基于声信号递归Hilbert变换的轴承故障诊断研究

轴承缺陷检测与损伤程度检测一直是旋转机械领域内非常重视的问题,虽然目前针对振动信号的研究已经取得相当好的结果,但是对于难以安装振动传感器的情况,诊断效果仍需改进。针对强背景噪声下故障轴承产生的声音,提出一种基于递归Hilbert变换和一维卷积神经网络的诊断方法来提取抽象特征并进行模式识别。卷积神经网络结构中引入了全局平均池化层来加速网络的运行。最后,通过数据集验证了所提方法的有效性,与其他常用分类方法进行对比,验证了该方法的优越性。结果表明：所提算法不仅能够准确识别轴承的损伤部位,而且能够准确区分部件的损伤程度。     

希尔伯特变换原理在轴承故障诊断中的应用

阐述希尔伯特变换及解调的基本原理,并据此对振动信号进行幅值及相位解调与分析,为旋转机械故障诊断提供早期和准确的故障信息.     

基于小波理论的低速重载轴承的故障诊断研究

针对低速重载设备故障的特点,采集低速滚动轴承的故障信号.基于小波分析理论,对故障信号进行多尺度分解和信号重构,利用特定频带的信息进行故障诊断.结果表明,应用小波分析可以提取低速滚动轴承的故障特征频率.     

钢包回转台重载轴承故障诊断的小波分析法

建立了一种简单、精确和实用的重载轴承故障小波包分解诊断方法 ,利用该方法成功地诊断出了钢包回转台重载轴承的故障。结果表明 ,在轴承故障诊断中 ,这种方法可以弥补频谱分析法的不足     

基于全矢谱和Hilbert包络解调的滚动轴承故障诊断

提出一种滚动轴承故障诊断新方法——全矢Hilbert包络解调谱分析。Hilbert变换对于滚动轴承故障信号有良好的调制解调效果,但单依赖传统的单通道信号会产生信息遗漏,对诊断的准确性造成影响,基于同源双通道信息融合的全矢谱技术,能够更加全面、准确地反映设备振动特性。将全矢谱技术与Hilbert解调相结合,并进行滚动轴承外圈故障的诊断实验,证实了全矢Hilbert包络解调谱分析的有效性和先进性。     

基于经验模态分解法和Hilbert谱的齿轮箱故障诊断

将经验模态分解法(Empirical Mode Decomposition,简称EMD)和Hilbert谱引入到齿轮箱故障诊断,提出了一种新的齿轮箱故障诊断方法.通过运用该方法和连续小波变换分别对某齿轮箱齿轮齿根裂纹故障振动信号进行分析,结果表明,该方法能更有效地提取齿轮故障信息,提高了齿轮故障诊断的准确性.这种自适应的信号处理方法非常适合分析非线性、非平稳过程.     

基于GAF与GoogLeNet的轴承故障诊断研究

为提高滚动轴承故障识别准确率,同时避免繁琐的频谱分析,提出基于GAF与GoogLeNet的轴承故障诊断模型.在实验室中采集滚动轴承正常、内环故障、外环故障和滚动体故障4种工况下的振动信号,利用EMD对振动信号进行分解并提取累积贡献90％的分量;基于重叠采样原理,利用格拉姆算法将选择的EMD分量和原始振动信号处理为二维图...     

基于C-GRU的电机轴承故障诊断

针对单一卷积神经网络模型在轴承故障诊断工作对于训练样本需求过多的不足,根据采集到的电机轴承振动数据为时序数据的特点,结合门控循环单元在处理时序数据所具有的优势,采用了基于卷积神经网络和门控循环单元(C-GRU)的电机轴承故障诊断算法.将CNN在特征提取的优点与GRU处理时序数据的优点有机结合起来,在选择合适的网络结构和...     

基于FastICA的大型风力机主轴承故障诊断研究

文章提出了基于FastICA大型风力机主轴承故障诊断方法.根据大型风力机的运行特点,采用负熵最大化判据和牛顿迭代原理实现FastICA算法并将其应用于大型风力机主轴承的故障诊断中.诊断结果表明,该方法可有效地将大型风力机主轴承和轴流风机的振动信号进行分离,从而清晰地看出主轴承的振动特征频率,实现对风力机主轴承的故障诊断.     

基于改进贝叶斯分类的电机轴承故障诊断系统研究

针对电机轴承故障诊断模型构建时间长、准确率不高的问题,提出一种基于改进贝叶斯分类的故障诊断方法。首先通过小波包变化、粗糙集及主成分分析方法分别构造原始故障特征集、降维后的故障特征集,再将原始故障特征集和降维后的故障特征集输入到改进贝叶斯分类模型中实现故障诊断,以此为基础设计一套交流发电机轴承故障诊断系统。最后以国内车辆车载电机轴承振动数据为依据,将改进贝叶斯分类方法和神经网络及最小二乘支持向量机方法作对比分析,结果表明：改进贝叶斯分类方法建模时间更短,故障诊断准确率更高。     

基于冲击脉冲法的齿轮箱轴承故障诊断

齿轮箱作为机械设备中的关键部件,其安全服役性能评估及寿命预测环节是非常重要的。因此,设计了一套基于冲击脉冲法的齿轮箱轴承故障检测系统。探究了检测系统的设计原理,并进行硬件选型(如NI四通道数据采集卡、加速度传感器等)、软件模块设计(如数据采集模块、分析和处理模块等)。根据车间现场条件制定齿轮箱轴承跑合检测试验方案,分别测试了不同返修级别(4级修、5级修)的齿轮箱轴承。对检测结果进行分析,表明:所设计的齿轮箱轴承检测系统能够实现对不同返修级别的齿轮箱轴承系统进行故障状态甄别,具有较高的稳定性,可为初步判定不同返修级别的齿轮箱轴承中磨损程度或故障状态提供数据支撑。     

基于Hilbert-Huang 变换的齿轮故障诊断研究

提出一种基于Hilbert-Huang变换的齿轮磨损故障诊断的新方法。介绍Hilbert-Huang变换的基本原理,并将Hil-bert-Huang变换应用于齿轮箱中齿轮磨损故障诊断,通过选取表征齿轮磨损故障的固有模式函数进行边际谱和能量谱分析,可提取齿轮故障振动信号的特征。齿轮故障实验结果表明,应用这种分析方法,能够有效地诊断齿轮的磨损故障。     

基于同步提取变换与阶比分析的轴承变转速故障诊断

针对基于瞬时频率估计的阶比分析方法中,瞬时频率难以估计的问题,提出一种基于同步提取变换(SET)的阶比分析方法,对轴承的变转速振动信号进行分析.该方法利用SET良好的能量集中特性,提取强噪声环境下轴承振动信号中的瞬时频率,通过对计算瞬时频率的鉴相时标,对时域信号进行等角度采样,从而得到稳态的角域信号.通过分析轴承实验台...     

基于广义S变换的滚动轴承故障诊断方法研究

鉴于广义S变换继承了短时Fourier变换、小波变换和标准S变换的所有优点,同时也弥补了它们存在的不足,具有良好的自适应的独特特性,提出了一种基于广义S变换的滚动轴承故障诊断方法,并与传统的短时Fourier变换、Wgner-Ville分布、小波变换、标准S变换等时频分析方法进行了对比分析。仿真研究表明,广义S变换具有明显的优势,能灵活地通过调节参数来自适应地调节窗函数的宽度,以便达到最佳的时频分辨率。最后,滚动轴承故障实验研究进一步验证了提出的方法的有效性。提出的方法能有效地反映不同轴承故障的特征频率,为滚动轴承故障诊断提供了一种有效的方法。     

液压泵轴承故障诊断的神经网络方法研究

他基于集成ＢＰ网络的液压泵轴承故障诊断方法。利用频域和倒频域进行特征提取,采用集成ＢＰ网络进行故障诊断和识别,解决了液压泵轴承故障特征提出困难、多故障识别困难的问题。试验结果表明,利用集成ＢＰ网络可以有效地诊断与识别液压泵轴承多故障模式,并且具有很强的鲁棒性。     

基于多特征提取和LSSVM的轴承故障诊断

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。     

基于小波奇异性检测技术的滚动轴承早期故障诊断研究

轴承早期故障的检测与诊断是实现安全生产、预防恶性事故的有效手段。用高精度加速度传感器采集轴承振动信号,采用小波软阈值降噪法剔除测试过程的噪声,提高采集信号的信噪比。基于小波变换奇异值检测技术,探讨了提取淹没在噪声背景中的早期故障特征的方法,同时指出了传统傅里叶变换的不足。研究表明,该方法是有效的,所提取的故障特征频率与理论计算的故障特征频率基本相同。研究结果为轴承早期故障检测与诊断提供了新途径。     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。     

基于Hilbert变换的相位测量法与数字相关测相法的比较

介绍了希尔伯特（Hilbert）变换测量相位差和数字相关法测量相位差的原理，进行了比较研究和试验分析，讨论了各自使用效果、优缺点及其适用的场合。结果表明，在动态检测方面，利用Hilbert变换法更能对两路同频信号的相位差进行有效的检测，是今后的研究方向。     

基于小波变换的轴承振动特征波形分离

轴承的振动信号中包含了轴承的损伤信息,本文研究利用小波分析方法对这些损伤信息波形特征进行分离.对一个轴承振动信号的处理实例表明:小波分析方法分离出了轴承的冲击振动波形特征、调制波形特征、二倍频振动波形特征,并由此确定了轴承的滚道和滚珠存在损伤、内外圈存在平行不对中等故障现象,取得了传统的傅里叶分析无法得到的结果.