基于MLMW和CWT灰度矩向量的滚动轴承故障诊断

提出了基于极大提升形态小波(MLMW)降噪的CWT灰度矩向量-LSSVM的轴承故障诊断方法。先利用MLMW对信号进行降噪处理,再将降噪信号的CWT灰度图划分为若干区域,计算各分区的灰度矩组成灰度矩向量,将其作为LSSVM的输入进行故障分类。试验结果表明:相对于原始信号的灰度图,MLMW降噪后的灰度图特征突出、区分显著,相应的灰度矩向量可有效刻画轴承状态;随着分区数增加,诊断准确率升高;相对于原始灰度矩向量-LSSVM方法和小波降噪的灰度矩向量-LSSVM方法,所提出方法准确率高、泛化性好、所需训练样本少,可准确识别轴承故障类型。     

基于谐波小波包和OAO-RVM的滚动轴承故障诊断方法

结合谐波小波包和相关向量机设计了滚动轴承故障诊断方法,以实现轴承正常状态、内圈故障、滚动体故障及外圈故障状态的诊断。首先,利用谐波小波包对轴承的振动信号进行多层分解,根据各频段的小波分解系数计算各个频带能量,归一化之得到特征向量;其次,对传统的OAO-RVM模型进行简化,改进为新的OAORVM多模式分类模型;最后,利用滚动轴承试验台的振动数据对设计方法进行了验证。结果表明,设计的诊断方法在识别的准确率及算法计算效率方面均比传统的支持向量机诊断方法好。     

基于小波包分解与DAG SVM的柱塞泵故障诊断

针对柱塞泵检测诊断中故障特征模糊、成因复杂、难以准确定位的问题,结合决策树与支持向量机提出一种基于小波包分解与DAG SVM的柱塞泵故障诊断方法。该方法预先对所用C SVM和RBF核函数的参数进行优化,而后采用db5小波包对泵体振动信号进行三层分解以提取特征向量,将特征向量输入支持向量机完成其训练及模式识别过程。同时设计了柱塞泵故障诊断的一体化装置,通过模拟不同故障,利用已知故障样本完成支持向量机的训练过程,进而对待测样本进行故障模式识别。诊断结果与样本已知状态相符,验证了该方法的准确性。     

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%。     

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。     

基于小波包近似熵和SVM的圆柱滚子轴承诊断

为了解决特种车辆变速箱圆柱滚子轴承由于振动信号的非线性、非平稳特征较为微弱,提取的特征量数值不明显且现实中难以获得大量含丰富特征的典型故障样本而难以对其进行准确诊断的问题,应用小波包近似熵和支持向量机对特种车辆变速箱圆柱滚子轴承进行诊断。首先,在自行搭建的模拟实验台上采集某型特种车辆变速箱圆柱滚子轴承正常、外圈磨损、滚动体故障、点蚀和压痕4种典型状态的振动信号;然后,分别提取4种典型状态振动信号的小波包近似熵值作为支持向量机的输入,根据支持向量机的输出结果来确定圆柱滚子轴承是否发生故障和故障类型。结果表明,该方法能有效对某型特种车辆变速箱圆柱滚子轴承的典型状态进行诊断,为其他相似变速箱圆柱滚子轴承的故障诊断提供一种参考途径,具有一定的工程实用价值。     

基于IMF投影图像分析的滚动轴承故障诊断方法研究

提出了一种基于本征模式分量投影图像分析的滚动轴承故障诊断方法,实现了滚动轴承故障的状态识别与程度识别,首先,依托经验模式分解方法(Empirical Mode Decomposition,EMD)对轴承故障信号进行分析,获取故障本征模式分量(Intrinsic Mode Function,IMF);其次,构建各个本征模式分量的时频三维灰度投影图像,引入基于灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)的纹理特征对三维投影图像进行分析;最后,通过主成分分析进一步压缩特征维度,并结合支持向量机(Support Vector Machine,SVM)实现了滚动轴承的故障诊断。研究从图像特征角度实现故障诊断,丰富了现有振动信号故障特征获取方法,实现了滚动轴承故障的状态识别与程度识别。     

近似熵与支持向量机在发动机故障识别中的应用研究

针对发动机曲轴轴承极易磨损,导致发动机出现故障的问题,提出了一种基于近似熵与支持向量机相结合的故障诊断方法。发动机在工作过程中,早期故障特征信号微弱。基于此,引入近似熵算法,分别模拟发动机曲轴轴承4种磨损状态,测取各状态下多测点的振动信号样本,计算样本近似熵值,构建了不同状态近似熵故障特征向量。结合支持向量机算法,构造支持向量机故障分类模型,将近似熵特征量带入其中进行训练与测试,测试结果准确率达到97.5%,并与普遍使用的BP神经网络诊断方法进行了对比,结果表明该方法具有更高的诊断识别率,是一种有效且准确率较高的在线诊断方法。     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

基于改进阈值小波和支持向量机的低速重载滚动轴承故障诊断的研究

提出了将小波分析与支持向量机结合用于低速滚动轴承故障诊断的方法。首先在实验台上进行轴承各种故障信号的样本采集,利用改进后的小波阈值法对信号进行去噪,将降噪后的振动信号经过小波包分解后的频带能量作为特征向量,并以此作为训练样本,对多个支持向量机构成的多故障分类器进行训练,进而实现智能诊断。结果表明,比起传统阈值法小波去噪,结合后的方法有较好的诊断效果。