改进的经验模态分解方法在滚动轴承故障诊断中的应用

本文将Hilbert-Huang变换（HHT）应用到滚动轴承故障诊断中，利用经验模态分解自适应地将滚动轴承故障信号分解为若干不同特征时间尺度的固有模态函数，进行Hilbert谱和边际谱分析，由此来识别滚动轴承的故障类型。研究结果表明：这种改进的方法能有效地提取滚动轴承的故障特征。     

基于LabVIEW与Matlab的滚动轴承故障诊断

针对滚动轴承故障在线监测问题,将LabVIEW与Matlab 2种编程方式相结合进行故障诊断。论述滚动轴承故障信号特征,介绍峭度分析法和共振解调法分析方法,并采用LabVIEW和Matlab联合编程进行算法实现。借助典型轴承故障实验数据对分析方法进行验证,结果表明：该系统能有效分析并识别轴承的特征故障,可用于轴承故障监测。     

基于经验模式分解的滚动轴承故障诊断方法

针对滚动轴承故障诊断中,冲击脉冲法(Shock Pulse Method,SPM)结合包络解调技术进行定量诊断误差较大的问题,提出了基于经验模式分解(Empirical Mode Decomposition,EMD)和SPM的滚动轴承故障定量诊断方法。该方法首先对轴承振动信号进行EMD分解,再对分解得到的基本模式分量(Intrinsic Mode Functions,IMFs)做包络解调从而得到准确的冲击值,然后利用SPM方法便可以准确地进行滚动轴承故障定量诊断。试验验证结果表明,内圈故障特征频率处出现22.12dB的峰值,根据SPM方法判断该轴承存在轻微内圈故障,符合实际情况,该方法可以准确有效地进行滚动轴承故障定量诊断。     

EMD和Elman神经网络在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的特点,提出EMD和Elman神经网络结合的滚动轴承故障诊断方法。以滚动轴承振动信号为研究对象,首先对信号进行经验模态分解（EMD）,提取包含主要信息成分的本征模函数（IMF）分量,将IMF的能量比作为特征向量输入Elman神经网络进行网络训练和故障识别,实现滚动轴承的故障诊断。结果表明,EMD方法能按频率由高到低把复杂的非平稳信号分解成有限个IMF分量,具有自适应的特点,有效地突出轴承故障特征;而Elman神经网络能直接反映动态过程系统的特性,达到很好的识别效果。     

一种基于小波和神经网络的故障诊断系统

基于小波变换的时频域局部化特征及神经网络的非线性映射特征,以滚动轴承为例,将小波变换和神经网络的优点结合起来.运用小波变换提取滚动轴承振动信号各频率成分的能量作为故障特征参数,将其作为神经网络的输入进行训练和故障识别,利用BP网络实现了对滚动轴承的故障诊断,取得了较好的效果.     

B样条模糊神经网络在滚动轴承故障诊断中的应用

本文采集滚动轴承的振动信号。提出基于B样条模糊神经网络作为滚动轴承故障诊断的模型．该模型能够准确地反映滚动轴承故障和振动信号特征之间的非线性关系．并对其进行仿真。实验和仿真结果表明：基于B样条模糊神经网络的系统能成功应用于滚动轴承故障诊断。     

基于虚拟仪器的滚动轴承在线监测系统

针对滚动轴承故障的多发性和重要性,依据振动加速度信号设计了在线监测系统。利用LabVIEW开发平台,结合Matlab,采用小波包络算法和模式识别技术,对振动信号进行采集和实时分析,完成滚动轴承状态的监测和故障的报警。该系统能够灵活地添加、修改监测方法,操作简便。     

多退化变量灰色预测模型的滚动轴承剩余寿命预测

针对单一退化变量预测滚动轴承性能退化趋势时可靠性和误差精度较低的问题,提出了基于多退化变量灰色预测模型的滚动轴承剩余寿命预测方法。该方法通过提取滚动轴承全寿命周期振动信号的退化趋势特征参数集,结合退化趋势特征参数集及故障早期突变点,实现滚动轴承的早期故障识别;并根据轴承寿命与特征参数之间的映射关系建立多退化变量灰色预测模型对轴承的剩余寿命进行预测。仿真实验结果表明,多退化变量灰色预测模型具有更高的误差精度和可靠性,其预测效果优于BP神经网络、单一退化变量灰色预测以及SVR(支持向量回归)预测模型,能够更好对滚动轴承寿命的变化趋势进行表征。     

基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法

滚动轴承出现损伤时,采集的振动信号呈非平稳性,采用一般的时域和频域分析方法不能准确提取出振动信号的故障特征。根据小波包多分辨、精细化的分解特性,提出一种基于小波包能量谱与主成分分析（PCA）方法的滚动轴承故障诊断算法。将振动信号进行小波包分解,得到重点频率段信息的能量谱,提取能量谱作为特征向量;利用PCA方法对特征向量降维并减小噪声信号的干扰,获得增强的故障特征;利用层次聚类方法和改进的模糊c均值聚类算法对不同类型的滚动轴承故障进行识别,两种聚类方法都准确地识别出了不同的故障类型。实例验证结果表明,所提方法能够有效地提取振动信号中的有用故障特征,实现轴承故障类型的精确诊断。     

分形理论在装甲车辆滚动轴承故障诊断中的应用

滚动轴承由于其工作过程受到载荷、安装、润滑状态等因素的影响,会产生与构件特征频率有关的外圈、内圈及滚动体故障.由于滚动轴承的时域波形在一定的时域长度下存在自相似性,可用分形理论来描述其时间序列的不规则度.考虑到滚动轴承故障信号的特殊性,进行了短时分形维数与分形滤波研究,探讨了滤波器的滤波效果与模糊控制参数间的关系,获得了滚动轴承在常见故障状态下的网格维数和网格维数距离.提出了利用分形维数自动调整模糊控制参数的自适应动态调整方法,有效地改善了噪声滤除效果.针对装甲车辆滚动轴承的正常状态、外圈裂纹、内圈裂纹、滚动体损坏和待测信号5种状态进行了分析与诊断,得到了较好的诊断结果.     

基于小波包和概率神经网络的滚动轴承故障诊断

为更好实现滚动轴承的状态监测和故障诊断,提出了基于小波包分析的特征向量提取算法。通过小波包分析对信号的高频和低频进行同样精度的分解,再将有效特征向量作为概率神经网络的输入,实现滚动轴承状态监测和智能化模式识别。结果表明,小波包变换可提高信号的频率分辨率,概率神经网络可充分利用故障先验知识,两者相结合能更有效地突出故障特征。     

滚动轴承内圈局部故障碰撞的Neimark-Sacker分岔研究

本文以滚动轴承内圈局部故障为研究对象,建立三自由度分段非线性故障碰撞模型,通过在故障缺陷的碰撞面处建立Poincaré映射,研究当故障系统随频率增加时,由于滚动体与内圈缺陷的碰撞冲击而出现的Neimark-Sacker分岔等非线性行为,有助于揭示故障碰撞机理,为设备的减振降噪提供理论依据.     

最小熵反卷积在水下航行体滚动轴承故障特征提取中的应用

随着海洋开发和军事战略的发展,水下航行体日益得到世界各国的重视。水下航行体能完成水下勘探、侦测和军事攻防等任务。滚动轴承在水下航行体旋转部件支撑元件中应用广泛,但过大的振动将导致水下航行体无法可靠完成既定任务,对轴承进行状态监测和故障特征提取是水下航行体领域不可忽视的。轴承的冲击往往由于传递路径,其他部件的运行振动,制造装配误差等引起的随机振动等因素影响,冲击特征容易被淹没。研究了基于最小熵反卷积方法,建立滚动轴承动力学模型,在模型获得的纯净故障信号中添加谐波、白噪声,以此探讨最小熵反卷积方法在滚动轴承特征提取方面的应用,为水下航行体的安全服役提供重要理论参考。     

基于卷积神经网络的滚动轴承故障诊断

针对传统故障诊断方法诊断过程复杂、效果不佳的问题,提出一种基于卷积神经网络的滚动轴承故障诊 断方法。首先选取不同故障的振动信号进行归一化处理,然后把 1 维的振动信号转化成 2 维的灰度图像,利用每个 元素与其相邻元素之间的关系,并且采用重叠采样的方法加强数据集。在卷积神经网方面利用 tensorflow 搭建网络 框架,采用 4 种不同的卷积神经网络结构对样本进行训练。为避免实验的随机性,对每种方案进行多次训练,采其 结果的均值。根据测试集的准确率选取最好的适合轴承故障诊断的模型,同时对网络的结构参数进行优化改进,提 高模型的识别率和运行效率。实验结果表明,该方法可以准确地将滚动轴承的故障进行识别和分类。     

误差影响下滚动轴承多重故障模态特征信号的盲源分离方法

针对旋转机械设备受到测量误差及系统误差等因素影响,导致滚动轴承多故障模态信号难以分离的缺陷,提出一种误差影响下滚动轴承多重故障模态特征信号的盲源分离方法。对故障信号进行白化预处理得到白化矩阵,进而计算白化矩阵的4阶累积量,并构建4阶累积量矩阵;将累积量矩阵对角化,并取前K个较大特征值对应的特征向量作为新累积量矩阵;利用总体最小二乘方法估计最小化新累积量矩阵与目标正交矩阵的误差函数,最大程度地联合近似对角化新累积量矩阵,实现多故障信号的分离估计;为进一步评估该方法的有效性,选用时域相关系数及时频域双谱估计两种评价方法对分离结果进行验证。结果表明,该方法分离出来的信号与源信号相关系数高,并且时频域双谱估计相似,是一种有效分离多重故障的方法。     

基于振动分析的鱼雷涡轮机故障诊断技术初探

介绍了鱼雷涡轮机振动分析与故障诊断技术的研究意义,建立了涡轮机的动力学模型,在此基础上讨论了涡轮机可能出现的不平衡、转轴热弯曲、碰摩故障、定向振动、滚动轴承损伤、减速器齿轮安装偏心等6种故障模式,逐一分析了它们的振动特点、可能造成的危害以及避免这些故障出现的设计原则,为解决新型鱼雷涡轮机的减振降噪问题提供技术支持.     

深度学习及其在装备故障诊断中的研究进展

为了解决现代化武器装备因集成化和大型化引起的故障诊断难题,简要介绍了几种典型的深度学习模型,对其在旋转机械、齿轮箱、滚动轴承和电子电路系统中故障的特征提取与诊断方法进行了分析,总结了当前深度学习在故障诊断领域的现状及其存在的问题,提出了在模型、信息与故障特征提取、故障预测等方面的发展方向与改进建议,以更好地适应装备发展要求,促进装备保障能力的有效提升。     

倒频谱分析在滚动轴承故障监测中的运用

对原始滚动轴承的时域信号进行傅里叶变换,然后进行二次频谱变换即倒频谱分析.得出的结果能较好地反映出周期信号中的突变.通过对轴承内圈外圈的实验信号进行分析,结果表明,该信号分析方法能对轴承的大部分故障情况有效地监测.     

滚动轴承的故障特征提取

滚动轴承故障特征提取采用在C Builder中嵌入Matlab对载波信号消噪后,将振动信号用小波包进行3层分解,提取各节点重构信号的方差,作为故障特征参量,归一化后输入神经网络进行故障诊断.其交互步骤是用C implib命令将外部def文件生成含有Matlab函数的lib文件,并将其加到新建工程中,编写目标函数.Matlab完成数值分析处理、绘制数据图形.     

基于特征融合的注意力增强卷积神经网络的航空发动机滚动轴承故障诊断方法

针对现有基于深度卷积神经网络的故障诊断方法只考虑对信息局部特征的提取、忽视全局信息的不足,将可以把握全局信息的注意力机制融入卷积层,使得注意力机制参数和卷积层参数参与网络的训练,提出一种注意力增强卷积神经网络的机械故障诊断方法。通过经验模态分解、变分模态分解和小波包分解的方法提取滚动轴承振动信号的高维特征模量;将特征模量组成多通道样本输入到注意力增强卷积神经网络中进行训练,利用网络对特征模量自适应地融合和选择,从而挖掘特征模量的隐式特征;使用Softmax分类器进行分类识别;通过训练好的网络对高转速下的滚动轴承进行故障诊断;利用不同信噪比的信号对所提方法进行测试,以验证网络的泛化能力和故障诊断效果。实验结果表明：该方法能准确、有效地对航空发动机滚动轴承不同故障的损伤程度进行分类识别。