滚动轴承振动诊断的BP神经网络方法

归纳和总结了BP神经网络多参数诊断法的实施步骤,阐述了故障轴承振动与信号的关系以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了反映滚动轴承故障类型的振动信号特征参数,用这些特征参数训练神经网络,利用MATLAB6.5神经网络工具箱模拟和仿真BP神经网络,然后用训练后的BP神经网络对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,并且在MATLAB仿真的过程中合理的选择训练函数和各种参数,则具有很强的故障识别能力。说明了利用MATLAB仿真BP神经网络进行滚动轴承振动诊断是可行而且有效的。     

基于Dropout-CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout-CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率高达99. 5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

基于CEEMD-SE和LSTM的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,课题组提出了一种基于多频率尺度样本熵(SE)和长短期记忆神经网络(LSTM)相结合的寿命预测模型.该模型采用互补集成经验模态分解(CEEMD)结合相关系数分析,从滚动轴承振动信号中提取包含主要退化信息的IMF分量,并提取...     

基于EMD和AR模型的轴承故障诊断

构建集外圈、内圈和滚动于一体的轴承故障动力学模型,获取轴承运行时的轴承振动信号,采用基于EMD和AR模型的轴承故障诊断方法,将轴承振动信号分解成IMF分量后构建AR模型,再采用该模型自回归参数与残差的方差构建轴承综合判定距离,依据最小综合判别距离对应的状态完成轴承故障诊断。分析研究表明:诊断轴承正常、外圈故障以及内圈故障时,该方法诊断结果误差小、复杂度低,达到了高效诊断轴承故障的目标。     

微波干燥设备火情监控中的EMD和自功率谱分析

针对大型微波干燥设备火情监控的需要以及火情照度信号的非平稳随机性的特点,提出了一种应用EMD(经验模态分解)方法将照度信号分解出IMF(本征模式分量)并作自功率谱分析,以此得到信号能量沿频率轴线的动态分布,从而实现微波腔体内的火情监控。经过试验,仅需通过EMD方法分解得到少数IMF分量即可通过自功率谱中信号能量分布实现火花事件判定,充分验证了上述方法在火情监控中的可行性和有效性。     

基于快速自适应经验模态分解的高速经编机振动分析

针对某型高速经编机在高转速下结构振动过大以及机构运动信号与结构振动信号相混叠,故障特征难以分离的问题,提出基于快速自适应经验模态分解(FAEMD)算法的经编机振动故障诊断方法。首先运用FAEMD算法将原始振动信号分解成有限个本征模态函数(IMF),然后计算各IMF分量与原信号的相关性,结合经编机运动特点,判断其中相关性最大的本征模态函数为机构运动分量并去除,最后将剩余分量重组实现结构振动信号的提取。将该方法应用于经编机振动故障诊断中,对动态振动数据进行处理,结合静态固有频率测试,成功提取出与实际故障现象相同的信号频率特征,判断出经编机在高转速下振动过大的原因,为后续经编机振动优化提供了参考。     

CEEMDAN辅助快速谱峭度的滚动轴承故障诊断方法

为解决集合经验模态(EEMD)存在分量重构误差大和提取的故障特征不明显问题,课题组提出一种自适应噪声完备集合经验模态分解(CEEMDAN)辅助快速谱峭度的故障诊断方法。首先采用CEEMDAN将故障信号分解为多个IMF分量,计算分量的谱峭度值,选择峭度和相关度最大的分量进行重构;然后通过快速谱峭度图确定最大共振频带,进行带通滤波分析,获得故障信息;最后采用某滚动轴承实验数据分别对内圈故障和外圈故障进行实验分析。结果表明：与原始故障信号相比,该方法获得的包络谱更清晰,故障频率更明显,内圈故障频率为162 Hz,外圈故障频率为107 Hz。该方法提取故障特征突出,可以得到有效的故障频带。     

基于经验模态分解和离散小波能量特征的地毯织机噪声源识别

为识别和定位地毯织机主要噪声源,提出一种基于经验模态分解（EMD）和离散小波能量特征的地毯织机噪声源识别方法。首先应用EMD 对地毯织机噪声信号进行分解,获得若干本征模态分量,根据互相关系数剔除虚假分量并重构信号;其次使用ab 20小波对重构信号进行离散小波变换,分解得到各小波分量并计算各分量的能量 占比;然后提取能量占比较大的分量,分析其时频特性;最后采用激光测振仪依次测量地毯织机各主要部件的振动信号,对比分析得到主要噪声源所在位置,从而完成识别。研究结果表明,该方法可有效地识别和定位地毯织机主要噪声源。     

小波分析在纸机压榨部轴承故障诊断中的应用

针对纸机压榨部滚动轴承尺寸大响应弱、运转速度低、低频信号容易淹没、调制源多、振动信号非平稳性等特点而导致常规的傅立叶分析诊断故障效果不佳的情况，提出了一种应用小波变换的时频分析方法，对振动信号进行分解和重构处理，获得了振动信号在不同的频段的分量，提取相应特征频段重构分量的功率谱的频域统计值作为特征参数。从而实现对轴承故障诊断。试验结果显示该方法对纸机压榨部故障诊断有很好的效果。     

基于EMD和小波变换的信号去噪

本文针对振动信号易被噪声污染的特点,采用了EMD＋小波的方法对振动信号进行去噪处理。即在EMD分解的基础上,利用评估系数辨析出被噪声污染严重的分量,并通过小波变换对噪声Imf分量进行去噪。然后建立仿真信号,验证出EMD＋小波的方法对信号去噪是可行的,最后利用信噪比,与常用的去噪方法进行比较,得出了EMD＋小波方法方便、灵活,不受傅里叶变换的限值等。     

基于邻域相关性小波去噪的滚动轴承包络解调及故障分类

将邻域相关性的冗余第二代小波应用于滚动轴承信号降噪,用Hilbert包络解调法提取的故障特征频率,比较不同转速和载荷下的提取效果,提出包络幅值峭度指标,并将其输入BP神经网络进行故障诊断。结果表明:基于邻域相关性的冗余第二代小波降噪方法能很好的抑制噪声,保留原信号的信息;降噪后的故障信号经过Hilbert包络解调能找到特征频率及其倍频,其效果优于原始信号的包络解调分析。工况会影响分析效果,且速度对提取效果的影响大于载荷。包络幅值峭度指标能很好区分不同工况的故障信号,结合BP人工神经网络诊断正确率为100%。     

基于模糊神经网络的造纸机变量泵故障诊断

提出了一种模糊神经网络的纸机变量泵故障诊断方法。针对纸机变量泵运行时转速变化的特点,采用基于数字重采样的阶比分析方法对变量泵振动信号进行预处理,将非平稳信号转换成平稳信号以利于有效提取信号特征。以变量泵振动信号阶比波谱各频段上的能量为特征参数,通过模糊神经网络模型诊断其转子不平衡、油膜振动、轴与轴承不对中故障。该方法充分发挥了模糊神经网络强大的自学习能力和知识表达能力的优点,有效提高了故障诊断的精度和效率。     

中高速卫生纸机烘缸轴承的振动特征分析

研究和发展新的中高速卫生纸机烘缸轴承故障诊断技术是造纸装备行业研究的一项重要课题。本课题在中高速卫生纸机烘缸轴承振动机理的基础上,结合烘缸轴承的自身结构和失效形式,研究了烘缸轴承内、外圈滚道和滚动体表面存在缺陷时的时域及频域特征,并给出固有振动频率及各种故障的振动特征频率方程。利用自主开发的故障诊断系统对实际测试数据进行快速傅里叶变换红外光谱分析发现,通过对中高速卫生纸机烘缸操作侧轴承进行状态监测,可以提取中高速卫生纸机烘缸轴承的振动特征,用于对烘缸轴承是否存在故障的在线判断。     

倒频谱在造纸机压榨轴承故障诊断中的应用

探讨了倒频谱技术在造纸机压榨部滚动轴承故障诊断中的应用.研究表明,倒频谱技术在识别滚动轴承振动频谱的边频、消除系统传递函数影响等方面具有显著的优越性.针对压榨部滚动轴承振动信号的特征,利用倒频谱技术可简化谱图的特征分析,提高压榨部滚动轴承在线故障诊断的准确性.     

基于小波分析的折叠成网机传动辊轴承故障诊断

针对折叠成网机传动辊轴承振动信号调制源多和呈现非平稳性等特点而导致常规的傅立叶分析诊断故障效果不佳的情况,提出了一种小波变换的时频分析方法,对轴承振动信号进行分解和重构处理,获得振动信号在不同的频段的分量,提取相应特征频段重构分量的功率谱的频域统计值作为特征参数,进行轴承故障诊断。试验结果显示该方法有较好的诊断效果。     

DTA型双捻机收线总成的故障频率分析

DTA型双捻机是捻制钢帘线的设备,由于其收线部分飞轮盘转速较高,当轴承失效、轴系存在不平衡、机架轴承孔不对中时,设备会出现剧烈振动,导致零部件损坏,仅靠工作经验来维护设备已经不适应生产要求。通过分析收线机主要部件的振动基频,给出左旋转轴总成不平衡和滚动轴承失效引起振动的频率计算方法,建立EX-CEL电子表格快速计算出相关频率,找出振动的频率与发生故障的关系,并与实际振动频率测量值相比较,快速确定缺陷部位及严重程度,增强设备的可维护性,提高工作效率。     

基于谱峭度Morlet小波变换法和经验模态分解的滚动轴承故障诊断研究

本研究针对轴承早期故障信号微弱不易检测的缺陷,提出了一种基于谱峭度Morlet小波变换法和经验模态分解的轴承早期故障信号检测与增强的方法.该方法把谱峭度引入到Morlet小波中,根据谱峭度变化寻找Morlet小波的最佳匹配参数,最大限度地增强故障弱信号;然后对信号进行经验模态分解,以信号相关系数大小确定重构信号的基本模态分量,对重构信号进行包络分析完成故障诊断.实验结果验证了此方法在滚动轴承早期故障诊断中的良好应用效果.