一种城市轨道车辆轴箱轴承故障特征提取方法

针对城市轨道车辆轴箱轴承结构特点及轴承故障时产生振动信号的特征,提出了一种新的轴箱轴承故障特征提取方法。引入卷积滤波,对采集的轴箱轴承振动信号进行分频、滤波、重构,提取轴承故障特征。在故障特征提取的基础上,进行轴承故障识别及定位。结果表明：该方法对振动信号进行分析,具有不压缩、任意分频和减少截断误差的性质;可以更好地获得故障特征;能够有效地应用于轴箱轴承的故障诊断。     

基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。     

基于IMF聚合与SVD的城轨车辆牵引电机轴承故障诊断

为有效提取城市轨道车辆牵引电机轴承的故障特征,提出一种基于本征模式分量(IMF)聚合与奇异值分解(SVD)相结合的轴承故障诊断方法.该方法首先运用经验模式分解(EMD)将原始振动信号分解成一系列本征模式分量;其次在利用皮尔逊积矩法进行本征模式分量的筛选后将剩余的分量聚合重构,再将重构信号运用奇异值分解降噪;最后对降噪信号进行Hilbert谱分析,实现轴承故障特征向量的提取.城市轨道车辆牵引电机轴承实测数据的分析结果表明该方法能够有效提取故障特征信号,对轴承故障进行有效的诊断.     

基于卷积自编码神经网络的航空发动机轴承故障诊断方法研究

航空发动机轴承早期故障多是由于裂纹、疲劳剥落和保持架损坏造成的,这类型的故障在发动机振动信号中均会产生瞬时的冲击;但是,在早期故障中,振动信号由于夹杂过多部件耦合激励,缺陷冲击信号很难辨识,早期故障诊断十分困难;采用了基于卷积自编码网络的航空发动机轴承早期冲击故障特征提取方法,通过分析信号中冲击成分的周期性,利用卷积自编码网络的平移不变学习特性,自动捕获信号中的周期成分,将信号分解为由卷积核重构的多个特征分量,实现信号特征分量的自学习,考虑到峭度指标对信号冲击成分描述的特点,使用峭度指标作为最优特征分量的选取指标,进而实现早期冲击故障特征的提取;最后利用仿真数据和轴承数据验证了该方法的有效性.     

基于相关性原理起重机负载电机监测系统设计

对起重机负载电机进行了研究,采用西门子公司的S7-200 SMART PLC采集负载电机的机械振动信号,通过工业Wi-Fi无线模块以无线数据包的形式将采集的数据汇总到上位机LabVIEW监测平台;上位机的LabVIEW监测平台对电动机振动信号进行相关性和频谱分析,将实时振动数据频谱信号和已知常见负载电机的轴承外圈故障、轴承内环故障和滚子故障3种典型的故障状态频谱信号进行相关性运算,得到实时信号与已知状态的相关系数;提出了以相关系数作为故障诊断判定阈值的方法进行故障诊断,实现了对起重机状态进行监测以及监控信息发布。     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。     

基于小波变换及HHT的轴承故障诊断应用研究

为研究滚动轴承故障问题,将小波变换及HHT(Hilbert-Huang变换)相结合的分析方法,应用于强噪声背景下轴承信号故障的提取.首先将轴承故障信号利用小波变换进行降噪处理,然后应用HHT得到希尔伯特边际谱,从中提取故障特征信息.为准确诊断故障,将方法应用于分析采集的分别具有外圈和内圈损伤的滚动轴承振动信号,并与直接运用HHT分析作比较.结果表明,方法降低了噪声对HHT对振动故障信号分析的干扰,能够更有效的提取轴承故障特征信息,提高轴承故障诊断率.     

基于改进一维卷积和双向长短期记忆神经网络的故障诊断方法

针对工业领域中故障诊断数据存在时序性和夹杂强噪声的特点导致的收敛速度慢以及诊断精度低的问题,提出了一种基于改进一维卷积和双向长短期记忆（1DCNN-BiLSTM）神经网络融合的故障诊断方法。该方法包括故障振动信号的预处理、特征的自动提取以及振动信号的分类。首先,采用自适应白噪声的完整经验模态分解（CEEMDAN）技术对原始振动信号进行预处理;其次,构建1DCNN-BiLSTM双通道模型,将处理后信号输入双向长短期记忆（BiLSTM）神经网络模型和一维卷积神经网络（1DCNN）模型两个通道,从而对信号的时序相关性特征、局部空间的非相关性特征和弱周期性规律进行充分提取;然后,针对信号夹杂强噪声的问题,对压缩与激励网络（SENet）模块进行改进并将其作用于两个不同的通道;最后,输入全连接层将双通道提取的特征进行融合并借助Softmax分类器实现对设备故障的精确识别。使用凯斯西储大学轴承数据集进行实验,结果表明改进后的SENet模块同时作用于1DCNN通道和stacked BiLSTM通道,1DCNN-BiLSTM双通道模型在保证快速收敛的情况下有最高诊断精度96.87%,优于传统单通道模型,有效提高了机械设备故障诊断效率。     

基于SE-ResNeXt的滚动轴承故障诊断方法

针对滚动轴承在故障诊断过程中信号特征提取困难导致诊断准确率低、鲁棒性差的问题,提出一种基于Squeeze-Excitation-ResNeXt(SE-ResNeXt)网络的滚动轴承故障诊断方法;将采集的一维轴承振动信号作为输入,进行滑动窗口采样与标准化处理,通过压缩、激励操作进行特征重标定,扩大模型感受野,并级联聚集残差变换网络自适应提取故障信号特征;在模型训练过程中选择最优压缩率为1/8以及8个组卷积,引入Relu函数加快网络收敛,使用全局平均池化替代全连接层避免过拟合现象,构造能够自主进行表征学习的最优故障诊断模型;通过仿真实验表明:与目前的深度学习算法相比,SE-ResNeXt网络能够准确的实现轴承故障诊断,并在高噪声的环境下仍具有较好的鲁棒性。     

强噪声背景与变转速工况条件下滚动轴承故障诊断研究

煤矿机械设备工作环境恶劣,背景噪声强,轴承早期的故障特征信号微弱,从传感器所测得的振动信号中提取反映故障状态的信息比较困难;同时,煤矿机械设备工作在高速、冲击等工况下,是典型的非平稳工况,不稳定的激励及复杂工况直接导致提取轴承故障特征信号困难。针对以上问题,以矿井提升设备的运行工况为背景,提出了一种基于计算阶次分析与自适应随机共振的滚动轴承故障诊断方法。首先,模拟了矿井提升机运行过程中典型的变转速工况,分别构造故障仿真信号,并采集了轴承振动实验信号;其次,通过等角度采集同步时域鉴相序列,利用计算阶次分析将轴承非平稳的振动信号重采样为平稳信号;然后,利用变分模态分解(VMD)方法将平稳信号分解为若干本征模态函数(IMF)分量,通过轴承故障阶次实现对轴承故障类型的判断;最后,利用自适应随机共振方法来增强轴承故障特征阶次,从而实现故障特征的提取与增强,达到故障诊断的目的。仿真和实验结果证明了该方法的有效性。将该方法与最大相关峭度反褶积(MCKD)方法进行了对比,结果表明,MCKD方法虽然也可以观察到故障特征阶次,但是特征阶次比周围干扰阶次幅值仅高0.001 96,低于本文所提方法的结果,说明了本文所提方法具有一定的优越性。     

分布式机载风电振动信号采集系统设计与应用

针对风电设备分布广泛、振动信号采集困难、监测数据处理要求高等特点,基于分布式风机在线监测的通用架构研发了一种能够安装于风机各关键部位的小型机载分布式风电状态监测装置,就系统设计中遇到的如硬件选型与架构设计、信号采样逻辑控制与处理、风机信号特征选择、上位机通信报文设计等关键问题进行了深入研究,并将该系统应用于实际风场的设备监测与故障诊断环境,验证了该装置的可靠性、有效性与可拓展性.     

基于SVD-AR模型与VPMCD的轴承故障诊断方法

针对强噪声背景下振动信号故障特征难以提取的问题,提出了基于奇异值分解的自回归(SVD-AR)模型,用于提取振动信号的特征,并与变量预测模型模式识别(VPMCD)方法相结合应用于轴承故障诊断.对轴承振动信号进行SVD;然后,利用奇异值差分谱对分量信号进行筛选,对能够反映故障信息的分量信号建立AR模型,提取轴承振动信号的特征信息;采用VPMCD对滚动轴承运行状态进行识别.实验证明了方法的合理性和有效性.     

基于Gibbs抽样的轴承故障诊断方法

针对现有轴承故障诊断方法的不足,即诊断片面性问题,提出了一种基于Gibbs抽样的轴承故障诊断方法。首先对轴承振动信号进行局部特征尺度分解（LCD）得到内禀尺度分量（ISC）;然后对轴承振动信号和ISC分别提取时域特征,按照特征敏感度高低对时域特征排名,选择排名靠前的特征组成特征集;其次使用特征集训练产生基于Gibbs抽样的多维高斯分布模型;最后通过后验分析得到概率,实现轴承故障诊断。实验结果表明诊断正确率达到100%,与基于SVM的轴承诊断方法相比,在特征数为43个时诊断正确率提升了11.1个百分点。所提方法能够有效地对滚动轴承故障状态进行诊断,对高维复杂的轴承故障数据也有很好的诊断效果。     

Intelligent fault diagnosis in microprocessor systems for vibration analysis in roller bearings in whirlpool turbine generators real time processor applications

Large steam turbines used for electrical power generation demand governing systems of very high integrity (safety) and availability. The latest generation of electronic governors uses microprocessors in a distributed, two level architecture to achieve the required integrity and availability and in addition provides greater configuration flexibilities and wider facilities than earlier governors. Rolling element bearings are one of the major machinery components used in industries like power plants, chemical plants and automotive industries that require precise and efficient performance. Vibration monitoring and analysis is useful tool in the field of predictive maintenance in small hydro electric power plants. Health of rolling element bearings can be easily identified using vibration monitoring because vibration signature reveals important information about the fault development within them. Numbers of vibration analysis techniques are being used to diagnosis of rolling element bearings faults. This paper proposes a new signal feature extraction and fault diagnosis method for fault diagnosis of low-speed machinery. Initially, the proposed work explores the Continuous Wavelet Transform (CWT) to adaptively remove the exact noises from vibration analysis and then feature extraction is performed by exploiting the noise removed pre-processed data. Statistic filter (SF) and Hilbert transform (HT) are combined with moving-peak-hold method (M-PH) to extract features of a fault signal, and Special bearing diagnostic symptom parameters (SSPs) in a frequency domain that are sensitive to bearing fault diagnosis are defined to recognize fault types. The SF is first used to adaptively cancel noises, and then fault detection is performed by exploiting the optimum symptom parameters in a time domain to identify a normal or fault state. For precise diagnosis, the SSPs are calculated after the signals are processed by M-PH and HT.     

Fault features extraction for bearing prognostics

Over the past years, investigation on condition-based maintenance (CBM) technique on bearing has been conducted. Bearing diagnostics and prognostics are the important aspects in CBM. A key to the success of using vibration data for bearing fault diagnostics and bearing lifecycle prognostics is a quantified relationship between bearing damage and bearing fault features. To establish such a quantitative relationship, effective signal processing techniques to extract bearing fault features from vibration signals are needed. This paper describes a newly developed fault feature extraction method for bearing prognostics. The effectiveness of the method is demonstrated with two real bearing run-to-failure test datasets: one collected under normal operating conditions and another one under abnormal operating conditions. Experimental results show that the bearing fault features extracted using both traditional vibration analysis methods and the proposed method give clear bearing heath degradation trend for the dataset collected under normal operating conditions. However, for the data collected under abnormal operating conditions, bearing fault features obtained using traditional vibration analysis methods fail to show the bearing health degradation trend while the fault features extracted using the proposed method give consistent bearing degradation trends.     

基于自注意力机制辅助分类生成对抗网络的轴承故障诊断

针对传统判别式轴承故障诊断算法在复杂工况下依赖人工特征提取、诊断效果不佳的问题,提出将生成式模型辅助分类生成对抗网络(auxiliary classifier generative adversarial network,ACGAN)用于轴承故障诊断研究。首先,通过快速傅里叶变换将轴承振动信号转为2维频域特征灰度图,设计卷积网络作为模型主体结构,添加批量归一化和LeakyReLU激活函数缓解梯度消失问题;其次,引入自注意力机制(self-attention mechanism,SA),将数据中相距较远的特征相互关联建立新的SA-ACGAN模型,实现多分类场景下对原始数据分布特征的有效学习;最后,将模型应用于电机轴承进行对比验证,结果表明所提方法故障诊断准确率高达99.7％,并具有良好的鲁棒性和泛化性。     

基于D-S证据融合的风力发电机组的故障预测

针对风力发电机组在机械和电气方面的故障,提出一种基于电气特征向量和振动特征向量的D-S证据融合方法。在2种信号的特征空间下分别构造2个经过参数优化的支持向量机,经过D-S融合之后给出最终的预测故障种类。相对于传统发电机故障诊断中分别针对机械故障和电气故障安装振动传感器和电流传感器,通过频谱特征来区分不同故障,证据融合方法能将电流信号用于机械故障的诊断,也能将振动信号用于电气故障的诊断。通过大量实测数据分析验证,本文提出的融合模型相比于只用单一信号构造的故障分类器具有更高的分类准确率。     

Fault diagnosis of roller bearing using fuzzy classifier and histogram features with focus on automatic rule learning

Roller bearing is one of the most widely used elements in rotary machines. Condition monitoring of such elements is conceived as pattern recognition problem. Pattern recognition has three main phases: feature extraction, feature selection and feature classification. Histogram features can be used for fault diagnosis of roller bearing. This paper presents the use of decision tree for selecting best few histogram features (bin ranges) that will discriminate the fault conditions of the bearing from given train samples. These features are extracted from vibration signals. A rule set is formed from the extracted features and fed to a fuzzy classifier. The rule set necessary for building the fuzzy classifier is obtained largely by intuition and domain knowledge. This paper also presents the usage of decision tree to generate the rules automatically from the feature set. The vibration signal from a piezoelectric transducer is captured for the following conditions – good bearing, bearing with inner race fault, bearing with outer race fault, and inner and outer race fault. The histogram features were extracted and good features that discriminate the different fault conditions of the bearing were selected using decision tree. The rule set for fuzzy classifier is obtained by once using the decision tree again. A fuzzy classifier is built and tested with representative data. The results are found to be encouraging.