EMD降噪和关联维数相结合在滚动轴承故障诊断中的应用

针对滚动轴承产生的非线性振动信号的特点,提出将EMD降噪和关联维数相结合来描述轴承工作状态进而对其进行故障诊断的方法.通过实验定量计算出EMD降噪前后滚动轴承正常工况和不同部件故障时的关联维数值,结果表明,经EMD降噪处理后,不同模式下的关联维数具有明显的可分性和严格的区间范围,可以作为智能监测与诊断的参考依据.     

基于模糊RBF神经网络的滚动轴承故障诊断

针对现有滚动轴承故障诊断方法存在人为因素影响、表达模糊信息能力弱等问题。结合模糊评价和RBF神经网络的优点,选取3层小波包分解方法以获取评价因子,并使用正态分布型隶属度函数,构建了模糊RBF神经网络滚动轴承故障诊断模型。网络测试结果表明,该模型客观准确,诊断结果与实际情况一致。     

基于分形理论的滚动轴承故障诊断研究

针对滚动轴承振动信号的特点,从分形原理出发,利用分形维数的概念,对由滚动轴承故障产生的非平稳、非线性信号进行了分形特征的定量描述。试验结果表明,滚动轴承不同故障出现时,其分形维数明显不同。因此,可以利用分形维数有效地诊断出滚动轴承的故障。     

采用RBF和BP神经网络处理EMD分解过程中端点效应

在分析经验模态分解端点效应出现原因的基础上,采用BP和径向基函数神经网络预测法对端点效应进行研究.在实验中,通过延长信号的采样时间,使端点的数据延长,从而抑制EMD分解时产生的端点效应.同时为了比较两种数据延长方法的效果,分别将延长后的数据进行EMD分解.实验结果表明,这两种都可以有效抑制端点效应对分析结果产生的影响,提高经验模态分解的效果.     

基于BP和RBF神经网络的滚动轴承故障诊断比较

通过仿真实例,应用BP和RBF神经网络对滚动轴承的故障诊断进行了比较研究,结果表明,BP网络和RBF网络仿真效果都比较理想,但RBF网络构建简单,训练速度快且比较稳定,体现了RBF神经网络的优越性。     

基于小波包分解和分形理论的齿轮故障诊断系统

将采集到的信号经过小波包降噪后再由小波包分解成几段,计算每段的关联维数,利用分形分类理论对待测信号进行状态识别,判断齿轮的故障。     

基于小波包分解和RBF神经网络的民机液压泵源故障诊断研究

液压泵源是民机液压系统的动力部分,对于民航飞机飞行的安全起着重要的作用。由于民机液压泵结构复杂,故障机理繁多,因此其故障诊断难以用常规方法实现。提出了基于小波包分解和RBF神经网络的民机液压泵源故障诊断方法。采集民机液压泵轴向和径向的振动信号,利用小波包分解将振动信号进行分解,得到的各频带信号的能量作为神经网络的输入。经过RBF神经网络的计算以实现民机液压泵源的故障诊断。     

基于LabVIEW 和 EMD的工业缝纫机故障诊断

应用LabVIEW结合Matlab软件设计了一套工业缝纫机振动测试系统,为准确提取机器的故障信号,根据其非旋转式运动的特点选用了经验模式分解（EMD）分析的方法,应用RBF神经网络利用EMD各频段的能量。关联维数、信息熵等建立了特征向量到故障模式之间的映射实现故障的诊断。结果表明,所述的处理方法是可行的。     

基于小波包分解和BP神经网络的轴承故障诊断

针对滚动轴承的故障诊断,提出了小波包分解与BP神经网络结合的诊断方法。对轴承振动信号进行3层小波包分解,构造其特征向量,输入神经网络进行训练和测试。Matlab仿真结果表明,该方法能有效地诊断出轴承的故障类型。     

EMD分解在电动机轴承故障诊断中的应用

选取单相功率频谱作为分析对象,通过对单相功率频谱进行EMD分解,准确地提取了fv故障特征量。仿真结果表明,该方法诊断灵敏度高、直观清晰,有效解决了定子电流中故障分量被基波分量淹没的难题,是一种有效的可行方法。     

基于EMD分解的聚类树状图轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆模糊性,提出了基于EMD和动态模糊聚类图的轴承故障诊断方法.运用EMD方法提取待诊断的轴承运行状态样本的能量特征指标,应用模糊聚类分析方法对特征参数进行聚类,并作出聚类树状图.结果表明,该方法不需要大量的样本进行学习,且能更直观、准确识别滚动轴承的运行状态.     

IMF能量和RBF神经网络相结合在滚动轴承故障诊断中的应用研究

针对滚动轴承的故障特点,提出了一种将IMF能量与RBF神经网络相结合的方法用于故障诊断.该方法首先利用经验模态分解(EMD)方法,把振动信号分解为若干个IMF分量,再用重要的IMF分量求得IMF能量特征向量,最后将特征向量输入RBF神经网络进行故障模式分类.通过对滚动轴承的正常状态、内圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.     

电梯故障诊断的RBF神经网络方法研究

以电梯曳引机为研究对象,在阐述其振动故障的基础上,针对涡轮蜗杆减速器故障,给出了故障特征现象和故障代码.对已发生的蜗杆不平衡故障,分别采用RBF神经网络和BP神经网络,利用Matlab工具建模,给出了故障诊断结果,并进行结果分析比较.多次数据离线检验和实时在线监测结果均表明采用RBF神经网络方法能够及时、有效地检测出曳引机工作过程中的故障,并能够满足曳引机运行的实时性和鲁棒性等要求.     

基于RBF神经网络的门式起重机故障诊断系统的研究

门式起重机是港口码头、铁路集散中心常见的大型吊装设备,为了避免其发生故障影响工程作业的效率和进度,有必要对门机进行实时监控并对其发生的故障进行诊断和预测.探讨了基于径向基函数（RBF）神经网络的门机故障诊断系统,针对门机的几种常见故障进行诊断,结果表明该方法切实可行.     

RBF神经网络在旋转机械故障诊断中的应用

论述了RBF神经网络的基本网络结构和网络的学习及运行过程,结果表明:RBF神经网络具有极快的学习收敛速度.讨论了RBF神经网络在旋转_初械故障诊断中的应用,并对训练后的网络进行了仿真测试,仿真结果表明RBF网络有较高诊断正确率.     

基于RBF神经网络的往复压缩机气阀故障诊断

提出了一种往复压缩机气阀的故障诊断方法.把往复压缩机气阀的振动信号作为识别故障的特征向量,送入RBF神经网络中,进行故障类别的自动识别.试验结果表明,该诊断模型对往复压缩机气阀故障诊断具有良好的诊断效果,系统不仅能够检测到往复压缩机气阀故障的存在,而且能够比较准确地识别往复压缩机气阀的故障模式.     

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EKF训练的归一化RBF神经网络在旋转机械故障诊断中的应用

在径向基函数(Radial Basis Function,RBF)神经网络成熟的基础上,对旋转机械的转子系统进行故障诊断,针对梯度下降法容易产生梯度消失的问题,提出用扩展卡尔曼滤波器(Extended Kalman Filter,EKF)对权重进行调节训练,并将结果与反向传播(Back Propagation,BP)算法和梯度下降调节进行比较,用EKF训练的RBF神经网络不仅在性能上有优势,在精度和迭代速度上亦优于其他方法.相信在今后的实际应用中尤其在旋转机械故障诊断中可以更大地发挥其优势.     

基于分支卷积神经网络的托辊轴承故障分级诊断研究

在对矿山机械装备中使用的轴承进行故障诊断时,易受噪声干扰及多变工况的影响,同时也难以适应不同诊断任务,针对这一系列问题,提出了一种基于分支卷积神经网络(B-CNN)的托辊轴承故障分级诊断方法。首先,根据具体的诊断任务故障的层级结构进行了划分,采用多层标签表示健康状态、故障类型和损伤程度;通过交替卷积和池化层,构建了一维卷积神经网络(1DCNN)特征提取块;然后,将层级结构和特征提取块融合,设计出了一种基于分支一维卷积神经网络(B-1DCNN)的轴承故障分级诊断模型;最后,使用美国凯斯西储大学轴承数据和自建的带式输送机托辊故障模拟实验台数据,对托辊轴承故障进行了模拟实验,对该方法在噪声干扰和多变工况下的诊断性能进行了验证。研究结果表明：该方法成功实现了对托辊轴承故障从粗到精的分级诊断,对噪声干扰和变工况具有较好的鲁棒性,且与支持向量机(SVM)和反向传播神经网络(BPNN)模型相比,该方法的故障诊断性能更好。