轴承振动信号特征提取及故障诊断研究

为了快速准确地识别轴承故障,研究了轴承振动信号时域特征和小波包能量特征提取方法,通过实验分析最终选择的轴承故障特征为无量纲时域特征和小波包能量特征,并采用"一对多"支持向量机分类算法对轴承的正常、外圈故障、内圈故障和滚动体故障四类数据进行了故障诊断实验,诊断准确率为96%。     

基于α分布估计与I-ELM的风机轴承故障诊断方法

矿井通风机一般承担整个矿井通风任务,通风机的正常工作与否关系到井下安全生产。轴承故障是矿井通风机最为常见的故障之一。利用α分布估计法对通风机轴承故障振动信号进行提取,将提取的信号特征值作为输入向量,轴承故障分类作为输出向量,建立以I-ELM为基础的轴承故障识别模型。同时采用普通高斯分布进行特征提取,建立经典的BP神经网络识别模型与该方法进行对比。结果表明,α分布估计能更好地提取故障信号特征量,I-ELM模型具有更好的泛化能力,且分类精度更高。     

基于振动信号分析的采煤机摇臂轴承故障诊断研究

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。     

小波包-BP神经网络在采煤机滚动轴承故障诊断中的应用

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。     

小波神经网络在双吸式离心水泵轴承故障诊断中的应用

提出了采用小波包的方法对供暖双吸式离心水泵轴承振动信号进行去噪和提取表征相应轴承故障的频带能量,并采用BP神经网络进行训练和故障识别,通过MATLAB进行了仿真,经试验验证该方法能够有效地识别出轴承故障。     

基于盲源分离的采煤机摇臂轴承故障诊断方法

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。     

多尺度下矿用制冷装置电机轴承故障诊断的研究

提出了一种多尺度下针对矿用制冷装置防爆电机轴承故障诊断的方法。根据轴承信号的特点,系统自适应地选择在能量上与信号最接近的基函数对信号进行分解。基函数的多尺度性对处理非平稳信号有很大的优越性。在非稳态情况下,当电机轴承出现故障时,故障信号频率会随轴承转速的变化而变化,利用多尺度线调频基的信号分解能得到在变速情况下轴承故障特征的变化情况,然后对故障特征进行识别。     

基于卷积网络的滚动轴承故障诊断研究

针对传统故障诊断方法不能有效识别滚动轴承振动信号且难以在振动信号中提取所需特征、预处理步骤过多和难以区分故障类型的问题,提出了一种新型卷积神经网络(CNN)模型。首先对传统CNN的激活函数和池化方式进行改进,然后以卷积长短时记忆(Conv-LSTM)作为卷积层。相比于传统的故障诊断方法,新型CNN模型可直接训练切片后的原始加速度振动信号,并可同时识别和分类出故障类型。SKF6005型轴承实验结果表明,新型CNN模型相对于纯CNN模型具有更好的分类效果和更高的分类准确度。     

基于小波包变换和支持向量机的提升机故障诊断

在介绍小波包变换和支持向量机原理的基础上,阐述了如何利用小波包变换和支持向量机对提升机进行故障诊断的方法,该方法将故障信号经小波包变换后的频带能量作为特征向量,利用训练样本训练过的多故障分类器对特征向量进行故障识别与分类,并以提升机轴承故障为例进行了论证,试验证明.该方法对故障具有很好的诊断效果及实际运用价值.     

基于特征增强与深度学习的轴承故障诊断

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%。     

基于ADAMS的采煤机牵引部轴承故障诊断方法

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.     

采用GA-BP算法和EMD的滚动轴承故障诊断方法

针对滚动轴承故障识别和分类问题,提出一种采用GA-BP算法结合经验模态分解(EMD)方法的滚动轴承故障识别方法。该方法首先利用EMD方法对不同类型的故障信号进行分解,获得若干个阶次的IMF分量,然后求出其能量占比,并构造相应特征向量组,最后将特征向量组输入遗传算法(GA)优化的BP神经网络中进行训练和测试,进而对故障进行分类和识别。结果表明,该方法能有效提取滚动轴承故障特征信息,并快速地对不同故障类型进行识别。     

循环自相关函数在滚动轴承故障特征提取的应用

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。     

基于VMD-PE和M-RVM的滚动轴承故障诊断

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。     

基于HHT和SVM的矿山轴承故障在线监测技术

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。     

基于小波包的轴承信号降噪和特征提取的研究

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。     

强背景噪声下滚动轴承轻微磨损故障特征提取方法

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。     

基于支持向量机的异步电机转子故障诊断

根据异步电机发生故障时振动信号的特点,提出了一种基于小波包分解和支持向量机相结合的异步电机转子故障诊断方法。通过采用快速ICA算法对振动信号进行多通道数据融合,然后进行3层小波包分解,得到各分解节点对应频带的重构信号以及对应的能量,并将各频带的能量元素组成的特征向量作为诊断模型的特征向量,输入到LS-SVM分类器中进行故障识别和分类。诊断结果表明:采用ICA-SVM模型具有较高的分类速度和很好的故障识别率。     

提升机远程诊断系统及SGWT振动分析研究

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。     

基于EEMD和改进OMP算法的滚动轴承故障诊断

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。