基于优化CNN与信息融合的地铁牵引电机轴承故障诊断

针对在单一传感器下轴承故障识别率低的问题,提出一种基于优化CNN与信息融合的地铁牵引电机轴承故障智能检测方法。首先,选取NU216轴承为研究对象,预制故障缺陷;然后,采用正交试验法设计试验方案,采集NU216轴承的振动信号和声发射信号;其次,将原始数据通过连续小波变换,分别提取轴承的振动和声发射信号的时频域特征,并将2类单通道数据进行融合,得到双通道融合数据集;最后,将得到的3类数据集分别划分为训练集和测试集,输入优化后的卷积神经网络模型进行训练、测试。试验结果表明,基于振动信号的故障诊断准确率为95.76%,基于声发射信号的故障诊断准确率为92.33%,基于融合信号的故障诊断准确率为98.59%。     

基于信息融合的薄壁机器人轴承状态评估

针对薄壁机器人轴承的状态评估,提出了基于信息融合的评估方法。采集声发射(Acoustic Emission, AE)和振动加速度信号,并在时域和频域上分别提取两种信号的特征作为识别薄壁机器人轴承状态的特征参量,利用自组织特征映射(Self Organizing Maps, SOM)神经网络对AE和振动信号的特征信息进行融合。经过实测数据的分析与验证,结果表明,该方法能够有效地判断出薄壁机器人轴承的状态类型。     

变工况下基于信息融合的地铁牵引电机轴承故障智能诊断

针对传统滚动轴承故障诊断方法过于依赖先验知识和专家经验,以及单一信号对某些故障识别率偏低的问题,提出一种变工况下基于信息融合的地铁牵引电机轴承故障诊断方法.首先搭建滚动轴承试验与多信息采集系统;其次对地铁牵引电机轴承进行缺陷预制并采集轴承试验过程中的声发射和振动信号;然后用小波包分解对原始信号进行处理并提取特征,再用卷积神经网络对归一化后的特征信息进行融合;最后建立二维卷积神经网络模型,对不同工况下的地铁牵引电机轴承故障进行智能诊断.试验结果表明:变工况下基于信息融合的地铁牵引电机轴承故障智能诊断方法,可在载荷和转速变化的情况下准确识别轴承的故障类型,当神经网络训练集与测试集涵盖工况相同时,准确度可达100％.     

基于小波包和BP神经网络的机器人RV减速机故障诊断方法研究

针对工业机器人RV减速机机械故障难以预测和诊断问题,本文提出一种基于小波包和BP神经网络的智能诊断方法。通过声发射技术采集车间现场工业机器人RV减速机数据,对声发射数据进行三层小波包分解,提取各频段的能量作为特征向量,最终训练出BP神经网络模型。试验及现场拆解验证结果表明,该方法能有效地诊断出RV减速机轴承故障,对减少车间非正常停机和智能制造的推进都有着非常重大的意义。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

基于Elman神经网络的滚动轴承故障诊断方法

介绍了Elman神经网络的模型及原理,阐述了滚动轴承故障诊断的技术路线;通过轴承故障试验台采集滚动轴承振动信号并提取信号特征数据,利用构建的Elman神经网络,实现了轴承的智能诊断。与传统BP神经网络诊断相比,Elman神经网络综合诊断性能更优。     

基于EMD-AR谱和GA-BP的滚动轴承故障诊断研究

为了提高滚动轴承振动信号的故障特征提取能力,快速有效地诊断出轴承的故障类型,提出了一种基于EMD-AR谱和GA-BP神经网络的滚动轴承故障诊断模型,以美国凯斯西储大学轴承数据中心的轴承振动加速度数据为例,对滚动轴承各种状态进行了理论分析和实验测试研究。首先,通过经验模态分解,将采集到的轴承振动信号进行了分解,获得了不同阶次的固有模态函数分量;然后,通过自回归模型对这些分量进行了故障特征提取,并由AR模型的参数和残差的方差组成了故障特征向量矩阵;最后,将故障特征作为遗传算法优化BP神经网络的输入数据和输出数据,分别对该故障诊断模型进行了训练和测试。研究结果表明:基于EMD-AR谱和GA-BP的滚动轴承故障诊断方法可以有效识别不同类型的故障特征;相较于传统的基于BP神经网络、GA-BP神经网络诊断方法,其诊断的效率更高,并且诊断准确率可达到95%。     

基于信息融合的滚动轴承故障诊断

针对传统的单一传感器检测准确率不高,诊断系统不稳定等问题,将振动和声发射2种检测方法进行融合。首先对采集到的2种信号进行小波降噪及Hilbert解调,得到故障信号的频域包络谱,计算其频段能量值并组成特征向量;然后利用BP神经网络建立多传感器的信息融合系统,选取合适的样本输入网络进行训练,直至达到所要求的误差范围;最后实现对样本轴承的故障诊断,达到了相对较高的诊断正确率。     

基于Transformer的智能轴承声-振融合故障诊断

针对单一信源(振动或声音)轴承故障诊断方法所蕴含信息不全面的问题，开展了具有多源传感器集成的智能轴承的声-振融合故障诊断研究，引入Transformer架构作为声-振融合诊断模型的基本模式以加强信号的时序特征提取能力，利用交叉自注意力机制使声音信号与振动信号在特征提取过程中交互与融合，从而实现端到端的智能轴承故障诊断。搭建智能轴承试验台采集声音与振动数据进行验证的结果表明，基于Transformer的智能轴承声-振融合故障诊断方法相对于单独使用声音、振动的方法以及基线Transformer方法，诊断性能均有提升。     

液压泵信息融合故障诊断

针对液压泵故障特征的分散性和模糊性，提出基于振动和压力传感器的信息融合故障诊断方法。在充分分析液压泵球头松动故障机理的基础上，对振动信号和压力信号进行小波消噪处理，有效提取球头松动的故障特征。将不同类型特征参数进行特征层融合，利用主成分分析和改进算法的BP神经网络实现液压泵球头松动故障诊断。试验表明，基于不同类型传感器信息融合故障诊断方法可以有效地实现液压泵微弱故障的诊断。     

基于信息熵与神经网络的供输弹系统早期故障诊断

对于供输弹系统早期故障信息微弱,难以识别诊断的问题,提出一种基于信息熵与Elman神经网络相结合的供输弹系统早期故障诊断的方法。通过合理布置测点采集供输弹系统振动信号,经自适应广义形态滤波后提取近似熵、样本熵为特征参量,分别运用Elman神经网络和BP神经网络对其识别。结果显示:该方法能有效对供输弹系统早期故障进行诊断,诊断正确率高达92.13%,且优于BP神经网络的诊断结果。文中所运用的方法在供输弹系统早期故障诊断中有良好的应用。     

基于第二代小波及PNN的自动机智能故障诊断

提出了一种运用第二代小波信息熵和概率神经网络(PNN)相结合对自动机进行故障诊断的方法。针对自动机运动循环过程和振动信号的非线性短时冲击特性,提出了截取振动信号中有用信息进行第二代小波分析,在此基础上提取第二代小波熵,把其作为特征向量分别应用BP神经网络和概率神经网络对自动机进行故障模式识别。结果表明:概率神经网络相对于BP神经网络可以提高故障分类的正确率,从而验证了基于第二代小波信息熵及PNN在自动机故障诊断中的有效性。     

改进小波包与RBF网络在轴承诊断中的应用

基于故障轴承的特征提取,提出一种基于小波包与径向基RBF神经网络相结合的故障诊断方法,克服了以往常用诊断方法中的小波BP神经网络网络收敛慢、训练时间长、而且常常陷入局部极小点的缺点。采用小波滤波技术对采集到的滚动轴承振动信号进行滤波处理,利用小波包分解获得滚动轴承振动信号的特征向量作为故障样本对RBF网络进行训练,进行了详细的故障诊断试验研究。实验结果表明训练好的RBF网络能够很好地诊断出轴承故障类型,故本方法在旋转机械故障诊断方面具有良好的应用价值。     

基于融合CNN与PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障识别过程中,难以提取细微故障特征的问题,提出一种基于融合卷积神经网络与基于粒子群优化算法的支持向量机相结合的滚动轴承故障诊断方法.该方法将轴承振动信号同时作为一维卷积神经网络和二维卷积神经网络的输入信号,并在汇聚层中将提取到的故障信息融合,最后通过优化后的分类器提高故障识别准确率.为了验证该方法的诊断性能,将与融合卷积神经网络同规格的一维卷积神经网络和二维卷积神经网络进行对比.试验结果表明,该方法不仅可以提高故障识别准确率,还可以在信号受到噪声污染时保持良好的诊断性能.     

基于集成神经网络的航空发动机故障诊断研究

针对航空发动机单一信息源故障诊断存在诊断效率低和准确率不高的问题,研究了基于油液和振动信息融合的集成神经网络的故障诊断方法,并将其应用到航空发动机的故障诊断中。以某型航空发动机为例,采用振动信息和油液信息融合诊断的思路,研究了集成神经网络故障诊断法在该发动机轴承故障中的应用,并结合具体数据对此诊断方法进行了验证。诊断结果表明,与传统的单一信息源故障诊断方法相比,集成神经网络故障诊断法诊断效率更高,可检测故障模式更多,误诊率更低。     

基于信息融合的滚动轴承故障诊断

滚动轴承故障诊断中同一征兆域很难区分多种故障，单一传感器对故障分类识别有不确定性。提出了利用加速度传感器和声音传感器，基于BP神经网络及D-S证据理论，对所采集的振动信号和声音信号的多种特征信号进行信息融合，实现故障诊断。并对该方法进行仿真试验验证。     

基于小波包和BN模型的深沟球轴承故障诊断

针对造纸机干燥部所用深沟球轴承故障的不确定性问题,提出了小波包与Bayes网络相结合的滚动轴承故障诊断方法。首先,对实测振动信号进行小波包分解;其次,利用设计的特征提取函数进一步处理信号,离散化后形成故障特征向量;然后,采用特征向量训练得到BN模型先验参数,建立轴承故障诊断网络模型;最后,充分利用Bayes网络的建模学习能力和概率推理算法解决不确定性问题的表示和推理,完成故障诊断。试验结果表明:BN模型在诊断正确率、训练耗时上均优于传统BP神经网络方法,尤其可在输入故障特征向量不完备时,依然具有较好的推理诊断效果。     

基于时频特征提取与神经网络的齿轮箱故障诊断

齿轮箱是机械设备中非常重要的传动机构,其振动信号中包含齿轮箱运行状态的信息,当齿轮箱发生故障时,其振动信号特性也必然会改变。现以齿轮箱为研究对象,搭建了齿轮箱故障诊断实验台,对常见的五种齿轮箱故障进行了模拟,然后利用时、频域分析方法对所测得的振动信号进行特征提取,建立了拓扑结构为11-10-4的BP神经网络的齿轮箱故障诊断系统,并构建训练样本和测试对BP网络进行训练和测试,诊断结果表明,所构建的网络对齿轮箱的复合故障诊断正确率在97.8%以上。     

基于神经网络信息融合的柴油机故障诊断

本文论述了神经网络信息融合的原理与方法,首先就BP网络训练速度慢,易陷入局部极小点的问题,提出将附加动量项与自适应学习速率相结合的改进BP算法,有效地抑制了网络陷于局部极小并提高了收敛速度。最后,将振动信号与血管压力信号作为特征参数,分别采用传统BP算法,改进BP算法对供油系统的三种故障进行信息融合诊断分析。实践表明,神经网络信息融合方法非常适用于多征兆机械系统的故障诊断。     

基于EMD与神经网络的船舶机械设备轴承故障诊断方法

为了解决船舶机械设备轴承故障诊断结果准确性较低的问题,提出基于EMD(Empirical Mode Decomposition)与神经网络的船舶机械设备轴承故障诊断方法研究。首先,采集轴承振动信号,并对其作出预处理。其次,利用EMD方法原理,将复杂的轴承振动信号分解成多个IMF(Intrinsic Mode Function)分量,构建轴承故障特征向量。在此基础上,建立特征训练神经网络模型,基于模型的迭代训练,诊断轴承故障的具体位置和类型。实验结果表明,提出的诊断方法应用后,轴承故障错误诊断数量较少,诊断准确度均达到98%以上,有较高的性能和准确性。