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。     

基于小波-频谱分析的滚动轴承故障诊断的应用研究

对于实际工作中的轴承发生故障时,其故障冲击的能量小,干扰噪声多。直接采用频谱分析得到的频谱图谱线比较密集,有时很难鉴别出故障。本文利用小波多分辨分析能对信号进行不同频段分解特点,研究了小波-频谱分析在滚动轴承故障诊断中的应用。通过对滚动轴承外圈、内圈和滚动体三种不同的早期故障的实验信号进分析,结果证明该方法可以有效的鉴别出滚动轴承的不同故障。     

基于CEEMD和3点对称差分能量算子的滚动轴承故障诊断方法

为解决传统信号处理方法提取滚动轴承故障特征不精确和Teager能量算子解调信号的解调频率和幅值误差较大的问题,课题组提出一种基于互补集合经验模态分解和3点对称差分能量算子结合的轴承故障特征提取方法CEEMD-DEO3S。课题组首先对滚动轴承进行CEEMD分解前进行去噪处理来增强信号的故障脉冲;然后利用CEEMD将去噪后信号分解为一系列固有模态函数,并依据相关系数原则选择最能表征故障的敏感分量,重构后进行DEO3S解调,依据解调后得到的幅值和频率计算信号的包络谱。实验分析表明:所提方法解调信号的误差更小,提取轴承故障频率更精确。     

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...     

机械设备滚珠轴承故障声发射信号诊断与监控

滚动轴承受损时产生开放性裂纹,在受到交变循环载荷作用时会产生声发射信号。其信号与零部件形状、结构无关。本文以此为例建立神经网络故障分析诊断机制,在matlab中先做好程序调试,移植入labview中,利用小波分析重构算法,重构出滤波(除噪)后的信号,达到有用信号与噪音分离的目的,判别滚动轴承运行故障,确定检与修的人工处理模式,实现机械故障诊断处理智能化。     

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。     

新型10kV配电线路缺相故障定位方法

针对10k V配电线路常见的缺相故障,文章提出一种新型的缺相故障定位方法。该方法结合C型行波故障定位法和小波包分解方法可以迅速准确地完成线路缺相故障的定位。该方法的步骤是:首先采用C型行波方法进行故障距离的测量;然后应用小波包方法对信号进行多频带分解,以便分离噪声对特征波的影响;最后比较故障前后特征波的差异确定故障区段。文章利用PSCAD/EMTDC软件来模拟实际线路的缺相故障情况,仿真的结果验证了该方法对缺相故障定位的有效性。     

基于小波变换的抑制心电信号噪声方法研究

针对在采集心电信号的过程中容易产生多种多样噪声的问题,利用小波函数的多尺度多分辨分析的特性,采用小波变换分解重构的方法,选用4尺度对心电信号进行滤波处理.仿真结果表明,该方法对于50 Hz工频干扰、肌电干扰、基线漂移有较好的抑制作用,为心电信号QRS波的识别奠定了良好的基础.     

基于K-SVD学习字典的机织物纹理表征及应用

为更好地适应机织物纹理以及减少程序的运行时间,选取平纹、斜纹、缎纹3种组织结构采用Ｋ?奇异值分解（K-SVD）的方法训练得到一个自适应字典。以峰值信噪比、结构相似性为指标,探讨不同稀疏基数对机织物纹理图像重构的影响,针对不同的应用,选取了合适的稀疏基数T。利用该字典重构机织物纹理图像,在此基础上检测织物瑕疵。实验结果表明：T=6 时,算法不仅能有效重构机织物纹理图像（PSNR和SSIM）,而且重构效果要优于初始离散余弦转换（DCT）字典;T=4 时,K-SVD 字典能更好地适应瑕疵样本,且鉴别瑕疵的能力更强。     

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。     

电动汽车轴承振动信号预处理简述

电动汽车的很多部件都包含滚动轴承,滚动轴承的运行状态往往影响电动汽车的运行性能。本文主要分析通过传感器采集到的轴承振动信号,先对振动信号的机理进行分析,然后举出几种从离散频率噪声中分离轴承信号的方法;再采取相关的方法提取有效的轴承振动信号的信息;最后总结电动汽车滚动轴承故障诊断方法。     

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.     

基于EMD平均能量法的滚动轴承故障诊断

文中提出了一种用于滚动轴承故障诊断的系统一基于EMD和BP神经网络相结合的诊断系统。该方法首先对原始振动信号进行小波包预处理,提高信噪比,从而得到更适合研究的故障振动信号。然后再对信号进行EMD,分解得到IMF分量,对几个感兴趣的IMF进行分析,获得每个IMF分量的平均能量,作为BP神经网络的输入向量,由此训练神经网络,实现了对滚动轴承故障的智能诊断,并用实际的滚动轴承故障数据进行了验证。图6表2参12     

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。     

服饰设计视觉显著性检测

为快速、批量化检测服饰品的视觉兴趣度,依据人眼视觉注意模型,利用自底向上的视觉显著性检测方法描述服饰图像的视觉显著性。提取服饰图像的亮度、色彩、纹理方向 3 个底层特征,利用多尺度的分解方法构建出图像的多特征通道;采用归一化合并的方式对特征显著图进行滤波;对形成的 3类特征图进行融合,根据显著程度绘制视觉热点图及亮度图,从而划分图像的视觉显著区域,并进一步提出了视觉覆盖率和分散度 2个指标,用以对服饰图像的视觉显著性差异进行量化和评价。对常见色块、不同纹理织物、服装及配饰图视觉显著度进行实验检测,结果表明,本文方法可有效地描绘出图像视觉显著区域,快速、客观地评定出服饰图像的视觉显著度。     

小波在超声无损检测C复合材料缺陷中的应用研究

针对超声检测碳复合材料易出现的信噪比较低的问题,本文具体分析了典型的超声检测信号的组成和分离方法,提出利用小波包变换提取反映缺陷性质的特征值。结合MATLAB的工具箱编写信号处理程序,实现对信号的小波包的分解,同时输出信号的特征参数值和相关的分析结果图。最后,利用谊程序对带缺陷的碳复合材料进行分析,通过提取的特征值可以方便实现对缺陷定位的无损检测。     

基于伏安电子舌的枸杞产地快速辨识

提出一种基于希尔伯特—黄变换(HHT)—线性判别分析(LDA)的枸杞产地电子舌辨识方法。以宁夏、新疆、甘肃、青海4个产地的枸杞为试验材料,采用伏安电子舌采集不同产地枸杞的"指纹图谱"信息,利用集合经验模态分解(EEMD)对电子舌原始信号进行多尺度分解得到一组本征模态函数(IMF),分别求取其奇异谱熵和Hilbert边际谱作为特征向量。在该基础上,利用LDA建立枸杞产地非线性组合预测模型。试验结果表明,HHTLDA与分别采用特征点提取(FPE)、主成分分析(PCA)和离散小波变换(DWT)的算法相比,具有更好的分类效果。对未知产地枸杞的总体分类精度和kappa系数分别达到98%和0.973,均表明该模型具有较好的鉴别效果。     

基于多尺度冗余字典稀疏分解的纸病图像背景补偿方法

对于纸病检测中纸张图像背景不均匀以及图像灰度特征不明显等造成纸病测量精度低的问题,建立多尺度冗余字典,采用正交匹配追踪算法(OMP)对纸病图像进行稀疏分解,并根据纸病背景图像和纸病图像不同形态特征,对背景进行补偿,从而增强纸病特征。实验表明,该方法能够有效地重构并补偿纸病背景图像,突出灰度特征较弱的纸病,提高纸病检测的准确性。     

基于MOMEDA与BiLSTM的滚动轴承微弱故障识别方法

针对传统的滚动轴承智能诊断模型计算效率低和准确率欠佳问题,课题组提出一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted, MOMEDA)和双向长短时记忆(bidirectional long short-term memory network, BiLSTM)网络相结合的滚动轴承故障诊断模型。该模型利用MOMEDA方法增强故障特征,并结合遗传算法(genetic algorithm, GA)对BiLSTM模型参数进行优化,实现滚动轴承智能、高效及鲁棒性诊断。利用该模型对经典轴承数据集以及牵引电机轴承故障数据集进行验证,平均准确率达到了99.63%,分别比传统卷积神经网络(convolutional neural network, CNN)、单层长短时记忆网络(long short-term memory network, LSTM)、双向长短时记忆网络和最新的CNN-LSTM模型高16.02%,9.98%,7.01%和5.65%,验证了该模型的有效性和优越性。