自适应MED降噪和EMD分解在注塑机轴承故障诊断中的应用

针对注塑机轴承故障信号含有强背景噪声且难以诊断的问题,提出使用最小反褶积(MED)降噪算法结合经验模态分解(EMD)对注塑机轴承的故障振动信号进行分析,通过所得频谱确定注塑机轴承故障位置。结果表明:该方法可以对含有较大背景噪声的仿真信号及实例轴承信号去噪,经EMD分解后可得到高信噪比故障信号,通过频谱分析技术可以很好地诊断输入信号是否存在故障。     

基于PNN神经网络的滚动轴承声发射故障诊断研究

文章针对滚动轴承三种工作状态下即内圈故障轴承、外圈故障轴承以及正常轴承,设计了轴承声发射检测实验,进行了声发射信号采集。对采集的声发射信号首先进行小波包分解提取故障特征向量之后用概率神经网络(PNN)对故障进行识别,分析实验数据表明小波包分解和PNN结合对滚动轴承故障诊断是有效的。     

基于相关性小波奇异熵的滚动轴承故障特征提取

针对轴承故障信号受噪声影响严重,导致故障特征提取稳定性较差的问题,将小波变换、相关性、奇异值分解和信息熵理论相结合,提出一种基于相关性小波奇异熵的轴承故障特征提取方法。该方法首先将轴承信号进行小波分解,利用小波分解系数和噪声的相关性特点不同,引入相关计算以去除噪声的影响;然后对相关处理后的规范化系数进行奇异值分解,轴承的不同故障信息就体现在奇异值中;再利用信息熵的统计特性对奇异值进行不确定度计算;最后,以相关性小波奇异熵作为特征向量,通过概率神经网络对滚动轴承故障进行识别。实验表明:该方法能够有效地提取轴承故障特征,具有良好的容噪能力和稳定性。     

基于经验模态分解的注射机轴承故障诊断

针对注射机轴承信号进行故障诊断易受到工作环境中其他噪声影响的问题,提出一种基于经验模态分解(EMD)结合快速傅立叶变换(FFT)对轴承振动信号提取故障特征的方法。对振动信号使用EMD算法以完成信噪分离,选取出高信噪比分量进行FFT算法变换,通过频谱图分析轴承故障位置。结果表明:使用变分模态分解算法对含有较大噪声的仿真信号和强背景噪声下注射机轴承故障信号有较好的降噪效果,通过FFT能准确诊断注射机轴承是否出现故障,二者结合达到很好的故障诊断效果,去噪效果明显,为其他旋转机械的故障诊断提供了参考。     

基于CEEMD和GG聚类的轴承故障识别方法

为提高复杂工况下滚动轴承故障识别率,提出一种基于互补总体平均经验模态分解(CEEMD)和GG聚类的轴承故障诊断方法。用CEEMD方法对原始采样信号进行分解,并选择包含故障特征丰富的IMF分量求解近似熵,最后将近似熵作为特征向量输入GG聚类分析器中对轴承故障类型进行分类与识别。验算分析结果证实该方法能够有效提高复杂工况下滚动轴承的故障识别精度。     

基于遗传算法化工领域往复压缩机故障诊断分析

在对往复压缩机轴承故障诊断相关问题进行研究的时候,提出了变分模态分解(Variational Mode Decomposition,VMD)参数优化方法。VMD是一种高效的时频分析方法,具有很强的信号处理功能,可以通过一次性分解的方式对多分量信号进行处理,很好的满足各种实际生产和实践中的需求。研究使用遗传算法得出VMD算法的最佳影响参数组合,并对相关的带宽参数以及分量个数等进行研究,得到分解故障信号。之后,对分解后的BLIMF分量峭度值进行计算,并通过筛选,得出最佳BLIMF分量,实现对故障信号的重构。针对重构后得到的故障信号实施MDE分析,并通过极限学习机测验等方式,可以获得相应的故障类型中识别效果。在研究中,还结合实际案例进行了分析,证实了所提出的往复压缩机轴承故障诊断和识别方法是有效的。     

基于EMD与核马氏距离的变速器轴承故障程度评估研究

变速器轴承故障是失效模式的重要因素,故障程度评估是剩余寿命预测的基础,也是实现"视情维修"的前提。经验模态分解(Empirical mode decomposition,EMD)通过信号本身的时域特征,将其自适应地分解为多个分量,具有优异的时频聚焦能力,经常被用于非平稳信号的故障特征提取。本文将EMD与核马氏距离相结合,利用EMD优异的时频特性进行特征提取,以核马氏距离评估轴承的故障劣化程度。     

基于CEEMD-SVD和ELM的滚动轴承故障诊断

针对滚动轴承故障特征难以提取和故障难以识别的问题,提出一种基于互补总体平均经验模态分解(CEEMD)与奇异值分解(SVD)和极限学习机(ELM)分类模型相结合的滚动轴承故障诊断方法。该方法首先通过CEEMD对原始采样信号进行分解,得到由高频到低频组成的固有模态分量(IMFS),通过互相关性分析筛选出最能表征原始信号的固有模态(IMF)分量,并对它进行奇异值分解,然后将分解得到的奇异值作为特征参数构造特征向量,最后采用ELM分析提取特征向量矩阵,并建立ELM分类模型,实现对轴承故障类型的识别。仿真结果表明该方法对滚动轴承的故障识别度达到了95.0%。     

塑料光纤传感器在烟草机械故障诊断的应用研究

基于塑料光纤传感器在烟草机械的故障监测诊断方法。通过塑料光纤传感器采集了烟草机械轴承的状态信号,研究了振动信号的时域信号和频域信号。结果表明:内圈故障和外圈故障对轴承带来的冲击最大,振动幅值相对于滚子故障轴承更高。均值、峰值指标和波形指标不适用于轴承的故障状态识别,峰值、脉冲指标和裕度指标适合识别内圈故障和外圈故障的轴承,有效值和峭度指标适合区分内圈故障、外圈故障、滚子故障和正常状态的轴承。正常状态轴承信号谐波分量最少,内圈故障和滚子故障轴承信号的谐波分量最多。滚子故障轴承信号的谐波分量幅值最小,外圈故障轴承信号的谐波分量幅值最大。     

带式输送机滚筒轴承故障预警装置研究

针对带式输送机滚筒轴承故障难以发现问题,提出一种滚筒轴承故障预警装置,该装置通过布置在轴承座上的温度传感器对轴承运行温度进行监测,并根据预先设定的故障排除程度对故障进行判定、发出预警信号,从而提升带式输送机运行可靠性。详细对滚筒轴承故障预警装置温度传感器、温度变送器选型及安装位置,轴承故障判定程度等进行阐述。现场应用后,该装置可实现轴承故障预警,从而提升带式输送运行可靠性,应用效果显著。     

滚动轴承故障声学信号小波分析方法研究

采用小波分析方法,对非接触式声学测试中的滚动轴承故障声学信号进行多尺度分解,计算分解后每层信号的能量系数,结合噪声信号频率特性,去除能量较低的频段信号,对能量集中的频段进行波形重构,得到最能代表声发射源特征的信号,并利用功率谱分析了其频域特性。     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征 ,采用小波包分析对其建立频域能量特征向量 ,利用径向基函数神经网络完成滚动轴承故障模式的识别。理论和试验证明了该方法的有效性。     

小波分析在真空练泥机轴承故障诊断中的应用

针对练泥减速机滚动轴承运转速度低、响应弱、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，提出了一种小波变换的时频分析滚动轴承故障诊断方法。利用小波变换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真空练泥机轴承故障诊断有很好的效果。     

基于小波包分析和BP神经网络的滚动轴承非接触声发射诊断方法

采用声发射技术对滚动轴承进行非接触诊断,以小波包分析方法提取故障信号的能量特征向量,作为BP神经网络的输入向量进行模式识别,区别完好轴承和各类故障轴承。     

碟式分离机横轴轴承的故障分析与诊断

比较了滚动轴承的几种诊断方法,在此基础上,针对碟式分离机横轴轴承的主要故障,采用有效的方法对实测信号进行了处理,给出了处理结果。其结果与实际情况相符,效果良好。     

基于双谱分析的滚动轴承故障特征提取

对高阶统计量方法用于滚动轴承故障特征提取进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法。利用高阶统计量方法做出了滚动轴承故障信号的高阶统计量中的双谱特征图谱。研究表明,双谱可以敏感地监测滚动轴承工作状态的模式,因而可以有效地识别滚动轴承不同的故障特征。     

基于小波包-支持向量机的滚动轴承故障诊断

以轴承在正常、内圈和滚子裂缝、内圈和滚子剥落三种工况下的振动信号为研究对象,采用小波包频带能量特征提取的方法,构成振动信号的特征向量。在此基础上采用支持向量机对特征向量进行故障模式识别,试验结果表明,和神经网络相比,采用支持向量机进行故障诊断可以获得更高的诊断精度。     

多尺度信息熵特征的气液二相流流型识别方法

为研究垂直上升管中的气液二相流的流型,利用自制的多电导探针的测量系统采集了4种典型流型的电导波动信息。根据小波包变换能将电导波动信号按任意时频分辨率分解到不同频段的特性,对其进行了3层小波包分解后并计算了各个频段的信息熵特征向量,并作为特征参数输入到E lm an神经网络进行训练,实现了与神经网络相结合流型的智能识别。研究结果表明,该方法能够很准确地识别出4种流型,且提取特征比较方便,从而为流型识别提供了一种新的有效方法。     

小波在分析流态化系统多尺度动态行为中的应用

利用小波分解方法,对用激光相位多普勒颗粒分析仪（ＰＤＰＡ）、光纤探针及压差传感器同时测得的二维循环流化床中的信号进行了分解,并对分解信号和三种原始信号进行了比较．研究表明：将动态过程分解为三种尺度是合理的,ＰＤＰＡ信号包含了循环流化床所有尺度的全部信息．分解后三种尺度信号均具有混沌性态,但可预测性比原始信号好,为增加对动态过程的认知和建立较好的动态表达模型提供了途径．     

基于小波包能量特征的气液二相流流型识别方法

论述了小波包分解及其能量谱处理压差信号的原理与方法,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,提出小波包能量特征的概念及算法,并对水平管内空气-水二相流的压差信号进行特征提取,得到各流型的小波包能量特征,然后与BP神经网络相结合,提出一种新的流型识别方法,并用实验数据验证了该方法的正确性和有效性。