首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到10条相似文献,搜索用时 15 毫秒
1.
针对滚动轴承剩余寿命预测问题,利用经验模态分解对滚动轴承全寿命振动信号进行分解,得到有限个IMF分量,对这些IMF分量分别进行模糊熵分析,提取出滚动轴承故障特征信息,得到多频率尺度模糊熵值。然后采用PCA进行降维,建立滚动轴承性能退化评估指标。把经PCA融合后的IMF模糊熵值输入到ELM极限学习机中,训练ELM预测模型,对滚动轴承进行短期退化趋势预测,以及剩余寿命预测,并与经PCA融合后的IMF样本熵值的预测性能进行对比,证明所提指标的预测精度较高且预测结果趋于保守,更适合用于滚动轴承的剩余寿命预测。  相似文献   

2.
针对强噪声背景下信噪比较低的旋转机械故障诊断问题,提出一种基于解析模态分解(AMD)和随机共振的旋转机械故障诊断方法。若信号的频率成分已知,AMD方法能将多频率成分的信号分解为单频率信号。对于可预知故障特征频率的旋转机械故障诊断,首先利用AMD方法提取振动信号中故障特征频率所在频段的信号,并对每个提取出的信号添加强度较低的噪声;然后利用粒子群算法优化的双稳随机共振对含噪信号进行处理来加强信号;最后求该信号的频谱,若频谱中含有故障特征频率,则说明振动信号中存在该故障。通过对滚动轴承故障信号特征的提取证明了该方法有良好的效果。  相似文献   

3.
针对信号变分模态分解(VMD)存在分解层数难以确定、目标模态难以选取的问题,介绍了一种信号分解方法——变分模态提取(VME),且提出了基于S变换(ST)与VME的旋转机械故障诊断方法。VME将信号分解成两层——期望模态和残余信号,并基于一个新的准则:期望模态与残余信号之间具有最小的频谱重叠。为了使VME得到的期望模态包含充分的故障特征,采用S变换对信号进行处理,确定故障特征所在的频段,据此选取VME期望模态的中心频率初始值。为了从期望模态中提取出故障特征频率,采用平方包络谱(SES)对期望模态进行分析。仿真信号与实际振动信号的分析结果表明,所提出的ST‐VME方法能够成功提取出有价值的期望模态和准确的故障特征频率,实现旋转机械故障诊断,且与VMD相比,ST‐VME方法的目标性更强,实施更容易。  相似文献   

4.
轴承作为旋转机械中的重要部件,对其性能退化状态进行准确评估是开展预测性维护的重要前提。针对现有性能退化指标在鲁棒性和敏感性上的不足,提出一种基于多尺度威布尔分布与隐马尔可夫模型(Hidden Markov model, HMM)的滚动轴承性能退化评估方法。首先,采用经验模态分解(empirical mode decomposition, EMD)对轴承振动信号进行多尺度分解,将轴承振动数据分解到不同尺度的本征模态分量(intrinsic mode function, IMF)中;然后,通过峭度指标选取故障特征信息明显的IMF分量,并对各个IMF分量进行滑动窗口威布尔分布拟合,提取多尺度威布尔形状参数作为性能退化特征;最后,将轴承正常状态下退化特征参数输入隐马尔可夫模型(Hidden Markov model, HMM)进行训练,建立性能退化评估模型,从而实现轴承性能退化评估。试验结果表明,该评估方法可以有效反映轴承的性能退化趋势,与其他相关方法相比,该方法能够及时识别到轴承早期故障,并且具有较强的稳定性。  相似文献   

5.
针对机器人RV减速器行星轮齿根裂纹故障在机器人作业中表征不明显、转频及故障特征提取困难等问题,提出一种信息熵和变分模态分解相结合的RV减速器行星轮故障识别方法。通过伺服电机电流信号获取RV减速器在稳定阶段的电机主轴转频,从而计算RV减速器的理论特征频率。结合电流信号的瞬时频率趋势图同步截取稳定阶段的振动信号,通过包络分析确定振动信号故障特征频段范围。最后利用信息熵与变分模态分解消除其余特征频率的干扰,提取RV减速器的故障特征。实验结果表明该方法在RV减速器出现行星轮齿根裂纹故障时,能够有效识别故障特征。  相似文献   

6.
针对滚动轴承早期故障信号存在大量噪声使得提取故障特征困难的问题,提出了一种基于新改进小波阈值的降噪方法。该方法是通过采用互补集合经验模态分解(CEEMD)方法将原始故障信号进行分解,得出各阶本征模态函数(IMF)分量;选取关键的IMF 分量进行重构信号,将重构信号经过新改进小波阈值算法和快速谱峭度进行滤波降噪;进行Hilbert 包络解调,得出滚动轴承的故障特征频率。分别用仿真噪声信号和滚动轴承的实验信号对该方法进行验证,并将新改进小波阈值算法与传统的小波硬阈值和小波软阈值算法进行比较分析,结果表明该方法可以有效提高故障信号的信噪比,降噪效果明显,能有效获得滚动轴承的故障特征频率。  相似文献   

7.
石慧  曾建潮 《振动与冲击》2017,(21):173-184
为解决齿轮疲劳退化过程中状态突变后剩余寿命难以准确预测问题,提出一种考虑退化突变点检测与剩余寿命预测相关联的齿轮疲劳实时剩余寿命预测新方法。针对齿轮磨损退化过程建立状态空间预测模型,利用接收到的齿轮实时监测振动信息实时更新模型参数,同时对退化过程中的突变状态点进行检测,并根据突变点所提供的寿命信息采用卡尔曼前向滤波及平滑算法结合期望最大化参数估计算法在滤波的同时不断对状态空间模型参数进行修正,改变退化突变后的滤波效果,进行实时状态预测与寿命估计。运用齿轮疲劳寿命试验台的实时监测数据对预测模型进行验证,结果表明利用突变点信息对预测模型进行修正后可以更快的对系统的动态变化进行跟踪,提高预测齿轮退化状态及实时剩余寿命的准确度。  相似文献   

8.
基于t-SNE和LSTM的旋转机械剩余寿命预测   总被引:1,自引:0,他引:1  
针对旋转机械的剩余使用寿命预测问题,提出了一种基于t分布随机近邻嵌入(t-SNE)和长短期记忆网络(LSTM)的预测方法。将t-SNE降维方法引入旋转机械振动信号特征提取,实例验证表明无论针对时频域特征或小波包分解得到的能量特征,经t-SNE降维后特征区分度更加明显,利用降维后的特征进行故障模式识别,正确率接近100%;提出利用样本间散度作为旋转机械退化指标,实验表明样本间散度对旋转机械性能退化趋势的表现相比其他指标更加明显;以不同的训练样本量,利用LSTM方法进行剩余使用寿命预测,为了验证LSTM方法的有效性,将其与BP神经网络、灰色预测模型、支持向量机等方法进行比较,结果表明LSTM方法能够预测旋转机械退化趋势,显著提高剩余使用寿命的预测精度,对旋转机械的健康监测和寿命预测具有一定的理论指导意义。  相似文献   

9.
针对变分模态分解方法(Variation mode decomposition, VMD)在提取滚动轴承振动信号的故障特征频率时受参数设置影响及敏感模态分量的选取问题,构建一种基于海洋捕食者算法(Marine Predator Algorithm,MPA)优化变分模态分解的滚动轴承故障诊断方法。首先,利用以包络熵为适应度函数的海洋捕食者算法对变分模态分解算法的模态个数K和二次惩罚因子α进行自适应选定;其次,使用获得的最佳参数组合对故障振动信号进行变分模态分解,得到多个本征模态分量(Intrinsic Mode Function,IMF);最后,计算各模态分量的平方包络基尼系数(Squared Envelope Gini Index,SEGI),选择系数最大的模态作为最优IMF并进行包络分析,提取相应的故障特征频率。通过公开数据集和实验数据验证表明该方法可解决VMD受参数设置影响的问题,成功诊断轴承故障。且相比于峭度和相关系数指标,平方包络基尼系数指标在筛选最优IMF具备更佳的准确性和鲁棒性。  相似文献   

10.
基于EMD和功率谱的齿轮故障诊断研究   总被引:8,自引:7,他引:8  
李辉  郑海起  唐力伟 《振动与冲击》2006,25(1):133-135,145
提出了一种基于经验模态分解EMD(Empirical Mode Decomposition)的齿轮裂纹故障诊断的新方法。EMD方法具有自适应的信号分解和降噪能力,EMD是先把时间序列信号,分解成不同特征时间尺度的固有模态函数(Intrinsic Mode Function,简称IMF),然后通过选取表征齿轮裂纹故障的IMF分量进行功率谱分析,就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明:该方法能有效地识别齿轮的齿根裂纹故障。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号