共查询到20条相似文献,搜索用时 593 毫秒
1.
2.
3.
基于振动信号分析的采煤机摇臂轴承故障诊断研究 总被引:1,自引:0,他引:1
针对采煤机摇臂轴承故障频发,严重影响采煤工作面安全生产的现状,进行了基于振动信号分析的采煤机摇臂轴承故障诊断研究。为准确识别采煤机摇臂轴承故障,采用集合经验模态分解方法(EEMD)对原始振动信号进行分解,提取前8个本征模态函数的能量占信号总能量的比例作为故障特征信息,并输入到支持向量机(SVM)进行故障模式识别。试验结果表明,结合集合经验模态分解和支持向量机的故障诊断方法,适用于处理采煤机摇臂轴承产生的非平稳、非线性振动信号,总体故障识别率达到88.33%,可实现轴承故障的准确诊断。 相似文献
4.
针对采煤机在正常工作中经常发生轴承故障的问题,提出了小波包和BP神经网络相结合的故障诊断系统。即运用小波包的分解方法提取检测信号的故障信息作为BP神经网络的输入样本,经过训练的神经网络可对采煤机上轴承的工作状态进行诊断和分类。试验结果表明,此方法对轴承的常见故障可进行有效的识别和诊断,方法简单可靠。 相似文献
5.
6.
针对采煤机摇臂轴承故障,介绍了一种基于盲源分离算法的轴承故障识别方法。该方法采用优化滑动平均长度,以最大信噪比为目标函数对振动信号进行盲源分离,分离后的信号进一步加速度包络处理,信号特征可用于识别轴承故障。通过采煤机摇臂加载试验台进行试验验证,采集采煤机摇臂两个不同部位的振动加速度信号,运用该方法对振动信号进行处理后判别故障类型和位置。结果表明:与单纯的加速度包络法相比较,该方法处理后的信号特征更加明显,对轴承部位的识别率较高。研究结果对于采煤机摇臂的故障预测具有较好地效果,能够进一步提高采煤机在故障领域方面的智能化。 相似文献
7.
8.
9.
10.
针对轴承故障诊断中数据集较小,现有诊断方法鲁棒性较低且易被噪声干扰的难题,提出了基于特征增强和卷积神经网络故障识别方法。首先对振动采样信号进行短时傅里叶变换(STFT)与小波变换处理,获取时频图,然后对时频图进行卷积操作,获取故障信号特征图。最后,将获得的特征图通过通道注意力机制模块,再通过卷积神经网络,实现对轴承故障的分类。结果表明,该方法在西储大学数据集添加-40 dB噪声的情况下,故障准确率达97%,在西储大学数据集以及江南大学离心风机轴承数据集上识别准确率分别为99.8%和100%。 相似文献
11.
针对采煤机牵引部结构复杂、紧凑,致使采煤机牵引部轴承故障诊断工作困难的问题,提出了基于 ADAMS的采煤机牵引部轴承故障诊断方法.首先,以 MG210/485GWD型薄煤层采煤机牵引部惰轮轴承为研究对象,利用虚拟样机技术采集正常、内圈故障、滚动体故障、外圈故障等4种状态下轴承的仿真振动信号;然后,将仿真信号导入 MATLAB进行基于经验模态分解(EMD)的时频联合处理;最后,针对时频联合处理结果进行特征提取,并利用多种主流分类算法对提取的特征进行训练与测试.信号处理与算法分类结果均表明,基于 ADAMS的采煤机牵引部轴承故障诊断方法可以有效地实现轴承故障类别的分类,为采煤机牵引部轴承故障诊断提供了新方法. 相似文献
12.
13.
应用循环自相关函数和快速谱峭度相结合的方法,对滚动轴承早期故障诊断进行分析研究。首先利用谱峭度方法确定滚动轴承振动信号的最佳带通滤波器,然后利用循环自相关函数对滤波后的信号进行解调,提取出滚动轴承故障特征频率,有效地减少了噪声信号的干扰且增强了故障信号。通过仿真与实验数据的轴承故障振动信号验证所提方法的有效性。 相似文献
14.
针对传统EMD易产生模态混叠,原始SVM、RVM方法存在核函数选取困难、识别效率低等问题,提出一种基于变分模态分解(VMD)、排列熵(PE)以及混合蝙蝠算法(BA)优化的多分类相关向量机(M-RVM)的轴承故障智能诊断方法。首先,VMD分解故障信号,获得本征模态函数(IMF);然后将PE用于IMF的故障特征提取过程,形成特征序列;最后,将所得的特征序列输入基于混合BA优化的M-RVM故障诊断模型,对不同故障进行分类识别。对试验数据的分析结果表明,基于VMD-PE与M-RVM的滚动轴承故障诊断可以提高轴承故障诊断的准确度。 相似文献
15.
矿山轴承故障是矿业安全生产的隐患之一,轴承故障信号在线监测能够及时诊断轴承故障,排除安全隐患。采集轴承运行时的振动信号,通过希尔伯特黄变换方法分析振动信号。将振动信号首先进行EMD分解得到轴承故障信号的多层IMF分量,然后进行Hilbert变换得到信号的瞬时频率和边际谱频带能量。将各层IMF分量的平均频率MIF与各层IMF分量的能量比作为特征量,送入SVM中进行训练,可以实现矿山轴承的故障在线监测。 相似文献
16.
基于小波包的轴承信号降噪和特征提取的研究 总被引:1,自引:1,他引:0
为有效识别轴承故障特征,以轴承内圈故障的信号为例,采用在非平稳信号消噪和以频带能量分布作为故障特征方面有着广泛应用的小波包进行Mat-lab仿真,获得小波包降噪后的信号和作为内圈故障特征的频带能量分布。通过分析频带能量,其结果与实际故障相一致,得出小波包在轴承故障特征提取方面有着一定的优越性。 相似文献
17.
针对轴承轻微磨损故障信号容易被强背景噪声淹没,故障特征微弱难诊断的问题,提出了强背景噪声下滚动轴承轻微磨损故障特征提取方法。利用VMD对轴承振动信号进行分解,基于峭度最大准确选择最优本征模态函数,以最优本征模态函数的功率谱熵最小为目标,设定提前终止准则,实现VMD参数自适应优化选择。轴承早期故障信号经参数优化后的VMD方法分解为多个本征模态函数,选择峭度最大的本征模态分量进行包络解调分析,结合快速傅里叶变换得到包络谱,实现故障特征频率的提取。通过对加强背景噪声的不同型号轴承的实测故障信号分析,结果均表明该方法能够在强背景噪声干扰下有效提取轻微磨损故障信号的故障特征,实现轴承轻微磨损故障的准确诊断,验证了该方法的有效性。 相似文献
18.
19.
按提升机远程故障诊断系统功能的要求,构建该系统,设计系统硬件、使用和开发数据处理软件。论述了系统的在线工作站和远程诊断中心的工作原理,着重探讨了系统用SGWT及相关软件处理轴承振动信号的方法,指出了远程中心对复杂信号识别和处理技术是实现远程诊断的基础和关键。系统的远程诊断结果表明:该方法克服了传统小波降噪信息丢失的缺陷,既可以有效地去噪,又可清晰地分离逼近、细节信号,对细节信号进行Hilbert包络和谱分析,可有效地识别轴承振动的故障频率。 相似文献
20.
针对滚动轴承早期故障特征难以识别的问题,提出了一种基于EEMD和改进OMP算法的滚动轴承故障诊断新方法。该方法首先对故障信号进行EEMD分解得到一系列IMF分量,根据相关峭度准则选取IMF分量进行重构;然后在稀疏分解阶段对信号截断分块构造矩阵,利用KSVD自学习训练方法得到包含冲击成分的冗余字典,再用基于信号分块思想的OMP算法进行字典原子的选取和稀疏系数的求解,以重构信号包络谱峭度最大为迭代终止条件,自适应确定迭代次数;最后对重构信号进行频谱分析,获取轴承故障特征。通过实验台故障轴承外圈和内圈试验数据的检验,验证了本方法的有效性和可行性。 相似文献