基于小波变换和BP神经网络的滚动轴承故障信号诊断

旋转机械中,轴承作为必不可少重要零部件之一,在发生故障时,振动信号比较复杂,相对其它振动信号太弱,传统谱分析技术对滚动轴承的故障的分析不太理想。提出采用小波变换的方法来处理滚动轴承的故障振动信号,通过三层小波分析并提取了轴承故障信号的特征,然后利用提取的特征作为识别模型的输入,利用建立的BP神经网络对轴承故障信号进行诊断检测。实验结果表明该方法实现了对该轴承故障信号的有效分析。     

基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。     

基于Morlet小波变换的信号去噪及在轴承状态监测中的应用

为在强噪声背景下利用振动信号中隐含的冲击特征成分来反映轴承性能退化趋势,提出一种基于Morlet小波变换和时域特征参数提取相结合的轴承状态监测方法。通过引入谱峭度评估Morlet小波滤波的去噪效果,再从信号滤波结果构建的组合信息中提取时域特征参数。对轴承全寿命数据的应用结果表明,特征参数的变化趋势能够监测轴承状态的劣化过程,伴随的早期故障检测可以提高轴承使用的安全性。     

一种轴承故障检测的新方法

针对轴承故障检测中用一般的谱分析法难以实现故障的精确判定的问题,提出一种新的轴承故障检测方法。考虑到复倒谱法对周期性异常振动特征提取的有效性,利用频谱分析结合复倒谱分析对采集的轴承振动信号进行处理,先通过频域分析获取高、中、低频带的均值,再通过复倒谱方法获取异常振动产生的周期性激励信号提取振动信号特征参数,分离出噪声中的“异音”信号,并结合模糊算法,初步实现了轴承故障的智能定位。实验结果表明,该方法是有效的。在积累足够量的样本数后,可望建立相应的专家库,实现轴承故障的快速智能诊断。     

感应电机轴承故障检测方法研究

分析了感应电机轴承发生故障时的振动信号的特性,利用带通滤波器和希尔伯特变换,对感应电机轴承振动信号进行处理,然后采用高分辨率谱估计算法--MUSIC（Multiple Signal Classification）算法对包络信号作谱分析,再从包络信号的MUSIC谱中提取故障特征频率分量.研究结果表明,该方法频率分辨率更高,故障检测更为准确.将该方法应用于电机轴承故障诊断,可准确提取轴承故障特征分量.     

基于EEMD和ICA的轴承故障特征提取

为实现轴承故障混合信号中提取故障特征频率,提出基于EEMD和ICA的轴承故障特征提取方法。首先利用EEMD对采集滚动轴承故障加速度振动信号进行分解,利用相关系数和波形相似度判断具有分解前信号相似特征的IMF,其次累加相似特征弱的IMF作为噪声,最后利用Fast ICA方法从混合信号中提取滚动轴承的故障特征频率,试验证明该方法可以提取滚动轴承故障特征频率。     

基于时变自回归参数模型的滚动轴承智能故障诊断

轴承运行时的振动信号是典型的非线性非平稳时间序列,对其建立时变自回归参数模型,可以较好地表征轴承振动的非平稳特征。在对轴承振动信号时变自回归模型的时变参数进行大量实验分析研究的基础上,提取均值作为表征轴承运行状态的特征参数,并输入支持向量机分类器进行故障识别与分类,实现滚动轴承的智能故障诊断。实验结果表明,该故障诊断方法可以有效准确地识别滚动轴承的运行状态。     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

基于递归复杂网络的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳的特征,提出了一种基于递归复杂网络(recurrence complex network,简称RCN)的轴承故障诊断方法。首先,利用相空间重构的理论将一维时间序列扩展到高维相空间中,构建递归矩阵;然后,研究了基于递归思想的定量递归分析方法;最后,采用递归复杂网络的方法提取故障轴承振动信号的非线性特征参数,对轴承正常状态、内圈故障、滚动体故障和外圈故障振动信号进行分析。研究结果表明,RCN方法可以对滚动轴承故障进行较为准确的诊断,与传统方法相比具有较好的诊断效果。     

基于路图拉普拉斯算子范数和马氏距离的滚动轴承故障诊断

为有效提取滚动轴承振动信号的故障特征,将图信号处理技术引入故障诊断领域。首先根据滚动轴承振动信号构造路图,获得路图信号;再将计算得到的路图拉普拉斯算子范数作为特征参数,构造不同故障的标准特征空间;最后通过测试样本与标准特征空间的马氏距离实现不同故障模式的识别。实测滚动轴承振动信号的分析结果表明,该方法能有效诊断轴承故障。     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

基于LCD多尺度散布熵的数控机床故障诊断

为提升数控机床用轴承故障诊断效果,提出了基于LCD多尺度散布熵的数控机床轴承故障诊断方法。该方法利用局部特征尺度分解(LCD)对轴承振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据散布熵能有效区分不同故障信号的复杂度,计算ISC分量的散布熵,获得原始信号多个尺度下的复杂度特征作为轴承故障的特征参数;将该特征参数输入SVM分类器中判断轴承故障,实现故障诊断。轴承不同类型和不同程度故障诊断实验结果表明,所提方法能够提升轴承的故障诊断效果,相比其他一些方法,具有一定的优势。     

圆周振动筛轴承故障特征提取与诊断

针对圆周振动筛轴承故障信号经常淹没在振动筛自身的振动和冲击中,导致轴承故障特征难以提取的问题,提出采用包络分析法处理测试信号和诊断轴承故障的方法。利用加速度传感器采集圆周振动筛轴承正常工作和发生故障时的振动信号,再采用包络分析方法对振动信号进行处理并提取轴承的故障特征,从而识别出故障类型。通过实验分析了振动筛轴承故障的时域和频谱特征,得出轴承外圈频谱存在调制现象,而内圈频谱不存在调制现象,为轴承故障诊断提供了理论的技术支持和判断依据。     

基于Hilbert谱奇异值的轴承故障诊断

针对机械故障振动信号时频特征提取问题,提出一种基于Hilbert谱奇异值的特征提取方法,并将其应用于轴承故障诊断。该方法首先利用经验模式分解方法将振动信号分解为若干个内蕴模式函数之和,接着对每个内蕴模式函数进行Hilbert变换得到振动信号的Hilbert谱,然后对Hilbert谱进行奇异值分解,得到反映机械状态特征的奇异值序列,最后利用奇异值作为特征向量,使用支持向量机进行轴承故障诊断。轴承正常、内圈故障、滚动体故障、外圈故障实测信号实验结果表明,该方法能有效地提取轴承故障振动信号特征。

     

基于DWT和PNN的印刷过程实时监测和故障诊断

提出了一种新的基于离散小波变换和概率神经网络的印刷过程振动信号的实时监测和故障诊断系统。利用小波包分解技术对印刷过程振动信号进行降噪处理,并选择特殊频段进行小波包重构,有效捕捉和分离了处于信号不同频段的印刷过程振动信号故障特征分量。对提取的故障特征参数应用概率神经网络映射,实现对印刷过程振动信号运行状态的实时监测和故障诊断。仿真结果表明,该诊断方法快速、准确且易于工程实现。     

基于87C196的便携式滚动轴承检测与诊断系统

滚动轴承是旋转机械设备运行过程中的重要元件,也是旋转机械的薄弱点,轴承的质量及损坏磨损程度将直接影响旋转机械的运行状况,据统计旋转机械的故障约30%来自于轴承,因此对轴承状态的检测显得极为重要,这也正是本文的主要出发点.本文对轴承的状态检测与诊断主要采用基于振动信号频谱分析的方法.系统利用加速度振动传感器对振动信号进行提取、放大、滤波,再将信号输入Intel 87C196单片机、为微处理器的便携式系统中进行存储、处理,或者通过RS-232串口将数据上传到微机,利用相应的振动测试分析软件对信号进行分析处理.通过对振动轴承的频谱分析,可以方便快捷的了解轴承的运行状态,以防止故障与事故的发生.     

经验模态分解在密封轴承故障诊断中的应用

应用Labview直观的图形化界面将采集到的有缺陷的轴承信号转换为数字信号,在labview中调用matlab函数程序.将经验模态分解(EMD)引入到轴承的振动特征信号提取中,再从若干个包括故障的IMF分量中提取能量特征参数以判别故障产生的部位。试验结果表明,经验模态分解的分析方法在判断轴承故障的部位时具有很高的准确性,是一种有效的轴承故障诊断方法。     

基于离散随机分离的齿轮箱复合故障分析法

齿轮箱复合故障中,较弱的故障特征往往被较强的故障信号所淹没,传统方法较难实现对较弱故障特征的提取。为解决上述问题,提出一种基于离散随机分离的齿轮箱复合故障振动分析法。该方法首先使用快速谱峭度算法获取对齿轮箱振动信号的共振带参数,依据该共振带参数设计带通滤波器及结合Hilbert变换实现对振动信号包络提取;之后应用角域重采样将时域包络信号转换到角域以消除转速波动影响;再应用离散随机分离对角域包络信号进行分离,分别得到齿轮故障和轴承故障对应的角域包络信号;最后,分别对角域包络信号进行包络谱分析获得齿轮、轴承故障的特征频率信息。试验结果表明,该方法可实现齿轮箱齿轮及轴承复合故障特征的有效提取。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

基于遗传算法与SOM网络的轴承故障诊断方法

轴承作为旋转机械的核心部件，开展其有关故障诊断方面的研究，有利于对旋转机械运行状态进行监测。针对旋转机械轴承故障的微弱信号容易淹没在其它部件的振动信号中，采用特征提取法，从滚动轴承正常、内环故障、外环故障和滚动体故障四种工况的振动信号中提取时频域统计特征参数；并引入遗传算法消除时频域统计特征间的耦合性与共线性，提取9个时频域最优特征参数作为SOM网络的输入。研究结果表明：不同故障类型下，激活的SOM神经元不呈现明显性的差异性；根据文中神经元激活统计规则，表明SOM具有一定的故障辨识性，且对规则进行调整能够提升SOM网络的诊断效果。