基于bReLU激活函数改进的滚动轴承故障CNN-LSTM模型

针对基于修正线性单元(ReLU)的滚动轴承故障诊断方法导致分类不准确的问题,本文提出了一种基于bReLU激活函数改进的卷积神经网络(CNN)和长短时记忆神经网络(LSTM)的滚动轴承故障模型。该网络模型首先在CNN网络使用bReLU激活函数完成自适应特征提取,并在卷积层和激活函数之间加入批量标准化层(BN),最后叠加LSTM网络对时序特征进行学习。该模型在凯斯西储大学的故障数据集的准确率可以达到99%以上,较于其它类型的CNN-LSTM故障模型准确率更高,训练时长减少66.7%。实验表明所提出的模型更加适用于工业设备轴承的故障诊断。     

浅谈滚动轴承故障研究现状及未来走向

早在20世纪60年代，国内外的专家学者们就对轴承故障开始了深入的研究与探索，随着技术的不断推进，轴承诊断技术已经发展成为一门独立的学科，定位为一种综合信息的处理技术。文章分析了滚动轴承主要故障形成原因，并提出了诊断方法以防止故障发生。指出诊断技术的不足及现状和发展趋势。     

基于径向基函数神经网络的电机轴承智能故障诊断

本文提出了一种新的电机轴承故障诊断方法.首先把滚动轴承振动信号作为识别故障的特征向量,然后送入径向基函数神经网络中,进行故障类别的自动识别.试验结果表明,该诊断模型对电机轴承故障诊断具有良好的诊断效果,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式.     

基于CEEMD和3点对称差分能量算子的滚动轴承故障诊断方法

为解决传统信号处理方法提取滚动轴承故障特征不精确和Teager能量算子解调信号的解调频率和幅值误差较大的问题,课题组提出一种基于互补集合经验模态分解和3点对称差分能量算子结合的轴承故障特征提取方法CEEMD-DEO3S。课题组首先对滚动轴承进行CEEMD分解前进行去噪处理来增强信号的故障脉冲;然后利用CEEMD将去噪后信号分解为一系列固有模态函数,并依据相关系数原则选择最能表征故障的敏感分量,重构后进行DEO3S解调,依据解调后得到的幅值和频率计算信号的包络谱。实验分析表明:所提方法解调信号的误差更小,提取轴承故障频率更精确。     

滚动轴承振动诊断的BP神经网络方法

归纳和总结了BP神经网络多参数诊断法的实施步骤,阐述了故障轴承振动与信号的关系以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了反映滚动轴承故障类型的振动信号特征参数,用这些特征参数训练神经网络,利用MATLAB6.5神经网络工具箱模拟和仿真BP神经网络,然后用训练后的BP神经网络对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,并且在MATLAB仿真的过程中合理的选择训练函数和各种参数,则具有很强的故障识别能力。说明了利用MATLAB仿真BP神经网络进行滚动轴承振动诊断是可行而且有效的。     

基于MOMEDA与BiLSTM的滚动轴承微弱故障识别方法

针对传统的滚动轴承智能诊断模型计算效率低和准确率欠佳问题,课题组提出一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted, MOMEDA)和双向长短时记忆(bidirectional long short-term memory network, BiLSTM)网络相结合的滚动轴承故障诊断模型。该模型利用MOMEDA方法增强故障特征,并结合遗传算法(genetic algorithm, GA)对BiLSTM模型参数进行优化,实现滚动轴承智能、高效及鲁棒性诊断。利用该模型对经典轴承数据集以及牵引电机轴承故障数据集进行验证,平均准确率达到了99.63%,分别比传统卷积神经网络(convolutional neural network, CNN)、单层长短时记忆网络(long short-term memory network, LSTM)、双向长短时记忆网络和最新的CNN-LSTM模型高16.02%,9.98%,7.01%和5.65%,验证了该模型的有效性和优越性。     

造纸机轴承故障诊断系统的开发

介绍了基于共振解调技术的滚动轴承故障诊断原理、特点及实现方法，开发了可以检测和诊断造纸机滚动轴承故障的软件系统，验证了其可行性，它可以进一步推广到对造纸机关键设备的轴承检测和诊断。     

纸机轴承故障振动分析与诊断系统的开发与研究

该文介绍了纸机轴承振动监测与诊断的原理、方法,针对纸机滚动轴承初步开发了纸机轴承振动分析与诊断系统,该分析系统基于图形化编程语言Labview编写,能对轴承振动的时域波形进行在线监测,对异常振动进行报警提示,并对故障信号进行时、频域分析,能精确定位故障源.该系统有助于纸机实现状态维修.     

基于Dropout-CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout-CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率高达99. 5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

浅谈轴承成品检测与故障分析

轴承成品检测与运行诊断技术是一种了解和掌握轴承在使用过程中的状态,确定其整体或局部正常或异常,并且能够预报故障发展趋势的技术。在工业应用系统中,滚动轴承是其中的重要部件,而滚动轴承出现故障是引起设备失效的重要原因,因而对轴承状态的检测是十分重要的。     

基于希尔伯特黄在风力发电机组轴承故障诊断

针对风力发电机组轴承故障振动信号特性,该信号为非平稳信号。提出基于希尔伯特黄的对风力发电机组轴承故障的诊断方法。该方法是用经验模式分解方法将原始信号分解成包含不同特征时间尺度的本征模态函数,并对分解后得到的每一个本征模态函数分量进行希尔伯特变换,从而得出时频平面上的幅值分布的尔伯特谱,并通过其反映出来的物理信息对风力发电机组轴承做故障诊断分析。     

对某纸机烘缸轴承的故障监测与诊断

据统计，旋转机械约３０％的故障是由滚动轴承的损伤造成的。因此，轴承类故障监测与诊断一直是机械类故障诊断的重要内容之一。本文利用自制的轴承故障诊断系统对陕西兴平造纸厂１７６０纸机的网部、压榨部、烘干部、压光部等大部分轴承进行了故障监测及诊断，限于篇幅，仅对烘干部的部分轴承进行了分析。１各指标的敏感排序以振动信号的均方根值、波峰值、峭度值为纵坐标，以对象（烘缸）为横坐标，可得出图１。由图１分析可得：峭度值最敏感，其变化最大；波峰值除了一个明显的高点，其余变化没有峭度值大；均方根值变化最平稳。即敏感排…     

滚动轴承的故障特征及安装维护

旋转机械的故障30%是由轴承引起的,分析滚动轴承的故障特征,探讨滚动轴承的安装维护方法。     

钢带压光机导辊轴承故障诊断案例

采用振动状态检测和故障诊断技术,对滚动轴承的故障信号进行分析,确定轴承的故障部位,及时对故障轴承进行更换,为设备维护工作提供有力的保障.     

滚动轴承电腐蚀振动检测应用实例

采用振动状态检测和故障诊断技术,对滚动轴承的故障信号进行分析,确定轴承的故障部位,及时对故障轴承进行更换,避免了设备故障的发生。     

基于PLC技术的造纸机械设备故障诊断方法

中国规模以上造纸企业数量的剧增,标志着造纸行业进入快速发展阶段。统计数据显示：造纸机械设备故障已经成为阻碍造纸企业发展的关键因素之一,已有故障诊断方法的误报率与漏报率较高,无法满足造纸企业的发展需求,提出基于PLC技术的造纸机械设备故障诊断方法研究。采用PLC技术搭建运行数据采集网络架构,并分配数据采集端口,以此为基础,采集机械设备运行数据,应用主成份分析法与相关系数法预处理运行数据,以预处理后运行数据为依据,通过熵模型提取运行数据特征(样本熵、模糊熵、排列熵与基本尺度熵),基于模糊集合理论中的隶属函数与模糊关系矩阵描述故障种类与运行数据特征之间的模糊关系,从而实现造纸机械设备故障的诊断。实验数据显示：相较于对比方法,提出方法故障误报率与漏报率较低,充分证实了提出方法性能更佳。     

一种面向大负载低转速轴承的故障诊断方法

造纸生产线上,有很多大负载、低转速的旋转设备,其轴承在承受较重载荷时,极易受到损伤,导致设备故障,甚至造成停机。因此,大负载低转速轴承的在线故障诊断非常重要。本课题在对大负载低转速轴承振动的诊断难点及当前故障诊断常用方法分析的基础上,提出了一种基于快速谱峭度包络解调分析的轴承故障诊断方法。首先采用快速谱峭度法计算振动信号的最大谱峭度值,确定最优的带通滤波器系数,然后利用带通滤波器对振动信号进行降噪处理,最后利用希尔伯特变换方法对降噪信号进行处理,分析包络谱,得到诊断结果。借助团队自行设计的轴承故障实验台,对本课题所提方法的优缺点和适用性等进行了实验研究,验证了本课题算法的有效性,并为工程应用提出了建议。     

基于时域同步降噪的电动汽车滚动轴承振动信号分析

轴承是旋转机械中应用最为广泛的关键部件之一。在电动汽车中,很多零部件中都用到了轴承,而滚动轴承在运行过程中,往往伴随着大量的干扰信号。本文采取时域同步平均法对电动汽车滚动轴承进行去噪处理,然后再对去噪后的信号进行频谱分析。实验证明,经时域同步平均法降噪后,能得到更清晰的功率谱图,通过功率谱图能较好地判断电动汽车滚动轴承的故障类型。     

基于ANSYS的深沟球轴承故障诊断与分析

滚动轴承是应用极其广泛的机械支承,一般由内圈、滚珠、保持架、外圈组成。轴承性能的优劣及寿命的长短直接影响到机器的工作能力。因此,对轴承的监测与故障诊断十分重要。在滚动轴承当中,深沟球轴承具备使用量大、生产工艺成熟、结构简单等特点。因此,本文选用深沟球轴承作为研究对象,建立深沟球轴承的三维有限元模型,再通过有限元分析软件ANSYS Workbench,建立深沟球轴承的分析模型。通过加载载荷和边界条件,对其进行静力学接触分析,得出轴承承载过程中的应力和变形趋势及接触应力的变化规律。最后用MATLAB对一组故障信号数据进行傅立叶变换,分析其故障频率并与理论计算结果进行对比,验证傅立叶变换在故障诊断中的有效性。     

滚动轴承早期故障优化自适应随机共振诊断法

针对滚动轴承不同零件早期故障诊断难的问题,课题组提出了优化自适应随机共振的诊断方法。介绍了自适应随机共振;提出了以信噪比为目标的优化自适应随机共振诊断法;采用正弦加噪信号的仿真实验验证了优化自适应随机共振的诊断可行性。实测信号实验结果表明:优化自适应随机共振对轴承内圈、外圈故障具备直接诊断能力;将优化自适应随机共振与小波虑噪相结合可以取得滚动体良好的诊断效果。该研究为滚动轴承不同零件早期故障诊断提供了一种新思路。