基于VMD瞬时能量与GA- RBF的滚动轴承故障诊断

针对滚动轴承早期故障的有效识别,提出了一种基于VMD瞬时能量与GA优化的RBF神经网络的滚动轴承故障诊断方法,可以有效对滚动故障做出诊断。首先,VMD将滚动轴承振动信号进行分解成合适数目的本证模态函数;其次,计算本证模态函数分量的瞬时能量并组成特征向量;最后,将特征向量输入到GA优化的RBF神经网络实现轴承故障识别。通过滚动轴承故障诊断实验对该方法进行验证。结果表明,该方法识别滚动轴承故障的准确率为96.43%,较默认参数的RBF神经网络和EEMD瞬时能量与GA-RBF神经网络有明显的提高,证明了所提方法的可行性。     

基于 MPDE-EEMD 及自适应共振解调的轴承故障特征提取方法

针对滚动轴承振动信号具有非线性、非平稳性和非高斯性,并且故障特征往往淹没于系统噪声之中而难于识别的问题, 提出了以多种群差分进化(multiple population differential evolution, MPDE) 算法来改进集合经验模式分解( ensemble empirical mode decomposition, EEMD) 的 MPDE-EEMD 消噪方法,并与自适应共振解调技术( adaptive resonance demodulation technique, ARDT)相结合实现故障特征提取。 首先,为了解决 EEMD 中加入参数依靠人工选择且难以准确获取的问题,建立极值点分布 特性评价函数,利用 MPDE 来寻优获取最佳白噪声幅值,实现 EEMD 自适应分解。 然后,采用峭度与相关性相结合的准则对分 解后的 IMF 分量进行自动筛选,将满足条件的有效信号进行重构,实现对原始振动信号的降噪处理。 最后,采用 ARDT 自动确 定对消噪信号进行带通滤波的带宽和中心频率,再通过包络解调提取出滤波信号的特征频率。 将轴承仿真故障信号与实际故 障信号用于算法的验证,结果表明 MPDE-EEMD+ARDT 能有效提取出轴承故障特征。     

基于LabVIEW的煤矿潜污泵故障诊断

针对煤矿潜污泵的工作环境并与工程实际相结合,在LabVIEW平台上开发了煤矿潜污泵故障诊断系统,通过频域信息与时域特征参数相联合的方式进行煤矿潜污泵的故障分析与诊断。该系统实现了煤矿潜污泵的振动信号分析、数据综合处理、振动数据的存储、故障级别报警和数据库查询功能,实现了对煤矿潜污泵的故障诊断。     

BP神经网络技术在滚动轴承故障诊断中的应用研究

滚动轴承失效是最常见的传动系统故障,滚动轴承一旦发生故障会造成极大的经济损失和安全风险。因此,在故障发生的早期进行故障诊断可以有效地避免损失,具有很大的实际意义。应用BP神经网络的相关理论,以滚动轴承工作过程中产生的摩擦因数、振动值和噪声值作为输入变量,通过训练获得的BP神经网络求得轴承的不同工作状态,从而实现轴承的故障诊断。     

一种用于故障隔离的参数区间包络线计算方法

基于参数区间的故障隔离方法的核心工具是区间判断阈值曲线,其计算一直是制约该方法发展的问题。参数区间动态轨迹包络线作为区间判断阈值曲线具有能够适用于多重参数故障隔离等优点,但包络线计算中的包裹效应问题在该领域内一直未能得到很好解决。介绍一种基于上、下函数的包络线计算方法,有别于区间算法计算的包络线随着迭代的进行而迅速变得肥大的可能性,采用该方法的仿真实验表明其计算的包络线的包裹效应得到很大程度上的减轻,可有效用于故障隔离的区间判断。