基于改进贝叶斯网络的电机轴承故障诊断

针对电机轴承振动信号受噪声干扰影响特征提取和传统贝叶斯网络故障诊断准确率低的问题,提出一种基于改进贝叶斯网络的电机轴承故障诊断方法。采用自适应噪声集合模态分解的方法对数据进行降噪处理,增加了模型的鲁棒性;采用差分进化和模拟退火算法对蝗虫算法进行优化,增强蝗虫算法的全局和局部搜索能力;将优化后的蝗虫算法应用于贝叶斯网络结构学习构建轴承故障诊断模型;通过实验对比证明,该方法对轴承的多故障分类具有更强的学习能力和更高的准确率,实验对部分样本的故障诊断率达到97.15%,平均准确率达到98.73%。     

基于多尺度模糊熵和STOA-SVM的风机轴承故障诊断

针对风机轴承振动信号故障特征提取困难的问题,提出了一种基于多尺度模糊熵(MFE)特征提取,并结合乌燕鸥优化算法(STOA)优化支持向量机(SVM)的风机轴承故障诊断方法。首先采集原始振动信号并计算其多层次模糊熵,其次构造故障特征向量集合作为SVM的输入,最后采用STOA优化SVM对轴承故障进行分类诊断。通过凯斯西储大学轴承振动数据进行仿真,结果显示轴承故障诊断准确率达到了99.3〖WTB4〗%〖WTBZ〗,证明了所提方法具有较高的准确度和有效性。     

采用奇异能量谱与改进ELM的轴承故障诊断方法

针对滚动轴承故障特征不易提取,进而影响诊断精度的问题,研究一种将信号处理与智能算法相结合的轴承故障诊断方法.首先,利用粒子群算法对变分模态分解(VMD)法进行优化,以确定VMD法的最优输入参数,并利用优化VMD算法对振动信号进行分解得到若干本征模态函数进而建立特征矩阵.然后,对特征矩阵进行奇异值分解,根据不同故障下奇异能量谱的差异构造故障特征向量,并采用改进的极限学习机(ELM)进行故障识别.针对传统ELM输入层权值与隐含层阈值随机选取对分类效果的影响,采用自适应差分进化极限学习机对其进行优化,以保证故障诊断性能.最后,利用实验结果验证所研究故障诊断方法的可行性.     

基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断

滚动轴承是旋转机械状态监控及故障诊断的重要研究内容。为了更加高效的对轴承故障位置及故障程度进行诊断,提出了一种基于Hilbert边际谱和改进粒子群算法(IPSO)优化支持向量数据描述(SVDD)相结合的滚动轴承故障诊断方法。该方法首先求取轴承振动信号的本征模态函数,在此基础上得到信号的边际谱以及信号的AR模型参数,积分求取边际谱的能量特征函数和AR模型参数相结合构成系统特征向量。然后针对传统网格搜索法或凭经验确定SVDD核心参数的缺点,提出利用基于动态因子的粒子群算法对SVDD的核心参数惩罚常数C及核函数宽度σ进行优化,利用优化后的SVDD模型对滚动轴承各状态信号进行智能诊断。人工数据集及真实数据集实验结果表明,该方法可以有效识别各故障状态信号,并且优化后模型的诊断效率及诊断精度高于传统网格搜索法确定的模型。     

基于自适应变异微粒群优化SVM的电机轴承故障诊断方法

电机轴承作为电机的重要机械部件,其故障对电机的安全运行有着严重的影响,针对轴承故障此类问题,提出了自适应变异微粒群优化SVM的电机轴承故障诊断的方法。该方法先用小波包的频带能量分解技术将电机振动信号分解到各个频带,由各个频带能量组成了电机运行状态的特征向量,并以此作为支持向量机的输入向量,最后运用自适应变异微粒群算法优化后的SVM,组成电机轴承状态"决策树",并对电机状态进行分类,分类结果和用试凑法的SVM作对比。最终结果证明了该的方法对感应电机的轴承故障的检测和分类具有良好成效。     

ISSA优化SVM的电机滚动轴承故障诊断

针对电机轴承易发生故障，传统故障诊断方法具有耗时长、诊断精度低、调节参数多等问题，提出一种改进麻雀搜索算法ISSA优化支持向量机SVM的轴承故障诊断方法。该分类算法在传统麻雀寻优算法中引入改进Tent混沌映射、鸡群算法随机跟随策略、自适应t分布与动态选择策略，首先采用CEEMDAN能量熵对振动信号进行分解，选取与原信号相关性最大的5个IMF分量的能量熵值作为特征向量，然后输入到ISSA SVM分类器中进行轴承故障诊断。分别与PSO SVM、GWO SVM、SSA SVM分类模型进行实验对比，结果表明ISSA SVM诊断模型的诊断精度最高可达到100%。     

基于ST-SVD与WOA-SVM模型的变压器绕组松动故障诊断方法

为了深入研究变压器振动信号包含的大量故障信息,提出了一种基于S变换奇异值分解(ST-SVD)与鲸鱼优化支持向量机(WOA-SVM)模型的变压器绕组松动故障诊断方法。首先,基于变压器故障模拟试验平台采集变压器绕组处于不同状态下的振动信号。其次,对变压器振动信号进行S变换获取其时频矩阵。再次,计算出时频矩阵对应的幅值矩阵进行SVD,并定义特征向量。最后,采用鲸鱼优化算法优化SVM模型参数,并输入特征向量完成故障诊断。试验结果表明,所提方法故障识别准确率高于传统方法模型,适用于变压器绕组松动故障诊断。     

基于深度学习的电力变压器智能故障诊断方法

针对电力变压器的故障诊断问题,提出了一种可用于海量监测数据的智能故障诊断方法。首先设计了无源射频识别(radio frequency identification, RFID)传感器标签用于测量变压器的振动信号,该设计具有结构简单、便利性强和功耗低等优点。针对于测量的变压器振动信号数量大、维度高、成分复杂、信噪比低等特点,利用深度学习技术中堆叠自编码器对测量的信号进行特征提取,提取的特征具有相同状态高度聚集,不同状态明显分离的优点。随后,基于提取的海量特征数据,应用加权贝叶斯分类模型进行故障诊断。为进一步提高故障诊断方法的性能,提出了混沌量子粒子群算法分别对堆叠自编码器和加权贝叶斯分类模型的参数进行优化。通过一个10 kV变压器的故障诊断实验表明,设计的无源RFID传感器标签能可靠地获取变压器振动信号,提出的故障诊断方法具有较高的故障诊断正确率。     

基于多数据融合的电机故障诊断方法研究

电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点。在电机运行过程中,受载荷多变、零部件老化、散热条件差等影响,故障频发,进而降低电驱装置的工作效率和稳定性。此外,电机故障种类繁多,各故障的征兆与表现又极其相似,不同故障产生的原因也错综复杂,这极大地提高了电机故障诊断的难度。传统的电机故障诊断过程中多是基于单一传感器信号,存在不确定性大、诊断精度差等问题,为克服上述缺点,提出一种基于多传感器参数融合的电机故障诊断方法,基于振动加速度计和电流传感器信号,结合BP神经网络算法和D-S证据理论对电机故障进行准确辨识,提高电机故障诊断的准确性。简要介绍了多传感器数据融合技术的结构框架,在分析异步电机典型故障机理的基础上,对基于BP神经网络学习算法和D-S证据理论的多传感器数据融合电机故障诊断系统进行详细分析,并通过实例对所提出故障诊断方法的有效性进行验证。研究结果表明,采用所提出的多数据融合电机故障诊断方法可以高置信度地诊断出电机的故障类型。     

基于EEMD模糊熵和支持向量机的轴承故障诊断方法

电动机轴承的振动信号具有不平稳、非线性和高噪声等特点.在轴承故障的情况下,通过原始信号或部分时域特征参数不易准确判断故障位置.为解决此问题,在考虑时域特征的基础上,进一步通过集成经验模态分解(EEMD)和模糊熵进行特征参数提取.将轴承在正常、内滚道故障、滚动体故障以及外滚道的三个方向故障状态下的振动信号通过集成经验模态分解和计算模糊熵的方法提取信号特征,并与时域特征相结合得到10维特征向量.使用支持向量机(SVM)分类方法对所提取特征进行训练,最终得到可用于电动机轴承故障诊断的模型.比对发现,经特征提取后的模型训练速度和准确率均有较大提升,表明此方法对电动机轴承故障诊断是有效的,并为电气设备的故障诊断提供一种新思路.     

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

基于SSI-MSVM的调相机轴承故障诊断方法

随着新能源的并网与特高压直流输电的发展,电网对无功调节的要求也逐步提高,因此大型调相机再次被投入使用。为了便于对调相机轴承进行故障诊断,提出了一种基于随机子空间识别(SSI)和多核支持向量机(MSVM)的故障诊断方法。在调相机轴承外侧表面不同的位置利用振动传感器采集振动信号,利用随机子空间模型进行特征提取,再根据高斯支持向量机和多核学习方法构造MSVM,然后将提取出的特征数据输入MSVM进行故障诊断。试验结果证明,基于SSI-MSVM的故障诊断方法能够适用于调相机轴承,且可以成功对故障进行辨识。     

一种用于轴承故障诊断的二维卷积神经网络优化方法

轴承智能故障诊断是机械大数据状态监测的热门研究领域,传统的数据驱动故障诊断方法对基于信号处理的特征提取环节极为耗时,并且对专家经验要求高,为消除其带来的参数预定义影响,实现快速特征提取的同时提高识别率,在研究一维卷积神经网络故障诊断方法的基础上,提出一种用于轴承故障诊断的二维卷积神经网络优化方法。该方法引入了一种新的数据预处理方式,将原始时域信号数据转换成二维灰度图像来提取转换后的图像特征,消除手工特征的影响;同时,在验证分类前对实验采集故障数据集添加了降噪处理,并对卷积神经网络梯度下降算法进行参数自适应学习率优化。仿真与实验结果表明,所提出的二维优化卷积神经网络故障诊断方法在选取64×64的信号–图片转换格式下,AMSGrad算法能将故障预测模型的准确度提升至98%,训练速度更快,同时具有更高的分类准确性和抗噪性能,使其在实际转速范围内能达到损失小于5%的识别准确率。     

基于MUSIC算法的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振动信号的特性以及MUSIC算法及其高分辨率谱估计的特点，提出了一种基于MUSIC算法的感应电动机轴承故障检测方法。结果表明，在短数据情况下，相对FFT分析技术，该方法频率分辨率更高，故障检测更为准确，且计算量小，有利于电机故障实时状态监测。实验证实，将该方法应用于感应电机轴承故障检测，可准确检测出轴承故障时在包络信号中的故障特征成分，方法切实可行。     

基于小波降噪和共振解调法的异步电机故障诊断方法

针对异步电机故障时的振动信号特征,提出了一种基于峭度、小波降噪和共振解调法相结合的异步电机故障诊断方法。通过对正常、离心开关打开不完全、定转子扫膛、后轴承损坏等4种状态的单相交流异步电机进行故障试验,利用NI CompactRIO平台搭载振动信号采集卡,采集电机前端盖侧面和顶端的振动信号,进行峭度统计分析,同时通过小波降噪和共振解调法提取振动信号的频域故障特征。试验结果表明,提出的方法能够良好地实现异步电机故障诊断。     

基于改进DEMD和ICA的海上风机传动系统早期故障诊断

针对传动系统早期故障振动信号较弱的情况,提出基于改进微分经验模式分解(DEMD)和独立分量分析(ICA)的海上风机传动系统早期故障诊断方法。为克服传统的DEMD算法在分解低阶本征模态函数(IMF)时存在失真现象,提出改进的微分经验模式算法将原始振动信号分解成若干个独立的IMF信号,结合ICA进一步进行原始振动信号故障特征分量的提取,并基于标准数据和风机动力传动故障诊断实验平台进行了仿真研究,最后选取海上风电机组传动系统常出现的发电机轴承故障进行诊断分析。结果表明,相对于传统的故障诊断方法,该方法能更好地放大故障分量,减少噪声和其他振动干扰信号的影响,提高了海上风电机组传动系统早期故障诊断的准确性。     

基于改进谱峭度图与多维融合CNN的轴承故障诊断方法

针对轴承振动信号中存在与故障特征相关性较低成分的干扰导致故障诊断准确率降低的问题，提出了一种基于改进谱峭度图与多维融合CNN的轴承故障诊断方法。首先，为提高振动信号与故障特征的相关性，减少干扰成分，以双树复小波包变换为基础构建改进谱峭度图模型，增强多分辨率差异性故障特征表达。然后，考虑丰富特征评价维度，构建多维融合CNN模型，将原始信号与改进谱峭度图共同作为多维特征输入实现故障精准诊断。实验结果表明，该方法能够提取各类轴承振动信号中具备差异性的故障特征，在多工况下均能够准确识别轴承故障，具有较好的诊断精度。     

基于小波包和AFSA-SVM的电机故障诊断

针对电机滚动轴承故障诊断准确率问题,提出基于小波包分析结合人工鱼(AFSA)优化支持向量机(SVM)的电机故障诊断方法。利用小波包多分辨率分析法对电机的震动信号进行多层分解及重构,得到不同频段的信号时频图;然后采用AFSA算法对支持向量机中的参数惩罚参数(C)和核参数(σ)进行寻优选择,并最终建立AFSA-SVM故障诊断模型,提取信号时频图中频带能量值作为AFSA-SVM的输入特征向量进行学习、测试。最后通过仿真实验验证,故障诊断准确率达98.7%,并与粒子群算法优化支持向量机(PSO-SVM)和未经优化的支持向量机对比分析,结果表明该方法具有更高的故障诊断识别效果。     

多维度能量熵提取的不同负载下电机轴承故障诊断

为了提高电机轴承故障诊断的准确率,针对电机轴承故障不稳定的振动信号及故障特征提取困难问题,提出了一种基于变分模态分解（VMD）能量熵与卷积神经网络（CNN）相结合的电机轴承故障诊断方法。为了使故障的特征更精确地体现出来,采取三维度的能量熵提取办法,将轴承故障分为内圈磨损、外圈磨损和保持架断裂三类,然后每个类别再细分为负载为0%、25%和50%三种情况,共9种情况。利用VMD方法将故障信号分解得到内禀模态函数(IMF)的分量并提取各个维度IMF的能量熵值从而构成特征向量。结果表明该方法可以有效提高故障诊断正确率。     

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题，合理的特征选择可提高故障诊断率，提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先，通过变分模态分解(VMD)进行信号降噪预处理，计算多尺度排列熵进行信号特征重构；其次，引入惯性动态权重对鲸鱼算法进行改进，通过训练SVM参数，建立IWOA-SVM故障诊断模型；最后用美国凯斯西储大学轴承数据集进行仿真。结果表明，相较于多尺度熵，MPE可表征的故障特征信息更加丰富，故障识别率提高了2.1%;与同类优化算法相比，采用IWOA对SVM进行优化的故障诊断模型，收敛速度快、训练时间短、故障识别精度高，可对滚动轴承进行有效诊断。