基于EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

分数阶BP神经网络滚动轴承故障诊断方法

研究基于分数阶BP神经网络滚动轴承故障诊断的问题。通过对滚动轴承5种状态类型特征信号的提取,以更全面的方式反映滚动轴承的工作特性。特征信号经过归一化处理后作为神经网络的输入,滚动轴承的故障类型作为神经网络的输出。运用分数阶BP神经网络对滚动轴承进行状态监测和故障诊断,判断其属于哪种故障类型。相较于整数阶BP神经网络,分数阶BP神经网络精度更高,且能更快地达到误差要求。仿真实验结果表明,分数阶BP神经网络能准确获取滚动轴承的运行状态。     

滚动轴承故障诊断的神经网络技术

文中将神经网络技术运用于滚动轴承故障诊断,着重讨论了传统故障诊断技术所面临的挑战及基于神经网络的故障诊断技术的优越性,传统的故障断专家系统在知识的获取及表达上存在着困难,并且当系统圈套 时,变得非常庞大,不适于在线控制;人工神经网络对信息分布式的存储及处理,具有明显的优点,以滚动轴承故障诊断为例,编制了基于神经网络技术的诊断程序,运行结果表明,该方法具有判断准确、容错性好,适于在线工作,便于推广的优点。     

包络-小波技术在轴承故障诊断中的应用

分析了滚动轴承典型故障的故障机理及其振动特征，详细介绍了滚动轴承振动信号分析与故障诊断的方法。提出了将包络分析作为小波分解的前置处理手段以提取信号故障特征的思想，并在此基础上开发研制了“CZZD-01型轴承故障诊断仪”。现场调试结果表明，该方法准确有效，适用于滚动轴承的监测和诊断。     

基于LabVIEW的风电机组滚动轴承故障诊断系统及其仿真

在LabVIEW 8.5环境下实现了基于特征参数和希尔伯特包络谱分析的故障诊断方法,开发了风电机组滚动轴承故障诊断系统.故障诊断实验结果表明,该系统能够有效、快速、准确地对滚动轴承内圈、外圈、滚动体故障进行识别并报警.     

滚动轴承故障诊断虚拟系统的实现

针对滚动轴承,实现了一种粗糙集理论和神经网络技术相结合的新型的故障诊断虚拟系统.该系统利用粗糙集对知识的约简能力,对采集的故障征兆数据进行预处理,即采用竞争学习神经网络把连续属性离散化,将结果导入Rosetta软件中逐步分析处理,得到最小条件属性集,在此基础上构建BP神经网络进行故障识别,将网络输出送回LabView进行显示.实例分析表明,该系统可以提高滚动轴承故障诊断的收敛速度,在期望误差相同的情况下,网络训练时间减小了176步.     

基于LabVIEW的风电机组滚动轴承故障诊断系统及其仿真

在LahVIEW8．5环境下实现了基于特征参数和希尔伯特包络谱分析的故障诊断方法,开发了风电机组滚动轴承故障诊断系统．故障诊断实验结果表明,该系统能够有效、快速、准确地对滚动轴承内圈、外圈、滚动体故障进行识别并报警．     

基于小波包-GABP的滚动轴承故障诊断分析

为提高诊断滚动轴承故障的效率和准确率,本文将小波包变换、BP神经网络和遗传算法三者相结合,提出了一种基于小波包和GABP神经网络的故障诊断模型。由小波包的分解与重构在滚动轴承故障原始信号中提取有效的故障特征向量,并利用遗传算法优化BP神经网络,然后训练和诊断滚动轴承信号的故障类型。同时,运用Matlab软件把采集的数据进行仿真分析。仿真结果表明,相对于传统BP神经网络,利用遗传算法优化的神经网络对故障的诊断正确率更高,并且收敛速度较快,说明由遗传算法优化的BP神经网络在故障诊断方面具有较好的效果,而且遗传算法的引入使轴承故障诊断的适应度和准确率更高。该研究为滚动轴承的故障诊断提供了理论基础。     

矿用通风机滚动轴承振动故障诊断研究

针对矿用通风机振动故障诊断中的特征提取问题,将小波包和希尔伯特变换相结合用于通风机滚动轴承的故障诊断,工程应用实例表明,通过该方法能有效提取出通风机滚动轴承内圈故障特征频率,诊断出滚动轴承的内圈故障,另外还可诊断出通风机存在轴系不对中故障,实现了通风机的精密故障诊断．     

基于虚拟仪器的滚动轴承故障监测及诊断系统

介绍了滚动轴承振动监测与诊断系统开发的原理和方法。在LabVIEW平台下，以PCI-1802L数据采集卡设计滚动轴承故障诊断系统。使用结果表明，该系统能对滚动轴承振动信号进行时域波形监测和功率谱分析等功能，可以精确定位故障源，并具有直观、集成和方便等特点。     

基于虚拟仪器的货车滚动轴承故障分析与诊断系统

货车滚动轴承是货车的重要部件,关系着列车的运行速度和安全,所以轴承故障诊断对货车运行安全十分重要。设计一个货车滚动轴承故障诊断系统对轴承故障进行检测至关重要。文章介绍了货车滚动轴承的故障形式、振动机理,提出了基于LabVIEW软件技术开发货车滚动轴承的检测系统。     

滚动轴承故障诊断中的多参数综合判别方法

分析了轴承故障诊断中特征参量提取的不确定性，在综合考虑轴承发生故障时发生二次效应中的多个特征参量的基础上，首次提出了综合利用宫的隶属度函数和灰色系统理论中的关联度计算的一种多参数判别方法。     

基于小波奇异性的滚动轴承故障检测方法研究

在滚轴故障诊断中,故障通常表现为振动信号的突变,因此检测信号奇异点意义重大。文章介绍了小波变换理论和小波变换奇异性检测原理,研究了奇异性检测方法在滚动轴承故障诊断问题中的应用。采用小波门限消噪法处理繁杂的滚轴振动信号,对消噪后的振动信号采用小波变换模极大值奇异性检测方法进行多尺度小波分析,得到故障点的位置。仿真结果表明,该方法下振动信号奇异程度以及奇异点的位置明显。     

基于Hermitian小波的时间-小波能量谱滚动轴承故障诊断方法

针对滚动轴承早期故障微弱特征难以提取的问题,提出了一种基于Hermitian小波时间-能量谱的滚动轴承故障诊断方法.该方法针对轴承故障振动信号具有奇异性的特点,首先利用Hermitian小波对原始信号进行连续小波变换;再根据小波变换的结果求取信号能量在时间轴上的分布情况,利用谱峭度指标作为选择最佳累积尺度的标准,得到时间-小波能量分布;最后对时间-小波能量分布进行谱分析得到时间-小波能量谱以提取故障特征.利用时间-小波能量谱对仿真信号和轴承外圈及内圈点蚀故障信号进行分析.结果表明:该方法可有效地提取出强噪声环境下微弱故障的特征成分,并与普通的时间-小波能量谱作对比,特征提取效果更为明显,非常适用于滚动轴承早期故障诊断.     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

动车组齿轮箱滚动轴承变转速故障诊断方法

动车组齿轮箱滚动轴承在运行过程中处于高温重载的变转速工况,容易产生裂纹、点蚀等故障,且不易被检测出来。为及时诊断出动车组齿轮箱滚动轴承的故障,保证动车组的安全行驶,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,结合短时傅里叶变换(STFT)无干扰项与魏格纳-威尔分布(WVD)高时频分辨率的特点,提出了一种融合时频分析算法,该算法能够提高变转速信号分析时的时频矩阵精度;然后,针对动态路径规划方法无法处理归一化时频矩阵的局限性,对其进行了改进,并提取出融合时频矩阵中的转速曲线;此外,进一步提出了一种插值重采样的阶次分析方法,根据转速对采集到的原始信号进行插值重采样,在角域对信号进行重构,并得到对应的阶次谱,实现滚动轴承的故障诊断;最后,通过试验台对提出的变转速动车组故障滚动轴承诊断方法进行了验证。结果表明：本文所提出的方法在动车组转速变化的情况下,能够有效提取出滚动轴承的变转速曲线,并且准确识别出齿轮箱中滚动轴承发生的故障类型。     

滚动轴承故障振动检测方法

滚动轴承最常见的故障是磨损,磨损类故障的最大特点是无明显的冲击脉冲信号.滚动轴承故障振动诊断方法主要有特征参数法、频谱分析法和包络法.分别就振动诊断方法中的各类诊断技术及其特点进行分析.     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.