基于IITD模糊熵与随机森林的滚动轴承故障诊断方法

针对滚动轴承故障微弱振动信号特征提取后难以识别的问题,提出基于改进的固有时间尺度分解(IITD)和模糊熵(FE)输入随机森林(RF)模式识别的滚动轴承故障诊断方法.首先,利用轴承试验台采集正常、滚动体故障、内圈故障、外圈故障等4种状态下轴承的振动信号;通过IITD分解将采集到的振动信号分解成一组固有旋转分量(PRC),...     

基于小波改进阈值去噪和HHT的滚动轴承故障诊断

利用Hilbert-Huang变换（Hilbert-Huang Transformation,简称HHT）对滚动轴承进行故障诊断时,发现振动信号中包含的噪声对诊断结果影响较大。为克服此不足,提出了一种小波改进阈值法与HHT相结合的信号分析方法。该方法首先应用小波改进阈值方法对滚动轴承故障信号进行预处理,然后对去噪后的信号进行经验模态分解（Empirical Mode Decomposition,简称EMD）,接着选取含有故障信息的本征模函数（Intrinsic Mode Function,简称IMF）分量进行边际谱分析,从而提取出故障特征频率,并判断故障类型。仿真和实验结果验证了该方法的有效性。     

基于DS–PCA模型的包装设备滚动轴承故障诊断方法研究

目的 针对包装设备长期连续工作的工作特性,对其滚动轴承的常见失效故障进行分析,提出一种基于DS–PCA模型的滚动轴承故障诊断方法,构建滚动轴承DS–PCA故障诊断模型,实现包装设备中滚动轴承的在线故障诊断。方法 先运用DS证据理论对采集到的滚动轴承径向振动数据和轴向振动数据进行融合,使得信息具有整体完备性,同时对采集信号进行决策规则下的去噪处理,剔除干扰噪声信息;然后利用主成分分析法(PCA)将融合后的振动信号数据进行Q与T²的统计量计算,并通过对故障轴承振动信号的Q与T²统计量计算,确立故障时的经验阈值;最后,依据实时统计量与经验阈值对比,判断滚动轴承是否发生故障。结果 通过对西储大学公开的滚动轴承试验数据分析计算,得到滚动轴承故障诊断准确率达到94%。结论 该方法满足包装设备故障诊断的要求,其应用将有利于提升包装企业的生产质量和效率。     

基于多维振动特征的滚动轴承故障诊断方法

单独提取滚动轴承振动信号的时域或频域特征进行故障诊断,是目前常用的轴承诊断方法,诊断精度有待提高。以时域和频域的多维振动特征参量为指标,以历史诊断正确率作为特征参量权值,分别对滚动轴承的无故障和经常出现的滚珠故障、内环故障和外环故障工况进行特征提取和故障识别。多维时频域振动特征是单维特征依据诊断精度权重的集合。运用BP神经网络分别对信号的时域特征(TDF)、IMF能量矩(IEM)、小波包能量矩(WPEM),以及多维时频域特征进行智能故障判别。实验验证用多维时频域振动特征参量综合诊断的方法进行滚动轴承故障诊断,比单维特征的诊断结果精确且效率较高,该方法可以在滚动轴承故障诊断领域展开应用。     

基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断

考虑到卷积神经网络在滚动轴承故障诊断中存在网络结构难以确定、训练次数过多、时间过长等问题,设计了一种贝叶斯优化改进LeNet-5算法,以及采用该算法构建的轴承故障诊断模型。采用贝叶斯优化训练过程中学习率等超参数,多种故障轴承的振动信号直接作为改进LeNet-5网络的输入,对池化输出采用批归一化处理和改进池化层激活函数防止过拟合,利用全局平均池化层替代全连接层提高改进LeNet-5网络的泛化能力,用Softmax分类器实现滚动轴承故障的分类。通过轴承数据库开展实验,实验表明,该算法构建的轴承故障诊断模型在训练集上准确率为99.94%,验证集上的准确率为99.89%,测试集准确率也达到99.65%,与一维卷积神经网络和二维卷积神经网络对比分析,基于贝叶斯优化改进LeNet-5算法构建的轴承故障诊断模型在滚动轴承的故障诊断模型具有更高的准确率,更少的训练次数和训练时间。     

基于BiLSTM的滚动轴承故障诊断研究

针对滚动轴承的故障诊断,设计并实现了一种基于双向长短期记忆网络(BiLSTM)的诊断模型.将原始振动信号直接作为模型输入,自动提取滚动轴承故障特征,可以对内圈、滚动体、外圈不同故障类型及不同损伤程度的滚动轴承进行故障识别.该模型通过BiLSTM神经网络自动提取轴承振动信号的深层信息,弥补了传统故障诊断方法需要人工提取特...     

基于形态分量分析的滚动轴承故障诊断方法

在改进形态分量分析阈值去噪方法的基础上,提出了基于形态分量分析的滚动轴承故障诊断方法。形态分量分析根据信号中各组成成分的形态差异,构建不同的稀疏表示字典对各组成成分进行分离。当轴承出现局部损伤时,其振动信号往往由以包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。谐振分量表现为信号中的平滑部分,而冲击分量则表现为信号中的细节部分,因此,可根据谐振分量与冲击分量的形态差异,实现二者的分离。本文方法利用形态分量分析对滚动轴承故障信号中的谐振分量、冲击分量和噪声分量进行分离,然后根据冲击分量中冲击之间的时间间隔诊断滚动轴承故障。算法仿真和应用实例表明,本文方法能有效地提取滚动轴承故障振动信号中的故障冲击成分。     

基于近场声全息的滚动轴承故障诊断

滚动轴承在工业生产中起着关键作用,对其进行故障诊断研究具有重要意义。目前轴承诊断主要以振动信号分析为基础,而获取振动信号受接触式测量限制,声学故障诊断（ABD）具有非接触式测量的优点,但传统基于单通道的ABD存在测点选择难与局部诊断的不足。联合近场声全息（NAH）和灰度—梯度共生矩阵（GLGCM）并应用于滚动轴承故障诊断,利用NAH重建各轴承运行状态下的声场,得到声源附近重建面处的声像图,再从声像图中提取GLGCM特征,建立声场特性与轴承运行状态的内在联系,结合支持向量机模式分类,实现轴承故障诊断,实验研究证实方法的可行性与有效性。     

自动化包装生产线电机无传感器驱动故障诊断

目的 为了解决自动化包装生产线针对电机驱动故障诊断复杂化和精度低的问题,提高复杂生产环境下电机运行的稳定和人员的安全,提出一种基于XGBoost特征重构和神经网络预测电机驱动故障的精准预测方法.方法 首先通过XGBoost算法运用一部分训练数据构建特征树,随后将剩余训练数据输入XGBoost算法得到重构的特征,然后再运用One-hot编码,将重构特征映射到欧式空间,进一步放大特征的差异,最后输入经过参数调整的神经网络模型中完成故障预测.结果 相较于未经XGBoost特征构建的神经网络模型,文中提出的结构在数据测试集随机分割的验证集和测试集上均取得了接近100％的分类精度,验证了模型的有效性和稳定性.结论 较好地实现了针对自动化包装生产线电机驱动故障的无传感器高精度诊断,有利于提高复杂生产环境下的电机稳定性和人员安全性.     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法

多尺度熵是一种有效的衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入了精细复合多尺度熵（Refined composite multiscale entropy, RCMSE）,在此基础上,结合自编码降维和遗传优化支持向量机,提出了一种滚动轴承故障智能诊断新方法。首先,利用RCMSE提取滚动轴承振动信号多尺度复杂度特征,构建初始特征向量矩阵;其次,采用自编码对初始高维特征数据降维,得到低维流形特征;然后,将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后,将所提方法应用于实验数据分析,并与多尺度熵方法进行对比,结果表明,论文方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且识别率高于所对比方法。     

极点加权模态分解及其在故障诊断中的应用

经验模态分解(EMD)是一种自适应信号分解方法,由于其能够同时提供振动信号时域和频域的局部信息,在机械故障诊断领域得到广泛应用.受EMD思想的启发,基于相邻极值加权构造均值曲线,提出一种新的自适应信号分解方法—极点加权模态分解(EPWMD).通过仿真信号分析,将提出的EPWMD方法与EMD和局部特征尺度分解(LCD)等...     

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型

提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。     

滚动轴承的MSE和PNN故障诊断方法

针对滚动轴承不同运行状态振动信号具有不同复杂性的特点,提出一种新的基于多尺度熵(multiscale entropy, MSE)和概率神经网络(probabilistic neural networks, PNN)的滚动轴承故障诊断方法。该方法首先利用MSE方法对滚动轴承振动信号进行特征提取,并将其作为PNN神经网络的输入,再利用PNN自动识别轴承故障类型及故障程度。实验数据包括不同故障类型和不同故障程度样本,结果表明,相比于小波包分解和PNN结合的诊断方法,提出的方法具有更高的诊断精度,能有效实现滚动轴承故障类型及程度的诊断。     

小波包络解调在轧机故障早期诊断中的应用

针对轧钢机振动信号频谱成分的多样性和高低频混杂性，利用小波正交分解的多尺度多频带特性将振动信号展开到一系列相邻的小波空间上，使调制现象突显出来易于分析；再借助希尔波特包络分析技术对小波分解后的包含调制信号的分量进行解调，成功地提取出了故障早期特征。通过后期的振动数据跟踪分析，发现轧机轴承的外圈、滚动体相继出现损伤，并逐渐恶化，与停机开箱后结果基本吻合，进一步证实了小波包络解调技术的有效性。说明小波分析和包络解调技术能够有效地提取轧机轴承故障早期的特征，为设备的早期维修决策提供了重要的依据，同时可以避免恶性事故的发生。     

Margenau-Hill分布在滚动轴承故障识别中的应用

滚动轴承出现故障时，振动信号具有明显的冲击特征。以轴承故障振动信号分析为基础，给出此信号的数学模型。采用时频分析方法对滚动轴承振动加速度信号进行处理，提出了一种基于伪Margenau-Hill分布时间特征量进行故障识别的方法。以滚动轴承外圈故障为例，通过时频谱图对故障类型进行识别，并指出故障的轻重程度。     

基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断

摘 要：为了提高齿轮箱轴承故障识别率,提出基于核独立分量分析（KICA）、广义辨别分析（GDA）与最小二乘支持向量机（LSSVM）的轴承故障识别方法。首先将轴承故障振动信号的谱峭度、信息熵等故障特征作为原始特征向量,通过KICA方法将原始特征向量映射到核特征空间,从而去掉不同故障特征间的冗余并消除原始特征向量间的相关性。然后利用GDA方法对故障特征进行非线性融合,并构造新的特征向量。最后,将新的特征向量作为LSSVM分类器的输入,并实现轴承的故障分类。齿轮箱滚动轴承故障诊断试验结果表明：KICA-GDA和LSSVM的故障诊断方法可以识别出更多的轴承故障信息,且提高了LSSVM的分类性能,该方法相对于直接采用LSSVM进行分类的轴承故障方法具有更优秀的分类性能。     

基于时频域模型的噪声故障诊断

为了避免传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取故障特征频率的麻烦,采用一种基于内燃机工作噪声信号和时频域分析的方法。首先讨论了对内燃机噪声信号进行小波包络谱分析,得到可以判断主轴承磨损故障的特征频率。然后,进一步阐述了采用噪声信号小波包分解,可得到包含更多故障信息时-频分布图。基于此,运用图像处理技术建立基于图像匹配的内燃机主轴承诊断模型。结果表明此方法简单有效,充分利用了故障信息。     

Fault Diagnosis of a Rotary Machine Based on Information Entropy and Rough Set

There exists some discord or contradiction of information during the process of fault diagnosis for rotary machine. But the traditional methods used in fault diagnosis can not dispose of the information. A model of fault diagnosis for a rotary machine based on information entropy theory and rough set theory is presented in this paper. The model has clear mathematical definition and can dispose both complete unification information and complete inconsistent information of vibration faults. By using the model, decision rules of six typical vibration faults of a steam turbine and electric generating set are deduced from experiment samples. Finally, the decision rules are validated by selected samples and good identification results are acquired.     

基于流形学习和K-最近邻分类器的旋转机械故障诊断方法

针对旋转机械故障诊断需人工干预、精度低、故障样本难以获取等问题,提出基于流形学习和K-最近邻分类器（KNNC）的故障诊断模型。提取振动信号多域信息熵以全面反映设备运行状态并构造高维特征集;利用正交邻域保持嵌入(ONPE)非线性流形学习算法的二次特征提取特性进行维数约简使特征具有更好的聚类特性;基于改进的更适用于小样本分类KNNC进行模式识别,用轴承故障诊断案例证明该模型的有效性。