基于MFCC特征和GWO-SVM的托辊故障诊断

针对目前带式输送机托辊故障诊断方法存在接触式测量、准确率低、井下大范围检测困难等问题,提出了一种基于MFCC特征和参数优化SVM的托辊故障诊断方法。利用变分模态分解(VMD)将采集到的托辊声音信号分解为若干本征模态分量(IMF),并基于包络熵和峭度组成的复合指标优选IMF分量;提取所选分量的梅尔倒频谱系数（MFCC)作为特征,利用灰狼优化算法（GWO）优化SVM参数;将样本特征向量输入GWO-SVM中进行故障分类。结果表明:对于正常托辊、托辊内圈故障、托辊外圈故障、托辊卡死4种工况,该方法故障识别平均准确率在95%以上。与单一指标相比,复合指标提取的IMF分量故障特性代表性更好;与其他优化算法相比,该方法的识别准确率更高,分类速度更快。     

基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

基于SPWVD-CNN的滚动轴承故障诊断

针对传统的滚动轴承故障诊断方法难以提取轴承振动数据有效特征的缺陷,提出一种基于平滑伪Wigner-Vill分布(smooth and pseudo Wigner-Ville distribution,SPWVD)和卷积神经网络(convolutional neural network,CNN)的网络模型SPWVD-CNN。对振动数据进行平滑伪Wigner-Vill分布变换,将获得的时频图进行压缩,作为CNN的输入,利用迁移学习的思想进行网络训练,使得模型对于不同负载的数据具有良好的诊断性能,提高了网络的泛化能力。实验结果表明:SPWVD-CNN对轴承故障数据的平均分类准确率提升至99.27%,总体性能优于使用单一的CNN和其他传统的故障诊断方法。     

基于EMD-MPE与HMM的滚动轴承故障诊断

针对故障轴承的特征难以提取以及状态识别困难的问题,提出了基于经验模态分解(EMD)-多尺度排列熵(MPE)与隐马尔科夫模型(HMM)的滚动轴承故障识别方法。首先,运用EMD滤波降噪原理对滚动轴承振动信号进行降噪,而后将已降噪的信号进行多尺度排列熵分析并提取不同尺度下排列熵的较大值作为信号特征。最后,将特征信号向量输入已训练好的HMM模型进行故障类型判别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于EMD-MPE与HMM的滚动轴承故障诊断方法对滚动轴承的故障状态能够进行有效地识别。     

基于FFT与CS-SVM的滚动轴承故障诊断

针对滚动轴承故障信号强噪声背景和非线性等特点,为精确识别滚动轴承的故障特征频率并精准分类,提出了一种基于Hanning窗插值快速傅里叶变换并利用布谷鸟算法优化支持向量机的滚动轴承故障诊断新方法。采用Hanning窗对得到的频域信号进行加窗处理并求得样本特征的均方根特征值;经过布谷鸟算法优化后的支持向量机(CS-SVM)对样本数据进行故障诊断分类。通过凯斯西储大学的轴承故障振动信号数据进行的实验,验证了该混合智能诊断方法的有效性和优势,结果表明:所提出的方法可以对轴承故障准确进行分类。     

基于能量熵与SATCSSA-LSSVM滚动轴承故障诊断

为解决轴承故障特征不易提取,轴承故障的辨识效果不佳等一系列问题,提出基于改进自适应完整集成经验模态分解(ICEEMDAN)-自适应混沌麻雀搜索算法(SATCSSA)优化最小二乘支持向量机(LSSVM)的滚动轴承故障诊断方法.首先,通过ICEEMDAN对滚动轴承信号进行故障特征提取,产生多个本征模态函数分量,结合相关系数...     

基于IFM-VMD与WTD-Hilbert结合的滚动轴承故障诊断

针对变模式分解(VMD)中分解层数K对分解结果准确度影响较大以及轴承振动信号夹杂的噪声极大地影响有用信息提取的问题,提出了一种利用瞬时频率均值(IFM)确定K值并结合小波阈值降噪(WTD)和Hilbert变换对轴承的振动信号进行分析的方法。首先利用瞬时频率均值选择合适的VMD中的K值,然后用VMD方法对含噪声的信号进行自适应分解,根据相关系数原则从分解的分量中选取含有主要故障信息的分量进行小波阈值降噪分析,最后进行Hilbert变换解调出故障特征频率。为验证此方法的可行性,首先通过仿真信号验证了所用降噪方法的可靠性,然后用提出的IFM-VMD与WTD-Hilbert结合的方法对实际轴承故障数据进行分析,该方法故障诊断的准确率达到99%以上,说明该方法可以很好地识别滚动轴承的故障信息。     

基于CF特征提取与MBA-SVDD的滚动轴承故障诊断

针对滚动轴承振动信号呈现出的非平稳特性以及早期故障特征难以提取的问题,提出一种基于变分模态分解与时域、频域值混合的特征提取方法,并利用改进蝙蝠算法(MBA)优化支持向量数据描述(SVDD)的参数,实现对滚动轴承的故障诊断.采用该方法对正常振动信号进行变分模态分解,得到模态函数;利用奇异值分解进一步提取模态函数的模态特征...     

基于EMD与卷积神经网络的滚动轴承故障诊断

为增强滚动轴承故障诊断过程的智能性,提高故障诊断的准确率,并适应大数据故障诊断的需求。文章提出了一种基于经验模态分解(EMD)及卷积神经网络(CNN)的滚动轴承故障特征提取的方法。即将滚动轴承振动信号进行经验模态分解后得到若干个模态分量(IMF),与原始振动数据一起构成二维的特征图,输入卷积神经网络中进行学习训练。最后通过与其他多种方法进行对比验证可以得出,该方法对滚动轴承多种类型多种严重程度的故障有着很高的识别准确率,并且识别过程更具智能性。且增加训练样本的数量可以提高该方法的鲁棒性,更加适合处理针对大数据的故障诊断。     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征,采用小波包分析对其建立频域能量特征向量,利用径向基函数神经网络完成滚动轴承故障状态的识别.理论和试验证明了该方法的有效性和实用性.     

基于深度神经网络的滚动轴承故障诊断

针对浅层神经网络方法依靠专家经验和信号处理技术进行人工提取大量滚动轴承数据的特征变得越来越困难,而且神经网络浅层结构限制了神经网络学习复杂非线性关系的功能。结合深度学习在特征提取和处理大数据等优势,研究一种基于深度神经网络的滚动轴承故障诊断方法。该方法直接从原始数据中提取出有用特征,所提取的特征作为BP神经网络(BPNN)的输入识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障,外圈故障和滚珠故障四种状态以及各个状态的不同故障严重程度的分析,实验结果表明所研究的的方法不仅仅能够从原始信号中挖掘出有用的故障特征,还可以诊断出故障的严重程度,和BPNN相比具有更高的诊断准确率。     

基于声信号的滚动轴承故障诊断

对现有振动传感器存在安装困难等问题,提出了基于声信号的滚动轴承故障诊断方法;利用声学传感器,采用非接触方式采集故障轴承声信号;通过Matlab设计线性相位FIR滤波器,得到所需频带的冲击响应序列;通过Hilbert变换,得到被故障源调制信号的包络信号;通过对包络信号进行频谱分析,确定滚动轴承的故障类型。利用该方法对实验台故障轴承进行诊断,得到了准确的诊断结果,验证了方法的可行性与有效性。     

基于AFSA-SVM的滚动轴承故障诊断研究

针对滚动轴承运行过程中引发的滚动体故障、内圈故障以及外圈故障,文章第一次将人工鱼群优化支持向量机的算法用于滚动轴承故障类型的诊断识别。同时,将该算法诊断识别的结果与PSO-SVM、GA-SVM的结果进行比较。通过对比分析可知,该算法故障诊断识别的准确率为95%,PSO-SVM的准确率为85%,GA-SVM的准确率为87.5%。这表明了,该算法在滚动轴承故障类型的诊断识别方面,具有良好的故障诊断识别效果。     

基于随机共振与CEEMD的滚动轴承微弱故障诊断

针对滚动轴承早期故障信号微弱且不易检测,导致故障诊断准确率低的问题,提出一种天鹰算法优化随机共振参数与互补集合经验模态分解(CEEMD)相结合的滚动轴承微弱故障诊断方法。首先,以信噪比为适应度函数,采用天鹰算法对随机共振参数进行自适应优化;其次,利用CEEMD将随机共振系统输出信号分解成一系列的本征模态分量(IMF),根据相关系数准则挑选最优的IMF,并对其进行包络谱分析,提取故障特征频率,实现故障诊断。试验结果表明,该方法避免了单纯使用随机共振检测准确率低的问题,故障诊断精确度更高,可靠性更好。     

基于CEEMDAN样本熵与SVM的滚动轴承故障诊断

提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)与IMF样本熵结合的滚动轴承故障特征提取方法。利用CEEMDAN算法对振动信号进行了自适应分解,将非稳定的振动信号分解成了若干个固有模态函数(IMF)分量。计算了包含主要故障特征信息的IMF分量样本熵,实现了故障特征量化。在此基础上利用SVM在少量数据样本的情况下具有较强的学习和分类能力,通过样本数据学习与待测样本的模式识别实现滚动轴承智能诊断。通过仿真与实验数据分析,证明该方法能够改善信号特征提取的效果,对故障类型的判断表现出较高的识别率。     

基于LCD降噪与LS-SVM的滚动轴承故障诊断方法

在实际工况下滚动轴承较易发生故障,为了保障机械运行可靠性,对其进行故障诊断研究显得非常重要,提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)降噪与最小二乘支持向量机(Least Squares Support Veotor Machine,LS-SVM)的滚动轴承故障诊断方法。首先,利用LCD对轴承信号进行自适应性分解,得到一系列内禀尺度分量(Intrinsic Scale Component,ISC),然后结合峭度准则筛选出包含主要特征信息的分量,完成信号降噪预处理,并与经验模态分解(Empirical Mode Decomposition,EMD)进行对比,研究LCD算法的优越性;最后提取ISC模糊熵作为信号的敏感特征集,输入到训练好的LS-SVM分类器中进行轴承状态识别。实验研究表明,提出的基于LCD降噪与LS-SVM的轴承故障诊断方法能有效地识别出多种轴承类型,识别率高达84%,是一种行之有效的轴承诊断算法。     

基于RBF神经网络与LMD的滚动轴承故障诊断方法

直升机传动系统故障诊断及预测对提高其运行时的可靠性和安全性具有重要意义。本研究首先采用小波包降噪与局部均值分解相结合的方法提取滚动轴承故障特征,其次用故障样本对设计好的RBF(Radial Basis Function Neural Net-work,简称RBF)诊断网络进行训练,最后利用训练好的RBF网络实现故障的智能诊断。实验结果验证了该方法能够有效地对滚动轴承故障进行分类识别。     

基于EMD与对数能量的滚动轴承故障诊断方法

滚动轴承在发生损伤时,产生周期性脉冲振动,提取冲击振动的周期特征是故障诊断的关键。为了提取滚动轴承的故障特征频率,根据滚动轴承的振动响应信号特征,提出基于经验模态分解(EMD)和对数能量的故障特征频率提取方法。首先通过经验模态分解找到包含故障信息的本征模态函数（IMF）,然后对IMF的短时能量进行积分并取自然对数,获得信号的对数能量变化曲线,最后通过对曲线的谱分析,找到轴承的故障特征频率。仿真和实验数据验证了该方法的有效性,并和Hilbert包络法与能量算子法进行了对比,表明该方法能更显著地突出故障特征频率。     

基于PCA-CNN的滚动轴承故障诊断方法研究

滚动轴承工作环境恶劣、复杂,在采集信号的过程中,不可避免地会有噪声夹杂其中。为实现快速特征提取的同时提高识别率,提出一种基于主成分分析(PCA)降噪的卷积神经网络(CNN)故障诊断方法。该方法引入PCA对信号进行降噪预处理,再将处理后的信号转换成二维特征图像,输入CNN模型以提取转换后的图像特征,进行故障模式识别与分类。利用凯斯西储大学滚动轴承数据集进行故障诊断试验,结果表明:所提方法具有可行性与有效性,且满足鲁棒性和实时性的应用要求。     

基于1D CNN-XGBoost的滚动轴承故障诊断

在滚动轴承故障自动分类的研究中,使用传统的机器学习方法需要通过手动提取特征,因此特征的提取并不充分且自适应性不强。针对以上问题,提出一种一维卷积神经网络(1D CNN)结合XGBoost算法的单通道滚动轴承故障分类模型。该模型结合1D CNN和XGBoost的优势,对采集到的轴承振动信号进行数据集划分;使用训练集对1D CNN进行训练,把训练好的1D CNN模型进行保存并用来实现轴承数据特征的自动提取;将提取的特征数据集代入XGBoost算法中进行训练和分类。为验证所提模型的有效性,使用凯斯西储大学轴承数据中心提供的数据对1D CNN模型、XGBoost模型和1D CNN-XGBoost模型进行实验对比;为验证1D CNN-XGBoost的泛化性,使用一组新的滚动轴承数据集进行实验。结果表明:1D CNN-XGBoost模型的分类准确率更高,是一种有效的轴承故障分类模型,具有很好地分类性能和泛化性。