基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于小波包和BP神经网络的风机齿轮箱故障诊断

为了对风力发电机组中最容易发生故障的核心部件齿轮箱进行故障诊断,提出基于小波包变换和BP(Back Propagation)神经网络的齿轮箱故障诊断方法。首先,根据齿轮箱工作时的振动信号特性,通过小波包变换方法对振动信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征;其次,将提取的能量故障特征输入至BP神经网络诊断系统中进行识别,实现故障的智能诊断。通过试验证明了该方法的有效性。     

信息熵和RBF神经网络的发动机故障诊断

针对汽车发动机气门间隙异常故障,探讨了应用小波分解后求各尺度小波系数信息熵,和RBF神经网络对发动机进行不解体故障诊断的方法。由此,对某汽油发动机进行了故障模拟试验,分别在正常工况和三种故障工况下测取了缸盖表面振动信号。对所采集信号进行Stein无偏估计消噪处理,利用小波系数信息熵提取特征向量,进行归一化处理,然后用RBF神经网络对处理后的振动信号进行分类识别。发动机气门间隙故障的诊断实例表明,在不同工况下利用小波系数信息熵提取故障特征向量、进行基于RBF神经网络的故障诊断方法现实可行,对实现发动机不解体故障诊断具有一定的应用价值。     

基于小波包变换和随机森林算法的光伏系统故障分类

针对光伏系统故障分类问题,提出一种小波包变换和随机森林算法相结合的故障分类方法。采集光伏系统的故障电压数据,利用小波包变换对电压信号进行分解,提取各频带能量作为故障特征,将特征样本送入随机森林算法中进行分类。随机森林算法是结合集成学习理论和随机子空间方法的一种算法,可以对多种故障做出准确分类。使用PSCAD/EMTDC搭建独立光伏发电系统,选取12种故障进行模拟,得到600个故障样本,选取其中360个样本用于训练分类器,240个样本用于测试分类器的分类性能。仿真结果表明:该方法可有效辨别光伏系统的12种故障,分类准确率达到97.92%。与RBF神经网络分类器相比,故障分类准确率提高了4.17%,对进一步实现光伏系统故障诊断研究具有重要意义。     

基于小波包变换的模拟电路信号特征提取方法的研究

利用小波包变换,在不同分辨率小波包子空间中分析信号不明显的频率特征,提出了模拟电路故障信号特征提取的两种方法——最优小波包特征提取方法和不完全小波包特征提取方法。     

基于切片谱和神经网络的旋转机械故障诊断方法

RBF神经网络是仿生物神经建立的人工模式识别模型,它具有良好的泛化能力和分类能力;切片谱是对双相干谱算法的简化,同样可以用来定量描述振动信号的非线性相位耦合特征.本文结合双谱和RBF神经网络,以信号的切片谱作为故障特征量,以RBF神经网络作为分类器实现旋转机械故障诊断;最后对轴承故障进行仿真实验,结果表明,本方法能有效对轴承故障模式进行分类.     

小波包在提升机减速箱故障诊断中的应用

本文简述了小波变换的基本原理及利用小波包对振动信号进行分解的方法。小波分析良好的时－频局部化特性,为实现对振动信号在不同频率范围内对应不同零部件故障特征信息的分离和提取,及机械故障诊断提供了有效的分析手段。文中给出了利用小波包在煤矿提升机主减速箱故障诊断中提取微弱故障特征的实例。     

基于紧致型小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出基于紧致型小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号通过小波包分解来提取故障特征向量,同时将此特征向量作为小波神经网络的输入,利用小波神经网络对故障做进一步的精确实时诊断。通过对往复泵液力端多故障诊断实例的检验表明,该系统故障诊断正确率达到94 %以上。     

基于声信号的滚动轴承故障诊断研究

结合小波包短时能量散布熵、回溯搜索算法以及学习矢量神经网络，提出一种基于声信号的滚动轴承故障诊断新方法。首先利用小波包分解结合短时能量对声信号进行脉冲能量提取，突出与故障相关的时频子空间的能量分布，再通过计算各子空间短时能量序列的散布熵，构造特征矩阵。利用t-分布随机邻域嵌入方法对所获特征进行降维聚类，显示所提取的特征具有较好的聚类性能。然后采用回溯搜索算法优化学习矢量量化建立神经网络故障诊断模型，对轴承故障进行识别，并与多种诊断方法进行比较，试验结果表明，加入短时能量散布熵后，本模型提升了声信号的能量特性，优化了特征矩阵，诊断性能最佳。     

基于小波降噪神经网络的旋转机械故障诊断

实测信号往往受到多种因素的干扰,如高频噪声.提出了一种小波降噪神经网络的故障诊断方法,利用小波的多重分辨率分析,有效降低高频噪声干扰,从而简化了有效特征信号的提取.建立了基于小波变换和BP神经网络的混合诊断模型,成功地对故障进行了智能诊断.最后实验验证了此种方法的有效性.     

振动监测技术在旋转机械故障诊断中的应用

随着旋转设备结构复杂程度的提高,其故障发生的几率也随之增加,对故障检测技术要求更高。通过对机械设备振动信号的分析判断故障特征及部位,是旋转机械故障诊断主要手段。文章首先对振动监测技术的原理及典型振动故障的表现形式进行介绍,并利用振动监测技术,举例说明振动监测技术在旋转机械故障诊断中的应用。     

改进的支持向量机在旋转机械故障诊断中的应用

系统地研究支持向量机的基本原理。针对旋转机械振动故障特征复杂的特点,提出采用基于K-L变换的故障提取方法。改进支持向量机的多分类算法,将支持向量机分类方法用于旋转机械振动分析,利用其模式辨别和系统建模能力对典型故障的初始征兆、发生、发展进行动态分析,为旋转机械的故障诊断提供新的思路和方法。     

基于加速度信号全谱分析的转子碰摩故障特征提取实验研究

转子在运行过程中的振动加速度信号包含了转子运行状态大量信号，瞬态过程中故障加速度信号特征的提取及其识别对于旋转机械故障诊断是十分重要的。旋转机械振动的全谱分析是一种使一些典型故障尤萁是碰摩故障能被很清楚检测出来的有效方法，本文在对旋转机械转子中的一些典型碰摩故障进行了模拟试验，以及对故障发生过程中的加速度信号进行采集的基础上，对转子故障加速度信号的全谱特性进行了分析，提取和总结出由故障造成的加速度信号突变和对应的谱特征。分析结果表明：采用转子振动加速度信号对转子的碰摩故障进行诊断是有效的。加速度信号全谱图可以丰富旋转机械碰摩故障诊断系统知识库中的特征信息，对于更准确地诊断转子中的碰摩故障具有重要意义。     

基于MCKD和重分配小波尺度谱的旋转机械复合故障诊断研究

针对强噪声环境下旋转机械复合故障信号难于提取与分离的问题,提出了基于最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和重分配小波尺度谱的旋转机械故障诊断方法。机械信号中存在的噪声会降低重分配小波尺度谱的时频分布可读性,故先要对信号进行MCKD降噪,同时从振动信号中分离出各个故障成分,然后进行Hilbert变换得到包络成分,最后再对包络成分进行重分配小波尺度谱分析,根据尺度图中冲击成分的周期诊断转机械复合故障,算法仿真和应用实例验证了该方法的有效性。     

基于多维振动特征的滚动轴承故障诊断方法

单独提取滚动轴承振动信号的时域或频域特征进行故障诊断,是目前常用的轴承诊断方法,诊断精度有待提高。以时域和频域的多维振动特征参量为指标,以历史诊断正确率作为特征参量权值,分别对滚动轴承的无故障和经常出现的滚珠故障、内环故障和外环故障工况进行特征提取和故障识别。多维时频域振动特征是单维特征依据诊断精度权重的集合。运用BP神经网络分别对信号的时域特征(TDF)、IMF能量矩(IEM)、小波包能量矩(WPEM),以及多维时频域特征进行智能故障判别。实验验证用多维时频域振动特征参量综合诊断的方法进行滚动轴承故障诊断,比单维特征的诊断结果精确且效率较高,该方法可以在滚动轴承故障诊断领域展开应用。     

基于时间-小波能量谱熵的滚动轴承故障诊断研究

针对轴承振动信号中存在周期性冲击这一现象,提出了时间-小波能量谱熵的计算方法,用于滚动轴承的故障诊断。首先构造脉冲小波,采用连续小波变换的方法得到时间域内小波能量谱,再沿时间轴计算能量谱熵,定量描述振动信号沿时间的分布情况,不同故障下轴承的冲击振动随时间变化程度不同,其时间-小波能量谱熵值也就不同。将不同故障轴承信号的时间-小波能量谱熵作为向量特征输入建立支持向量机,实现了对轴承的工作状态和故障类型的判断。实验结果表明,时间-小波能量谱熵可以有效地对滚动轴承进行故障诊断。     

基于支持向量机的转子振动信号故障分类研究

转子在运行过程中的振动加速度信号包含了转子运行状态大量信号，瞬态过程中故障加速度信号特征的提取及其识别对于旋转机械故障诊断是十分重要的。针对在升降速运行时的故障特征数据样本有限而制约有效智能诊断的问题，探讨和提出了基于支持向量机的加速度信号故障诊断方法。实验分析结果表明：该方法可实现转子的振动加速度信号对转子在升降速运行时的多故障的识别和诊断。     

利用小波分析和EMD的机械故障特征提取

故障特征提取是机械设备故障诊断的关键所在。利用小波变换多分辨率分析和经验模式分解的时频特性,将某机械运转机构的振动信号进行分解及重构,得到原始信号在不同频段上分布的详细信息,进而对不同尺度下的细节信号进行频谱分析,通过对比提取出运转过程中的失步故障特征。     

旋转机械振动故障诊断的一种模糊神经网络方法研究

介绍了一种基于多层感知器的模糊神经网络分类器，并针对其在旋转机械故障诊断中的应用，研究了网络构造过程中输入和输出模糊化的问题。文中利用振动频谱特征就旋转机械中几种典型的故障模式，采用模糊神经网络方法作了识别，且将其与传统的ＢＰ网络及模糊诊断方法进行了比较。研究结果表明：将模糊神经网络方法应用于旋转机械工况识别是有效的，它在处理分类边界模糊的数据时比传统的ＢＰ网络和模糊诊断方法具有更大的优越性。     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。