基于CEEMDAN-Hilbert-CNN的滚动轴承故障诊断

在故障诊断方面,针对希尔伯特黄变换信号分解存在模态混叠和人工神经网络面对高维数据收敛性差、特征分类误差大等问题,提出一种改进的希尔伯特黄变换与卷积神经网络相结合的滚动轴承故障诊断的新方法:将希尔伯特黄变换的经验模态分解替换为自适应白噪声的完整经验模态分解,并与卷积神经网络相结合.提出的滚动轴承故障诊断新方法进行故障诊断...     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

基于Matlab的滚动轴承故障诊断方法的研究

滚动轴承被广泛应用于风力发电、直升机等各类机械设备中，由于其受到复杂的载荷作用并且工作环境较为恶劣，所以轴承较为容易受到损坏。如果不能及时发现轴承故障，则会造成较大的事故，或导致停产与造成经济上的损失。本文通过对轴承故障振动信号的采集，利用Matlab软件对数据进行处理，力求在初期就能够及时发现故障，为维修提供科学依据，节约维修时间和成本。     

滚动轴承故障诊断

本文分析了轴承故障信号的基本特征,并将共振解调技术的原理用于滚动轴承的故障诊断。在实践中运用该技术手段消减了背景噪声的干扰,提高了轴承的信噪比,取得了与实际情况完全吻合的诊断结果。     

基于EEMD特征提取的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性与非线性的特点,提出将集合经验模态分解(ensemble empirical mode decomposition, EEMD)方法用于轴承信号处理.滚动轴承故障诊断的重要环节是特征提取,其直接关系到轴承故障诊断的正确率.因此,将熵知识应用到轴承特征提取步骤中,应用奇异熵与能量熵知识,提出一种峭度值与以上两种熵进行特征融合的特征提取方法,完成滚动轴承故障诊断.该方法首先对滚动轴承的振动信号进行EEMD模态分解为若干个本征模态函数(intrinsic mode function, IMF)之和,对每个含有故障特征的IMF进行奇异熵、能量熵与峭度值求取;其次,将求得的三种数据输入核主元分析(kernel principal component analysis, KPCA)中进行特征融合与特征提取;最后,将提取的特征作为支持向量机(support vector machine, SVM)的输入参数进行故障分类.试验结果表明此方法能够准确有效地识别出滚动轴承的工作状态,实现了滚动轴承故障分类的自动化.     

基于RBF网络的滚动轴承故障诊断

首先对滚动轴承振动信号进行前期处理(包括粗大误差处理和通过小波变换对信号消噪),然后提取出能反应轴承运行状态的特征向量作为RBF网络的输入量,采用RBF网络对滚动轴承进行了故障诊断.仿真结果表明,该方法实用有效.     

基于cRIO的滚动轴承故障诊断系统设计

为解决传统故障诊断仪器功能单一、开发成本高且升级换代困难等问题,本文设计了一种基于cRIO的滚动轴承故障诊断系统.系统开发采用LabVIEW和MATLAB混合编程技术,实现了数据采集、数据分析和时频特征提取,并在LabVIEW中实现了神经网络的故障诊断.系统首先采用cRIO数据采集平台采集滚动轴承的振动信号和噪声信号,对采集的振动信号进行时域特征和EEMD分解后IMF能量特征的提取,并将其作为子网络1的输入;同时,对采集的噪声信号提取时域特征,并进行小波包分解提取各频段能量特征,作为子网络2的输入;两个子网络的局部诊断结果归一化后运用D-S证据理论进行决策级的信息融合得到融合诊断结果.最后,通过振动信号包络谱分析验证融合诊断结果并得到最终的故障诊断结果.系统测试结果表明该系统具有较高的可靠性,能够有效识别滚动轴承的故障类型.     

基于V-detector算法的滚动轴承故障诊断方法

针对实值阴性选择(RNS)算法的检测器尺寸不能自适应变化的问题,提出基于变检测半径的RNS算法(V detector)的轴承故障诊断方法.将计算轴承振动信号局域波分解后各基本模式分量的关联维数作为特征向量,并根据故障模式将其划分为多个自体样本集,采用V detector算法训练多个检测器集,用其对轴承故障进行诊断.结果表明：自体半径过小则误诊率高,自体半径过大则检测器灵敏度低,这都将导致准确率减小;覆盖率越高,则准确率越高、计算花费越大,当覆盖率≥95%时,覆盖率对准确率的影响远小于其对计算花费的影响;相对于基于RNS的诊断方法,V detector算法具有同样高的准确率,且计算花费显著减小、稳定性更高,可有效地识别轴承故障.     

基于虚拟仪器的滚动轴承振动故障诊断系统

介绍了小波变换在滚动轴承故障特征提取中的应用．结合小波变换研制了一套滚动轴承故障诊断虚拟仪器系统．通过对滚动轴承振动信号的小波变换分析,可提取滚动轴承运行状态的特征向量,分析滚动轴承的振动信号,诊断轴承的故障．     

基于VMD与SET的滚动轴承故障诊断

在滚动轴承故障诊断研究中,同步提取变换(SET)在分析单分量信号时能显著提高时频可读性,但在分析多分量信号时存在时频模糊问题.为解决这一问题,首先通过变分模态分解(VMD)解调分离出信号的固有模态函数(IMF)分量;再对IMF分量进行希尔伯特变换,凸显故障特征频率;然后对变换后的IMF分量进行SET处理,实现时频聚焦提高时频分辨率,获得信号的时频解调谱,从而识别故障.经试验验证,该方法能准确提取信号的时频解调谱,识别故障频率及其倍频,诊断轴承故障.     

基于VMD的滚动轴承早期故障诊断方法

滚动轴承是旋转机械的重要零部件,当发生早期故障时,难以有效地提取其微弱的故障特征.针对这一问题,提出了优化参数K取值的变分模态分解(variational mode decomposition,VMD)早期故障诊断方法.首先,通过瞬时频率均值判断法确定模态数K的取值,然后用VMD方法对采集的轴承故障信号进行处理.通过筛选轴承故障信号分解得到本征模态函数分量,对其中的敏感分量进行包络谱分析,从而判断轴承的故障类型与严重程度.最后,分别比较EMD和原VMD算法得到的结果.结果表明:优化后的VMD算法能成功地提取滚动轴承早期故障特征,实现轴承早期故障诊断.     

基于小波包分析的滚动轴承故障诊断

应用小波包分析方法构造滚动轴承故障信号的能量特征向量,再以此作为神经网络的输入,对滚动轴承故障进行分类,实践表明,能量特征向量较显著的表达了故障,有较好的诊断效果.     

基于DSP的滚动轴承在线故障诊断系统

为了提高滚动轴承故障诊断的准确性,介绍了一种基于DSP和组态软件的滚动轴承在线故障诊断系统。该系统以DSP作为信号处理部分,以组态软件作为人机交互界面,通过采用轴承振动信号的时域特征参数法对滚动轴承故障进行判断。实践检验证明,该系统能准确地判断出滚动轴承故障,具有较好的应用前景。     

基于多特征提取的滚动轴承故障诊断方法

滚动轴承故障是旋转机械失效和损坏的最主要原因之一。轴承振动信号通常表现为非线性和非稳态的特征。常规的时域和频域方法不容易对轴承工作的健康状况做出准确的评估。提出了一种基于多特征提取的滚动轴承故障检测方法,首先从轴承振动信号中提取故障特征（熵特征、Holder系数特征及改进分形盒维数特征）,然后通过灰色关联理论算法自动地识别出轴承的故障类型和严重程度。该方法能够在确保检测实时性的同时,准确有效地识别不同的滚动轴承故障类型及其严重程度。     

基于独立分量分析的滚动轴承故障诊断

本文应用独立分量分析(ICA)将滚动轴承系统产生的声信号从传声器获取的声信号中分离出来,然后再采用基于morlet小波变换的包络分析进行再次降噪并获取特征信号,将此特征信号的特征频率与转子频率之比作为已经训练好的线性神经网络的输入向量,以对滚动轴承的运行状态做出判断.实验表明,此方法可靠、有效地诊断出了轴承的状态.     

基于Self-Weight与t-SNE的滚动轴承故障诊断

针对滚动轴承故障信号非线性、故障特征种类繁多难以准确分类的问题,提出了一种Self-Weigh与t-SNE相结合的解决方法。先用WPT完成对原始故障信号的处理及特征的提取,然后采用Self-Weigh评估每个特征的敏感程度,获取最优特征;再对这些最优特征通过t-SNE进行降维可视化处理,获取低维敏感特征,并将其作为AP传播聚类的输入,从而实现故障类型100%正确识别。采用机械综合模拟实验平台的轴承数据加以验证,并与采用t-SNE、Self-Weigh+PCA方法进行对比,结果体现了所提方法的优势。