拟合故障振动信号模型实现滚动轴承故障诊断

针对传统故障诊断流程的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断,并在风力发电机组齿轮箱故障诊断中验证了有效性和实用性。首先根据滚动轴承发生故障时振动信号的特点,提出故障振动信号模型,然后通过遗传算法对该模型做数据拟合,拟合数据来自EMD(Empirical Mode Decomposition)方法对原始振动信号分解所得IMF(Intrinsic Mode Function)分量,最后将拟合结果和轴承各部件的故障特征频率作对比,可知损伤点所在部位。通过仿真、实验和现场信号的分析,验证了可通过拟合故障振动信号模型实现故障部位的准确诊断。     

振动频谱分析在滚动轴承故障诊断中的应用

滚动轴承是转动设备中应用最为广泛的机械零件,是轴及其他旋转构件的重要支承,是最早采用专业化大批量生产的机械基础件之一,在日常的使用与维修中发现,轴承同时也是最容易产生故障的零件。根据不完全     

改进极限学习机在滚动轴承振动故障诊断中的应用

滚动轴承广泛应用于机械、铁路运输、航天航空等领域,在旋转机械设备的正常稳定运行中占据着至关重要的位置,其振动故障的准确、快速诊断是保证机械设备正常稳定运行的必要手段,因此,研究一种能够有效诊断滚动轴承振动故障的方法具有重要意义。针对滚动轴承振动信号具有非平稳性、非线性和影响因素相互影响相互作用的特点,结合小波分析理论对滚动轴承振动信号进行故障特征提取,通过借鉴支持向量机的分类思想,从最优化角度出发,引入结构风险最小化原理对极限学习机进行改进及优化,并结合改进后的方法构建了滚动轴承振动故障诊断模型。仿真结果表明,改进的极限学习机进一步提高了滚动轴承振动故障诊断的效率和分类准确率,为滚动轴承的振动故障诊断提供了新思路和新方法。     

滚动轴承故障诊断新方法研究

提出基于掩蔽信号法改进HHT提取滚动轴承故障诊断方法。采用掩蔽信号,通过能量均值法确定掩蔽信号,改进HHT从而削弱其模态混叠现象的产生,并降低噪声的影响。基于掩蔽信号法改进HHT首先引入隐蔽信号对滚动轴承的故障信号进行EMD分解,得到基本模式分量,然后对得到的一系列的基本模式分量分别做Hilbert-Huang变换求得包络谱,从而提取了滚动轴承的故障信息。实验结果表明,该方法能对滚动轴承的故障进行有效地诊断,与传统谱分析方法相比具有明显的优越性。     

滚动轴承的振动监测与故障诊断系统

论述滚动轴承的振动监测与故障诊断的原理、方法和系统。采用振动监测系统对滚动轴承进行巡回在线监测 ,发现故障后发出声光警告 ,然后自动转入诊断模块 ,用共振解调法进一步判断故障发生部位及其趋势等。附图 4幅 ,参考文献 3篇。     

小波变换与EMD分析在滚动轴承故障诊断中的应用

针对滚动轴承故障信号的非平稳和调制特点,将小波变换与一种新的信号分析方法EMD(经验模态分解)相结合用于滚动轴承故障诊断。该方法首先利用小波分析技术对检测的信号进行分解,并对含有故障特征的信号进行重构。然后对重构信号进行EMD分解,选取能够反映故障特征的IMF分量进行边际谱分析,得出滚动轴承故障信号对应的频谱,由此确定轴承的故障模式。实验研究结果表明该方法正确有效。     

基于振动信号的轴承故障诊断技术综述北大核心

介绍了轴承振动的产生及故障诊断技术的典型分析方法,阐述了轴承故障诊断技术的发展历史和研究现状,最后总结了轴承故障诊断技术的发展趋势和不足。     

基于LE-DBN故障诊断模型的滚动轴承振动信号特征提取

为了提高滚动轴承的高效率运行,设计了一种基于拉斯特征映射-深度置信网络(laplacian eigenmap-deep belief network, LE-DBN)故障诊断模型的滚动轴承振动信号特征提取方法。利用LE算法从高维振动数据中提取获得流形参数,分别测试包含少量有标签与大量无标签样本的DBN网络训练结果,再对各类故障实施分类。研究结果表明：采用训练集识别时准确率在99.8%附近,表明该模型可以对训练数据发挥理想拟合性能。LE算法比PCA、KPCA算法都达到了更优特征提取效果,选择合理参数可以使准确率达到99.8%。采用多传感器实施特征融合时相对单个传感器的诊断性能更优。有标签样本个数在60～120之间时,采用DBN网络可以获得比CNN网络更理想的分类结果。该研究可以达到可靠性标准,更能适用于其它的机械传动设备。     

基于CNN并引入EMD预处理机制的滚动轴承故障诊断方法

滚动轴承故障信号具有非线性、非平稳、强噪声特性,传统算法依赖于人工特征提取且缺乏自适应性。为此,该文利用经验模态分解(EMD)将原始特征集分解为一系列平稳的本征模态函数(IMF),结合相关系数遴选能突出更多局部特征的IMF构建特征向量,剔除部分噪声干扰信号。构造卷积神经网路(CNN)的多层特征提取网络,以遴选的特征向量为输入将其逐级变换为抽象的深层特征,最后完成特征域到故障类别域的映射。实验结果表明,该算法相比较其他方法具有更高的准确率、更好的鲁棒性。     

滚动轴承故障的振动信号诊断方法

针对滚动轴承损伤类故障振动信号的特点,充分利用HMM、SVM在序列行为的分类和小样本方面的优势,把SVM的输出转化为HMM中观察值概率矩阵模型,建立了动态过程时间序列分类器,提高模型的学习速度和分类性;基于对包络解调信号提取AR模型参数构建的用于训练和故障识别的特征矢量,提出了一种基于SVM-HMM混合算法的滚动轴承故障诊断方法.将该方法应用到滚动轴承故障诊断中取得了较好的效果.     

深度残差网络在滚动轴承故障诊断中的研究

近年来,由于传统人工提取特征的方法不足以准确表征滚动轴承的健康状态,深度学习算法被逐渐应用于滚动轴承的故障诊断中,它能够自适应的从输入数据中学习出所需要的特征.其中,相较于普通的深度学习算法,深度残差网络通过恒等映射的方式可以大幅度降低模型的训练难度.因此,采用了一种用于滚动轴承故障诊断的深度残差网络(ResNet),...     

滚动轴承故障的灰色GM模型预测

本文通过大量实验,获取滚动轴承时域特征参数,应用灰色GM模型进行故障预测,实验表明,灰色理论用于故障预测,具有较高的预测精度,适宜在故障预测领域作应用推广。     

滚动轴承故障诊断机理研究

滚动轴承是常用机械组件,对其故障机理和诊断方法进行研究,能有效提高其安全性和可靠性。通过建立滚动轴承非线性动力学模型,计算出轴承故障振动响应。在模型计算结果中添加谐波分量和白噪声干扰,通过EEMD分解和峭度分析方法,抑制噪声干扰,突显故障特征信号。以深沟球轴承6205为例验证了故障诊断方法的有效性和动力学模型的正确性。首先建立非线性动力学模型,通过计算分析,揭示故障机理。利用基于EEMD的故障诊断方法,有效地突显故障信号,并验证动力学模型正确性。     

多核LSSVM算法在轴承故障识别中的应用

针对最小二乘支持向量机(LSSVM)实现过程中盲目选择核函数的现象,提出了一种基于核极化的多核LSSVM与EMD相结合的滚动轴承故障识别算法。首先,对滚动轴承振动信号进行EMD信号提取,进而提取故障特征向量;然后,根据多核构造原理,引入核极化确定基本核函数的组合权系数,构造多核函数;最后,结合多核函数与LSSVM,形成多核LSSVM学习器,进行故障识别。分析滚动轴承正常状态、内圈故障、外圈故障和滚动体故障的诊断实验结果,可知,EMD与多核LSSVM的故障识别算法可以准确地判断滚动轴承的工作状态和故障类型,并与SVM、LSSVM算法的诊断结果进行对照,表明所提算法的故障识别率更高。     

基于奇异值分解的滚动轴承故障诊断的神经网络方法

径向基函数神经网络是一种三层前馈型神经网络,它具有较强的非线性函数逼近能力和分类能力.根据径向基函数神经网络的优点,在对滚动轴承振动信号故障特征分析的基础上,提出一种应用奇异值分解将高维相关变量转化为低维独立变量,并利用其特征值建立径向基函数神经网络的方法,同时将该网络用于对滚动轴承的故障诊断.理论和试验证明了该方法的有效性,且具有较高的故障分类精度.     

ELM-Adaboost分类器在轴承故障诊断中的运用

研究强分类器ELM-Adaboost模型在滚动轴承故障诊断中的运用.首先,从滚动轴承故障振动信号中提取时域特征参数,并采用因子分析法对变量进行降维处理;其次,对ELM-Adaboost模型中的关键参数进行详细分析,并选择最优的参数对ELM-Adaboost模型进行优化;最后,将ELM-Adaboost模型用于滚动轴承故...     

基于复合信号处理的滚动轴承早期微故障诊断研究

针对滚动轴承早期故障的微弱信号检测问题,将小波包、谱峭度和包络分析三者相结合,提出一种新的故障诊断方法,该方法首先通过小波包降噪提取原始含噪信号中的高频成分并提高信噪比,然后对降噪后的重构信号应用谱峭度理论来确定合适的带通滤波参数,最后对带通滤信号进行包络解调而得出故障特征频率信号,从而实现滚动轴承的早期微弱故障诊断。对基于小波包和谱峭度的故障诊断法在滚动轴承故障诊断中的应用进行了研究,实验结果表明该方法可以有效抑制背景噪声,提取有用故障信息,为滚动轴承的故障诊断提供了一种切实可行的方法。     

便携式滚动轴承故障智能诊断系统的设计

设计了一种便携式滚动轴承故障智能诊断系统，对系统的工作原理、硬件结构及软件技术进行了详细的描述。该诊断系统除具有“便携式”的特征外，还具有操作简便，测试、诊断与分析自动化、智能化等特点，适用于生产现场对滚动轴承故障进行快速、自动地诊断。     

改进希尔伯特-黄变换的滚动轴承故障诊断

针对希尔伯特-黄变换中经验模态分解方法存在的端点效应和虚假固有模态函数的问题,提出一种改进希尔伯特-黄变换方法并将此方法应用于滚动轴承故障诊断中。首先,利用最小二乘支持向量机和镜像延拓相结合的方法来抑制端点效应;其次,采用敏感固有模态函数选择算法选出反映故障特征的敏感固有模态函数;最后,利用敏感固有模态函数的包络谱进行故障诊断。通过仿真分析和应用实例可看出,该方法能够有效提取出滚动轴承故障信号的特征信息并准确诊断出引起滚动轴承的故障原因。     

多域特征提取和MD-MTS的滚动轴承故障诊断方法

为及时提取滚动轴承的有效故障特征,准确识别其故障状态,提出一种多域特征提取和多维马田系统(MD-MTS)相结合的故障诊断方法.该方法主要包括三个方面的内容:振动信号的多域特征提取、基于MD-MTS的故障诊断模型构建和实验验证.首先,利用统计分析、快速傅里叶变换(FFT)、Hilbert变换和改进的经验模态分解(EMD)...