障,判定轴承故障的程度及其发展趋势。文中分别对各种滚动轴承故障的识别方法和滚动轴承故障的诊断方法及其特点进行分析研究。

提出一种基于时间序列的自回归（AR）模型和支持向量机故障识别方法.以液压调速阀的故障识别为例,利用采集到的调速阀体的振动信号建立AR模型;然后,将AR模型自回归系数和残差方差组成的特征向量输入到支持向量机.最后,通过支持向量机完成对调速阀的正常和各种故障工况的分类识别.实验结果和分析表明,识别率不仅与核函数的选取有关系,而且与支持向量机参数的选取也有关系,以径向基RBF为核函数的识别率明显优于以多项式形式为核函数的识别率.