基于最大相关峭度解卷积算法的发电机特征振动信号增强检测

采用最大相关峭度解卷积算法(MCKD)对发电机定子的振动信号进行处理,得到信号处理后的时域波形与频谱,并根据提取得到的故障特征信息实现了对发电机运行状态的识别。为了排除偶然性,用最大相关峭度解卷积算法对发电机定子的正常信号和定子匝间短路故障信号都进行了处理,从而证明了这一算法用于振动信号故障特征提取的有效性。通过和当前主流算法之一的最小熵解卷积算法(MED)的处理结果进行对比,分析发现本文算法比最小熵解卷积算法的故障特征信息提取更加明显和准确。结果表明,最大相关峭度解卷积对故障信号特征频率的提取有良好的效果,并与当前主流算法相比有一定的优越性。     

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.     

基于二维卷积神经网络的滚动轴承变工况故障诊断方法

为了实现滚动轴承变工况运行下仍能进行有效的故障诊断, 提出了一种基于二维卷积神经网络的滚动轴承变工况故障诊断方法。该方法将原始信号以及运行载荷这一工况变量作为输入信号, 无需人工提取特征向量, 减少特征提取过程中的损失, 实现端到端检测, 并将该方法与传统卷积神经网络模型进行了实验对比。结果表明, 相较于传统卷积神经网络, 该方法在故障的识别准确率和诊断的实时性上都有很大程度的提升。     

滚动轴承早期故障诊断的时域新方法

信号的时域平均方法适合于滚动轴承的故障诊断,但在实际应用中它要求精确地确定感兴趣周期分量的周期,否则效果不佳．一种新的信号时域平均分析方法——梳状滤波矩阵法,以类似扫描的方式,通过绘制二维灰度图,能精确计算出信号中感兴趣周期分量的周期,为信号时域平均方法的工程应用铺平了道路．首先介绍一般梳状滤波器理论及梳状滤波矩阵法的具体实现方法,最后给出了仿真和实验实例．     

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...     

基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断

针对滚动轴承在噪声环境条件下故障诊断模型准确率较低和性能不稳定的问题,本文提出了一种稳定抗噪声故障诊断神经网络(SAFDNN)模型.该模型采用原始振动数据信号作为输入,首先使用卷积神经网络(CNN)进行数据信号特征提取,然后利用双向长短期记忆(BiLSTM)充分提取数据信号的序列特征,接着添加注意力机制进行特征融合以自...     

基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取

针对滚动轴承早期故障难以提取和最大相关峭度解卷积（maxim correlated kurtosis deconvolution,MCKD）降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）和自适应最大相关峭度解卷积相结合的故障特征提取方法（CEEMD-AMCKD）.首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.

     

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FV-FBE的滚动轴承故障诊断研究

针对单通道信号不能全面提取旋转机械的振动信息,为了从强背景噪声中准确提取出滚动轴承的微弱故障特征,提出了一种全矢频带熵(FV-FBE)的滚动轴承故障诊断算法。该方法采用短时傅里叶变换计算频带熵(FBE),根据FBE最小原则自适应设计双通道信号的带通滤波器带宽和中心频率,对滤波后的双通道信号采用全矢Hilbert包络解调,得到全矢包络谱进行滚动轴承的故障识别。实验结果表明:FV-FBE算法可以全面准确地提取滚动轴承故障特征,优于谱峭度算法得到的全矢包络谱,抗干扰能力强。     

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.     

基于最小熵解卷积的带式输送机传动滚筒轴承故障诊断

带式输送机传动滚筒轴承发生故障时,特别是早期故障,其振动信号中隐含的脉冲故障信息很微弱,且常被淹没在强烈的噪音中,直接做频谱分析或包络分析,很难提取其故障特征。最小熵解卷积(Minimum Entropy Deconvolution,MED)通过最优滤波器对轴承微弱故障信号进行最优滤波,提高了信号的信噪比,然后对滤波后的信号进行包络解调分析,能够提取出信号中隐含的故障特征。将该方法应用于带式输送机传动滚筒中的滚动轴承故障诊断,成功提取出了轴承内圈的早期微弱点蚀故障特征。对FIR滤波器阶数L的选择进行了分析,以确保最优的MED解卷积效果。仿真与应用验证了最小熵解卷积方法在滚动轴承故障诊断的有效性和优点。     

基于卷积神经网络的抽油机故障诊断

为提高抽油机的故障诊断性能、减少诊断模型的硬件存储,设计了基于轻量注意力卷积神经网络和示功图的故障诊断方法。首先,将示功图的位移-载荷数据转换为图像,诊断模型的基础结构采用深度分离卷积,提出一种可嵌入连续卷积层的正则化注意力模块,对每个卷积层的通道进行压缩、注意力计算,并根据注意力建立通道失活机制,输出具有特征抑制或加强的注意力特征图。其次,在模型学习算法上,提出注意力损失函数抑制易分样本对模型训练损失的贡献,使模型训练关注难分样本。最后通过仿真实验验证有效性,结果表明该模型硬件存储仅为5.4 MB,故障诊断精度达95.1%,满足抽油机工况检测的诊断精度要求。     

一种基于MED和希尔伯特变换的滚动轴承早期故障诊断方法

滚动轴承的早期故障诊断对于设备预测和健康管理具有重要意义,然而受环境噪声、传递路径、信号衰减及源信号本身比较微弱的影响,滚动轴承故障的初期微弱信号特征往往难以提取。为了解决这一问题,提出了一种基于最小熵解卷积(minimum entropy deconvolution,MED)与希尔伯特变换(Hilbert transform,HT)相结合的滚动轴承故障特征提取方法(MED-Hilbert),该方法首先应用MED算法对传感器信号进行处理以提高信号的信噪比,然后通过希尔伯变换提取冲击能量信号,最后用谱分析技术提取故障对应的特征频率,并与理论故障频率比较后成功确定故障。与信号仅仅进行包络分析方法相比,该方法具有很好的降噪效果以及对微弱故障特征的增强作用。计算机仿真与实验验证了该方法在滚动轴承早期故障诊断中的有效性。     

基于卷积神经网络的变压器故障诊断

针对传统机器学习算法在变压器故障诊断领域存在精度低、易误判等缺陷,提出一种基于卷积神经网络的电力变压器故障诊断模型。以油中溶解气体分析为基础,首先,将特征气体值由十进制转化为对应的二进制,然后,将其用二维数据进行表示,最后,将二维数据作为卷积神经网络的输入来训练、优化模型。结果表明,此模型的故障诊断精度和实时性均优于深度信念网络、支持向量机、人工神经网络,其在缩短变压器维修时间及提高电力系统可靠性上具有一定的优势。     

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.