GAPSO-KELM在滚动轴承故障诊断中的应用

为了减小故障特征提取对信号处理方法和人工经验的依赖性、降低诊断模型的计算复杂度、有效提高诊断精度,本文提出了一种卷积神经网络(CNN)与核极限学习机(KELM)相结合的滚动轴承故障诊断方法.首先,直接将不同故障模式下的滚动轴承原始振动信号进行分段处理,用以构建训练集、验证集和测试集.其次,利用CNN卷积运算提取特征,通...     

IDCGAN及其在滚动轴承故障诊断中的应用

目前以人工神经网络为代表的模式识别方法已被广泛应用到故障诊断领域,但这些方法通常需要大样本数据进行模型训练,而工程实际中通常存在数据不足的情况。因此需要合适的方法进行小样本情况下的故障诊断。深度卷积生成对抗网络能够实现样本生成。它不仅提高了对数据的学习能力,还对网络设定了一连串的限制,增加了网络的稳定性和收敛性。但其存在着训练不稳定和生成样本质量不高的问题。对深度卷积生成对抗网络进行了改进,提出了一种改进的深度卷积生成对抗网络（Improved-deep Convolutional Generative Adversarial Networks,简称IDCGAN）然后运用到滚动轴承故障诊断中。实验信号分析结果表明了该方法的有效性。     

改进VPMCD方法在滚动轴承故障诊断中的应用

针对模式识别新方法VPMCD(variable predictive model based class discriminate)在参数估计过程中存在的缺陷,对VPMCD方法进行了改进,用主成分估计法代替原方法中的最小二乘法进行参数估计,消除了预测变量间存在多重线性相关性的影响,可以获得更加稳定的模型参数,从而提高模式识别的精度。采用局部特征尺度分解(LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取各分量的近似熵组成故障特征向量作为改进VPMCD的输入,以改进VPMCD作为分类器对滚动轴承的工作状态和故障类型进行分类。对正常状态、外圈故障、内圈故障和滚动体故障四种不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明该方法有效。     

局部鲁棒主成分分析及其在故障诊断中的应用

机械设备故障振动信号的分析一般需要经过特征提取,然而由于背景噪声或者环境干扰的存在使得信号的信息适用性下降,从而导致特征提取存在很大的困难.一种新的局部鲁棒主成分分析的降噪方法被提出,该方法假设数据矩阵在有限个局部区域可以分解为表示信号特征信息的低秩成分和代表噪声的稀疏成分的加权和,且矩阵只需在局部区域具有低秩的属性而不必要满足全局低秩的强条件,并通过有限个局部低秩矩阵的平滑凸组合来全局逼近原始矩阵.通过仿真实验和实测的轴承外圈故障数据的分析,证明了提出的方法具有较强的降噪和特征提取效果.     

神经网络在滚动轴承故障诊断中的应用

提出了基于神经网络的滚动轴承故障诊断方法,以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别,经过实验表明,该方法对于滚动轴承的故障诊断具有一定的应用价值,并可方便地推广到类似的诊断领域。     

基于机器学习的航天器滚动轴承故障诊断分析

滚动轴承作为航天器的基本零件,诊断其损坏类型具有重要意义.其中的深沟球轴承在航天器中应用广泛.采用西储大学轴承数据进行训练来模拟航天器轴承故障,分析航天器此类轴承故障.使用的机器学习方法有长短期记忆网络(LSTM)和卷积神经网络(CNN).实验表明,用驱动端和风扇端内圈数据分别训练,单层卷积神经网络用时最少,平均为16...     

变压器故障诊断中的主成分分析研究

电力变压器的正常运行是对电力系统安全,可靠、优质、经济运行的重要保证,用主成分分析思想及方法,对油中溶解气体数据进行分析、降维,用最少的数据代表原变量的最大信息,以利于快速准确地诊断出变压器的故障原因,进而提高变压器的安全、经济运行水平。     

小波分析在滚动轴承故障诊断中的应用

本文阐述了基于小波分析的快速傅里叶变换应用轴承故障诊断的原理，介绍了该方法在减速器滚动轴承故障诊断中的应用，给出了几种频谱图。     

基于IPSO优化BP神经网络的滚动轴承故障诊断

在研究改进粒子群算法(IPSO)的基础上,采用IPSO对BP神经网络进行优化,并针对滚动轴承故障诊断问题提出了有效的分析方法。试验结果表明,该算法能够有效地判断出故障类型,与实际期望结果相符合。     

基于形态成分分析的轴承复合故障诊断

独立分量分析(ICA)已被广泛运用于线性混合模型的盲源分离问题,但却有2个重要的限制:信源统计独立和信源非高斯分布。形态成分分析是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法。介绍了形态成分分析的基本原理,进行了仿真说明,并应用该方法对设置了3种故障的轴承进行故障诊断,最终发现了故障特征,成功判别出了轴承的3种故障,验证了该方法在轴承故障诊断中的有效性。     

基于BP和RBF神经网络的滚动轴承故障诊断比较

通过仿真实例,应用BP和RBF神经网络对滚动轴承的故障诊断进行了比较研究,结果表明,BP网络和RBF网络仿真效果都比较理想,但RBF网络构建简单,训练速度快且比较稳定,体现了RBF神经网络的优越性。     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

基于蚁群神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,将蚁群算法与神经网络相结合,根据轴承故障产生的机理,建立其BP神经网络的诊断模型,以网络的误差为目标函数,通过蚁群算法进行BP网络的权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该方法具有较高的故障诊断准确度,具有较强的实用性。     

基于小波分析的滚动轴承故障诊断方法的研究

介绍了小波分析的基本理论,并将小波分析应用于轴承的故障诊断。通过对实验数据的分析和处理,提取出了故障特征,并准确地对故障进行了定位。这种方法取得了良好的诊断效果,适合于滚动轴承的故障诊断。     

基于形态分量分析的希尔伯特变换在滚动轴承故障诊断中的应用

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号处理方法。滚动轴承故障信号具有振幅呈指数衰减与环境噪声大的特点。通过构建一个对冲击信号敏感的字典,利用形态分量分析对轴承故障信号的时域形态特征进行最优化稀疏表示,得到滚动轴承冲击信号。并对形态分量分析后的冲击信号进行希尔伯特变换,得到明确的故障特征频率及其倍频。仿真分析与实验结果表明：该方法具有良好的降噪功能,能够准确地提取滚动轴承故障信号中的早期冲击特征。     

改进Alexnet的滚动轴承变工况故障诊断方法

旋转机械中的滚动轴承常工作在变负荷、强噪声的环境中,而传统的滚动轴承故障诊断方法难以在复杂工况下自适应地提取对其故障诊断有利的特征,针对此问题,提出一种改进AlexNet的滚动轴承变工况故障诊断方法。首先,将采集的一维时域信号按横向插样构建便于改进AlexNet输入的二维特征图,于现存的纵向插样和二维频谱而言,保留了特征自动提取过程中振动信号的时序性和关联性;其次,改进调整AlexNet卷积层的功能层且经过卷积和次采样等操作,从二维特征图中自动提取出利于滚动轴承状态辨识的特征;最后,以softmax的交叉熵为损失函数,利用Adam按小批量迭代优化法实现对滚动轴承故障的诊断。通过与多种方法对滚动轴承不同位置、不同损伤程度的12类状态诊断效果比较,结果表明,该方法对变负荷、强噪声条件下的滚动轴承故障诊断的精度更高,鲁棒性更强。     

基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法

针对卷积神经网络难以处理时间序列数据和循环神经网络难以提取数据深层特征的问题,提出了一种基于深度卷积网络和循环神经网络相结合的滚动轴承故障诊断方法.首先,使用格拉姆角场(GAF)编码将一维轴承振动信号构造为时序图像并划分为训练集、验证集和测试集;然后,将训练集和验证集输入VGG16模型进行特征提取,将提取到的特征输入R...     

基于阶比复杂度的滚动轴承早期故障诊断

针对传统阶比频率分析不能有效提取滚动轴承早期故障的不足,提出一种将阶比分析、复杂度分析相结合的故障诊断新方法。通过转速传感器和振动传感器同步采集轴承的信号,运用计算阶比跟踪实现了轴承时变振动信号的等角度重采样,再计算经过重采样处理后的角域信号复杂度,将其作为故障识别的依据。最后,通过轴承实测数据的诊断与对比试验验证了该方法的正确性。