共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
3.
4.
针对航空发动机中介轴承振动信号故障微弱,故障特征难提取的问题,提出了基于固有时间尺度分解(ITD)和近似熵(AE)结合随机森林(RF)的航空发动机中介轴承故障诊断方法。首先,利用航空发动机中介轴承试验台模拟并采集轴承在正常、外圈故障、滚动体故障三种状态下的振动信号;然后通过ITD方法将非平稳、非线性的中介轴承振动信号分解成一组固有旋转分量(PR),计算其近似熵;最后,将不同尺度的近似熵值作为特征向量,输入到随机森林分类器模型中进行分类识别与故障诊断。研究表明,该方法能有效提取出机匣表面振动信号中微弱的中介轴承振动故障信号特征,故障诊断准确率高,具有工程实用性。 相似文献
5.
针对轴承智能故障诊断过程中的特征自适应提取和在变工况下诊断能力差的问题,提出了一种基于特征通道权重调整的“端对端”一维卷积神经网络(Squeeze-Excitation Convolutional Neural Network,SECNN)滚动轴承故障诊断模型。首先采用一维卷积神经网络自适应地从原始振动信号中提取特征进行分类;然后通过增加特征通道权重模块来获取通道全局信息,学习特征通道之间的依赖关系;再据此对特征通道权重进行调整,增强滚动轴承故障诊断模型在变工况下的特征自适应提取能力。通过轴承实验台数据的验证结果表明:SECNN在多个变载荷工况下的故障诊断准确率均值达到97%,相比于传统方法提高了20%左右。同时利用t-SNE技术可视化特征提取过程,进一步验证了所提取的诊断模型的有效性。 相似文献
6.
7.
8.
结合深度学习理论,将一维卷积神经网络运用于振动信号故障诊断,相较于传统方法,提取特征简单且高效。为进一步优化一维卷积结构,弥补其在信号所有位置的寻找模式,联系周期内的故障特征,提出一种新型DSCNN-GRU网络。该模型融合了深度可分离卷积的轻量快捷,降低了一维卷积结构参数;加入门控机制,可记忆分析故障点的信号特征,联系周期内的信号关系,更好地捕捉信号故障特征,提升对时间序列的敏感性。提出一种跟踪梯度优化Adam算法,解决模型随时间窗振荡问题。通过采集的减速机滚动轴承数据研究表明,该算法平均故障识别率可达94%以上,分类效果明显,泛化能力强。 相似文献
9.
小波包包络法是轴承振动信号分析中的一种重要方法,使用该方法可以对包含有故障特征频率的各频段信号进行分析,能够滤去噪声信号,有效地提取轴承的故障信息。在小波包分解时,对小波包细节信号的选取目前常用的是基于细节系数能量的方法,但该方法在信噪比较小的情况下对信号分析效果一般,结合自相关和互相关的特性,提出了一种改进型的小波包包络方法,为小波包分解中细节信号的选取提供了一定的理论依据,提高了小波包在轴承故障诊断中的判断准确度。 相似文献
10.
11.
一种萤火虫神经网络及在轴承故障诊断中的应用 总被引:8,自引:0,他引:8
萤火虫算法作为一种群体智能算法,具有良好的全局寻优特性,可用于解决神经网络在反向传播(Back propagation,BP)算法下易陷入局部极值点、收敛速度慢的问题。但在应用于神经网络时其参数选取缺乏有效依据或经验公式,参数取值不当时,萤火虫神经网络的训练误差无法有效收敛、种群个体之间协同寻优功能易失效。因此,提出一种双层萤火虫改进算法对其参数进行选取。用UCI数据及轴承故障试验对算法进行验证,结果表明,应用所提方法后萤火虫神经网络的训练误差收敛值显著减小,并且在训练效率、故障识别率方面均优于BP神经网络、遗传神经网络、粒子群神经网络。 相似文献
12.
13.
14.
为抑制噪声信号对轴承故障诊断的不良影响,应对轴承诊断方法在生产现场噪声干扰下精度下滑的问题,提出了一种对噪声具有强鲁棒性的故障诊断方法。首先,以自注意力神经网络为主要研究对象,对模型的深度、宽度进行分析,确定模型的宽度为16维,深度为8层时诊断效果最佳;然后,通过对比试验验证了位置编码模块在模型中的必要性;最后,与CNN,LSTM,MLP,SIM等模型的对比结果表明,基于自注意力神经网络的模型能够在低强度噪声环境下取得接近100%的诊断精度,在高强度噪声环境下的诊断精度也优于其他模型。 相似文献
15.
17.
机械故障信号双特征分析法是提高诊断准确率的有效方法,双特征分析法的关键是应用共振解调技术提取微冲击信号.为了提取微脉冲冲击,文中提出共振解调技术数学模型,并求解该模型的脉冲响应,为该技术的应用提供理论依据.工程实例表明,使用共振解调技术可以有效提取轴承故障微小脉冲冲击,通过在共振解调傅里叶谱图上分析冲击功率故障振动信号特征,可以较容易地进行故障诊断. 相似文献
18.
19.