利用小波包和SVDD的分拣机轴承故障诊断

针对邮政分拣机供包台轴承故障识别精度较低问题,展开一种基于小波包结合支持向量数据描述的振动故障辨识研究。运用小波变换对检测的振动信号进行降噪,再利用统计分析、共振解调和小波包技术从预处理后的信号中提取故障特征频率和小波包能量等时、频域特征作为输入向量。通过核参数优化选取和正常类样本集训练学习,建立描述轴承正常工作状态的最小特征超球体作为预测模型并带入轴承试验台中。试验结果表明,该方法的正确识别率可以达到98%以上。     

基于全矢小波包能量熵的滚动轴承智能诊断

研究滚动轴承不同状态下的振动信号,使用小波包变换提取信号各频带的能量熵,作为轴承故障的特征,然后使用支持向量机智能诊断轴承不同故障。传统单通道信号诊断方法容易造成误诊,全矢小波包能量熵融合了振动信号双通道的信息,能更准确地反映故障的特征。实验结果表明,采用全矢小波包能量熵比传统单通道方法有更高的诊断精度。     

特征矢量优化的滚动轴承故障诊断

为提取小波包频带中的有效故障信息,基于Fisher线性测度提出一种新的特征矢量优化方法。轴承振动信号经小波包分解后,各子频带数据片段的能量值作为参数构建特征矢量。使用差异性和相似性优化相结合方法,分别选出不同轴承状态下Fisher距离较大的小波包频带,以及同种轴承状态下Fisher距离最小的频带,提取出易于区分不同轴承状态的故障信息。故障辨识使用连续型隐马尔可夫模型,在3种故障程度下实现了轴承正常状态、滚动体故障、内圈和外圈故障的有效判别,辨识精度大于94%。比较实验表明文中方法的辨识精度优于文献方法。     

一种基于INW-ESN的故障融合预测方法

针对传统方法对液压泵故障预测效果不佳的问题,提出了一种基于改进的Newman-Watts小世界-回声状态网络(improved Newman-Watts-echo state network,简称INW-ESN)的故障融合预测方法。首先,对回声状态网络(echo state network,简称ESN)储备池结构进行优化,建立INW-ESN基础预测模型,并重新定义邻接矩阵元素取值,以改善网络预测性能;其次,在此基础上建立故障融合预测模型,利用Dezert-Smarandache理论(Dezert-Smarandache theory,简称DSmT)将INW-ESN预测信息与液压泵性能退化模型信息进行融合,以提高预测精度;最后,通过对液压泵性能退化试验的应用分析,验证了该方法的有效性。     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。     

基于小波包与LS—SVM的气阀故障诊断

基于小波包原理,对柴油机的缸盖振动信号进行小波包分解,利用“频带能量”的特征提取方法得到特征向量,并作为LS-SVM的输入进行训练和分类检验,提出了一种基于小波包和LS—SVM的气阀故障诊断方法。结果表明不同状态下的气阀漏气故障能得到识别和分类,且具有较高的精度。     

基于深度学习的岸桥机构减速箱振动故障识别

针对岸桥机构减速箱振动信号局部扰动特征学习问题的复杂性,提出一种新型故障诊断模型.首先利用整体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)变换对振动信号进行瞬态时频分析,获取典型参数的边际谱等特征,形成深度学习的特征向量.在此基础上,提出一种基于深度收缩自编码网络-模糊支持向量机的起重机械故障状态识别模型,并与深度稀疏自编码网络-模糊支持向量机模型等其它模型进行比较.实验结果显示,针对起重机械故障状态识别问题,所建立的新深度学习模型有很好的识别能力,识别准确率可达95.6％.     

基于小波相关排列熵的轴承早期故障诊断技术

针对机械系统早期故障诊断困难的问题,引入滤波效果良好的小波相关滤波法(Wavelet transform correlation filter,WTCF)和对信号微弱变化特征敏感的排列熵算法,定义一种新的小波相关排列熵(Wavelet correlation permutation entropy,WCPE)的概念,并提出基于WCPE的特征提取方法。对采集到的设备振动信号进行WTCF处理,得到信噪比较高的各层小波系数,在此基础上计算小波系数的排列熵复杂度,构造信号沿各小波分解层分布的WCPE特征矢量,并据此分析振动信号的微弱变化。通过对滚动轴承全寿命振动数据的分析,证明基于WCPE提取的信号特征不但能够准确表征轴承由正常状态到故障状态的详细变化过程,还能及时检测出轴承的早期故障。对比小波熵及小波相关特征尺度熵等其他早期故障诊断方法,该方法可显著提前滚动轴承早期故障的检出时间。     

基于小波变换的隐Markov模型离心泵故障诊断方法研究

根据离心泵故障振动信号的特点,本文提出了一种结合小波变换与隐Markov模型(HMM)的离心泵故障诊断方法。小波变换具有多分辨率分析并且在时频两域都具有表征信号局部特征能力的特点,利用Daubechies小波对振动信号进行一维8尺度的小波分解,然后从中提取一维信号的低频系数作为特征向量,将其输入到各个状态HMM进行训练,其中输出概率最大的状态即是离心泵的运行状态,从而实现离心泵的故障诊断。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。     

基于复Morlet小波的列车走行部轴承故障监测系统北大核心CSCD

文中针对列车走行部中轴承的故障设计了一种故障监测系统,实时监测轴承的状态,提高轴承故障诊断的精度。该系统将数据采集与处理分离,对轴承的温度和振动数据进行采集,传给处理板进行诊断,使用谱峭度提取振动信号中的共振频率,以此确定复Morlet小波的中心频率和尺度,使用小波变换对信号进行处理。该算法能自适应提取信号的共振频率,有效过滤外界噪声的干扰,提高轴承故障诊断的精度。通过模拟轴承故障对该系统进行验证,该系统能有效检测走行部轴承的故障。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

Intelligent condition monitoring of a gearbox using artificial neural network

This paper concentrates on a new procedure which experimentally recognises gears and bearings faults of a typical gearbox system using a multi-layer perceptron neural network. Feature vector which is one of the most significant parameters to design an appropriate neural network was innovated by standard deviation of wavelet packet coefficients. The gear conditions were considered to be normal gearbox and slight- and medium-worn and broken-teeth gears faults and a general bearing fault which were five neurons of output layer with the aim of fault detection and identification. A downscaled 2-layer multi-layer perceptron neural-network-based system with great accuracy was designed to carry out the task. In this research, vibration signals were recognised as the most reliable source to extract the feature vector which were synchronised by piecewise cubic hermite interpolation (PCHI) and pre-processed using the standard deviation of wavelet packet coefficients.     

农田水利设备中抽水泵机械振动故障检测方法

针对抽水泵机械振动故障检测中存在的检测效果差的问题,提出一种新的农田水利设备中抽水泵机械振动故障检测方法。分析农田水利设备中抽水泵机械振动信号,提取任意时段特征频率,采用小波包多层分解滤除噪声。对不同数组统计和分析,通过多尺度模糊熵提取抽水泵机械振动故障特征;优化选择测点和特征向量,结合最小二乘支持向量机( LSSVM ),采用多层结构进行多次特征学习,区分故障特征,实现抽水泵机械振动故障检测。实验结果表明,采用所提方法可准确提取抽水泵机械振动故障信号,并且能够准确区分正常信号和故障信号,验证了该方法的可行性。     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

基于小波包变换和GA-PLS算法的故障特征选择方法

为了提高故障诊断的分类精度,减小分类运算时间等问题,需要从原始特征集合中选择出更为优化的特征子集合,因此,提出了一种基于小波包变换和GA-PLS算法的特征选择方法。首先,采用小波包变换对提取出的振动信号进行分解,从而得到小波包的分解系数;其次,运用遗传算法 偏最小二乘法从原始信号和小波包系数的统计学特征中选择出最优特征集;最后,将最优特征集作为输入,输入到支持向量机中以实现对不同故障的诊断与识别。应用于轴向柱塞泵故障诊断中,与现有特征选择方法对比,实验结果验证了本研究特征选择方法的有效性。     

基于SPWVD时频图纹理特征的滚动轴承故障诊断

针对如何提高滚动轴承故障诊断准确率的问题,提出一种基于平滑伪维格纳-威利分布(smooth and pseudo Wigner-Ville distribution,简称SPWVD)时频图纹理特征的故障诊断方法,对滚动轴承不同故障类型及故障程度进行识别。首先,采用SPWVD时频分析方法处理轴承故障振动信号,并获取时频图,从中提取选择表征能力优秀的特征参量作为故障特征;其次,将故障特征作为输入,结合支持向量机(support vectors machine,简称SVM)建立滚动轴承故障诊断模型;最后,采用轴承故障数据,比较SPWVD时频图纹理特征、维格纳-威利分布(Wigner-Ville distribution,简称WVD)时频图纹理特征和小波尺度谱图纹理特征3种故障特征的模式识别能力及准确率。分析结果表明,SPWVD时频图纹理故障特征分类效果最佳,敏感性最强,具有较高的故障诊断精度。     

EEMD与HMM在齿轮故障诊断方法中的研究

为了解决EMD方法存在的模态混叠的问题,更加精确有效的利用振动信号进行齿轮的故障识别和诊断,提出一种将总体平均经验模态分解(EEMD)和隐马尔科夫模型(HMM)结合的齿轮故障诊断方法。首先对采集到的原始齿轮振动信号进行EEMD处理,获得包含主要故障信息的各阶固有模态函数(IMF)分量,以能量为元素,提取并构造特征向量,对特征向量进行HMM模型训练和诊断测试,来识别齿轮的工作状态和故障类型,实验结果表明,该方法可以有效提高齿轮的故障诊断准确率和精度。     

基于连续小波和多类球支持向量机的颤振预报

研究了一种应用连续小波特征和多类球支持向量机进行铣削系统颤振预报的方法,该方法基于连续小波变换提取铣削振动信号的特征,利用多类球支持向量机对正常铣削状态、颤振孕育状态和颤振爆发状态的振动信号进行三分类识别,通过识别颤振孕育状态预测颤振爆发。试验结果表明,在铣削颤振识别与预测中,铣削振动信号的连续小波特征与多类球支持向量机相结合具有良好的识别颤振孕育状态和颤振爆发状态的能力,颤振孕育状态的识别正确率达95.0%,颤振爆发状态的识别正确率达97.5%。