基于LMD模糊熵和概率神经网络的滚动轴承故障诊断

滚动轴承是机械传动系统重要的组成部分,其故障发生率极高,直接影响机械设备的正常、安全运行。基于此提出基于局部均值分解(LMD)模糊熵和概率神经网络(PNN)的滚动轴承故障诊断方法,原始振动信号应用LMD自适应分解为7个PF分量;设定模糊函数,提取每个PF分量的模糊熵,实现各PF分量的特征量化;并利用概率神经网络实现故障类型识别。实验结果证明利用该方法滚动轴承故障诊断识别率可达86.25%,是一种有效的滚动轴承故障诊断方法。     

基于EMD近似熵和TWSVM的齿轮箱故障诊断

针对齿轮箱振动信号的非平稳和非线性特征,给出了一种基于经验模态分解(EMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法。对不同类型的齿轮信号进行EMD分解,得到若干个具有不同时间尺度的本征模函数(IMF)分量,再对IMF分量使用近似熵求解,得到一组特征向量,最后将其输入到TWSVM分类器中进行故障诊断。仿真实验表明,该方法能有效地提取故障特征,不同的故障类型表现出不同的故障信息;与传统SVM相比,TWSVM的计算时间更短,分类效果更好。     

基于MEEMD样本熵与BAS-BP的轴承故障诊断

为了提高煤矿机械设备可靠性、降低维修成本,提出一种基于改进的集成经验模态分解(MEEMD)样本熵与天牛须搜索(BAS)算法优化BP神经网络的轴承故障诊断方法。首先,利用MEEMD算法分解振动信号并根据峭度准则和相关系数筛选出主要IMF分量;其次,提取前4阶分量的样本熵;最后,将样本熵值归一化后组成特征向量输入到BAS-BP分类器中,利用BAS算法搜索最佳参数进行故障诊断。利用凯斯西储大学的轴承数据集进行分析,并与BP、GA-BP神经网络的诊断结果进行对比,结果表明,该方法能够有效识别出轴承故障,分类效果优于BP、GA-BP神经网络,分类准确率达到95%。     

基于EMD能谱熵和概率神经网络的采煤机摇臂齿轮故障诊断

采煤机摇臂齿轮是采煤机故障高发区,对其进行故障诊断研究可提高摇臂可靠性,提高工效。结合摇臂工作特点,提出基于EMD能谱熵和概率神经网络的齿轮故障诊断方法,提取振动信号EMD分解的前9个IMF分量的能谱熵作为故障特征信息,并将其作为概率神经网络的输入向量进行齿轮故障的分类与识别。结果证明该方法可实现齿轮故障准确诊断,是一种有效的摇臂齿轮故障诊断方法。     

基于全信息样本熵的轴承故障诊断方法研究

将样本熵算法和同源信息融合技术结合起来,提出了一种基于全信息样本熵的轴承故障诊断方法,并通过实验模拟轴承的内圈、外圈和滚动体故障,证明了该方法可以有效地区分三种故障。     

基于LMD排列熵和LLE的滚动轴承故障诊断

为解决单一尺度下滚动轴承振动信号非线性、非平稳性、成分复杂以及信息冗余导致故障特征难以提取的问题,提出了一种基于局部均值分解(LMD)、排列熵和局部线性嵌入(LLE)相结合的滚动轴承故障特征提取方法。首先,利用LMD将初始信号分解成若干乘积函数(PF)之和并计算不同尺度下PF分量的排列熵。其次,提取初始信号时域特征并与PF排列熵组成高维特征向量,完成初次特征提取。最后,利用LLE对高维特征降维处理,完成二次特征提取。通过BP神经网络对采用该方法处理的滚动轴承实验数据进行识别,结果表明,该方法能够有效识别滚动轴承故障类型,分类效果优于直接采用原始数据集训练的结果,分类准确率达到98.67%。     

基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断

针对煤矿井下工作环境恶劣,摇臂轴承经常发生故障,提出一种基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断方法。对振动信号进行小波分解,提取各小波系数的能谱熵,以此作为故障特征信息。利用Adaboost算法联合多个BP神经网络,构建BP_Adaboost强分类器。通过实验验证,该方法相比单BP神经网络识别率有很大提高,总体识别精度达到92%,其中外圈轴承故障识别率达96%,具有较好的采煤机摇臂轴承故障诊断能力。     

基于FASTICA与PNN的齿轮箱故障诊断研究

机械设备运行中得到的诊断信息往往存在信噪比低、信号混叠等问题,严重影响提取真实的故障信号特征,降低了诊断准确率。针对上述问题,提出一种新的基于快速独立分量分析与概率神经网络的设备故障诊断方法,FASTICA对振动信号降噪处理后提取特征,PNN实现故障识别。通过算法仿真以及LMS齿轮箱实验证明,该融合算法处理后的动态故障诊断能力和诊断精度都明显提高。     

PNN在旋转机械故障诊断中的应用

研究了利用PNN进行旋转机械故障诊断和预报的方法。PNN是基于Parzen窗函数和Bayes分类规则的前向型自监督神经网络模型,具有强大的非线性处理能力,快速的收敛速度和准确的分类效果。以某旋转机械典型故障样本为例,给出了利用该模型进行诊断和预报的详细过程。理论分析和仿真实验结果表明,利用PNN进行旋转机械故障诊断和预报的方法可行、有效。     

基于ITD信息熵与PNN的轴承故障诊断

滚动轴承是机械传动系统的重要组成部分,针对其故障率高、故障情况复杂的问题,提出一种基于固有时间尺度分解(ITD)信息熵与概率神经网络(PNN)的故障诊断方法。首先使用ITD方法对信号进行分解,对分解的分量进行相关系数计算,然后选取与原始信号相关系数大的前4层分量进行重构,提取前4层分量的样本熵与能量熵,最后将提取的熵值用PNN进行故障诊断,并与支持向量机(SVM)的诊断结果进行对比,结果表明:PNN相对于SVM可以提高故障诊断的正确率,正确率高达91.25%。     

基于FA-SR与LMD的滚动轴承故障检测

由于噪声的严重影响,滚动轴承故障特征的提取颇为困难。针对该问题提出了基于改进的萤火虫算法(FA)优化随机共振(SR)与局部均值分解(LMD)结合的方法。首先利用优化后的SR系统使信号达到最优共振,再经过LMD将信号分解成多个乘积函数(PF),以信息熵、相关系数为标准选取合适的PF分量重构信号,对重构后的信号进行快速峭度图(FK)分析,由所得参数设计带通滤波器,最后用Hilbert包络解调滤波后的信号即可得到故障特征。通过对轴承实验数据的分析表明,该方法能可靠地检测出轴承故障特征。     

基于EEMD降噪与PNN的齿轮箱齿轮故障诊断

提出一种基于集合经验模态分解(EEMD)降噪与概率神经网络(PNN)的齿轮箱齿轮故障诊断方法:利用EEMD对采集到的齿轮振动信号进行分解,得到一系列固有模态函数(IMF),然后利用相关系数准则对IMF进行处理,筛选出包含主要特征频率的部分IMF,随后求取IMF样本熵,作为PNN分类器的特征向量输入,实现对齿轮故障类型进行诊断识别。     

基于EMD和样本熵的滚动轴承故障SVM识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、非线性动力学方法—样本熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再计算所选分量的样本熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的状态。利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

基于近似熵算法的单相接地故障定位研究

采用Matlab搭建单相接地仿真模型,设置多个检测点,用近似熵算法求取各检测点的近似熵。由于故障点前后暂态零序电流波形的差异,导致近似熵值的不同,据此可以判定故障区段。该方法具有不需要不同检测点精确时间同步,所需数据量小等优点。     

基于盒维数的滚动轴承故障诊断

针对滚动轴承振动信号的特点 ,从分形原理出发 ,利用盒维数的概念 ,对由滚动轴承故障产生的非平稳、非线性信号进行了分形特征的盒维数定量描述。试验结果表明 ,由于滚动轴承不同故障动力学产生的机制不同 ,其盒维数明显不同。因此利用盒维数可以准确地诊断出滚动轴承的工作状态