基于DCT的微弱信号提取和识别

微弱信号提取一直是故障诊断领域的难点。结合离散余弦变换(DCT),将离散时间序列经过离散余弦变换处理成对应的系数向量,在阈值处理的基础上,重构信号提取出微弱故障信息。与小波降噪和低通滤波方法进行对比分析,该算法突出了信号的微弱故障特征信息,较好的再现了夹杂在信号中的微弱成分,参数设定简单,结果对参数不敏感。最后通过实验证实该方法的有效性。本算法速度快,简单易行,可用于实时故障监测。     

基于DCT的微弱信号提取和识别

微弱信号提取一直是故障诊断领域的难点。结合离散余弦变换(DCT),将离散时间序列经过离散余弦变换处理成对应的系数向量,在阈值处理的基础上,重构信号提取出微弱故障信息。与小波降噪和低通滤波方法进行对比分析,该算法突出了信号的微弱故障特征信息,较好的再现了夹杂在信号中的微弱成分,参数设定简单,结果对参数不敏感。最后通过实验证实该方法的有效性。本算法速度快,简单易行,可用于实时故障监测。     

变分模态分解和K-L散度在振动筛轴承故障诊断中的应用

振动筛属于振动机械设备中的筛分设备,其结构特点与运行原理与一般的旋转机械有很大不同,因此提取出的振动信号同从旋转机械提取出的振动信号也同样有较大区别,主要体现在信号中不仅存在大量背景噪声,而且成分也较为复杂。对于此类信号,模态分解算法是个行之有效的方法,模态分解算法在去除大量高频噪声的同时,还能将振动信号分解成一系列具有单一成分的模态分量,从而能更好发现振动信号的物理意义。基于此,引入一种新的故障诊断方法,首先利用变分模态分解将故障信号分解为若干个窄带模态分量,然后根据K-L散度值选定最佳的分量,最后进行包络运算得出故障频率。通过仿真模拟实验与振动筛轴承故障诊断的实际应用,并与之前的经典模态分解算法——经验模态分解和集成经验模态分解进行对比,发现该算法更具有优越性和实用性。     

基于EMD分解和奇异值差分谱理论的轴承故障诊断方法

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障频率的现实情况,提出了基于经验模态分解(Empirical Mode Decomposition,EMD)和奇异值差分谱的轴承故障诊断方法.首先通过EMD方法将非平稳的原始轴承振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率.对IMF分量构建Hankel矩阵并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某个IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率.实验结果表明,提出的方法能有效地应用于轴承的故障诊断.     

基于GA-SVM的刚性罐道故障诊断

针对刚性罐道故障类型识别精度低这一难题,提出了一种基于遗传算法(genetic algorithm,GA)和支持向量机（support vector machine,SVM）的刚性罐道故障诊断方法。搭建了立井提升系统实验台,模拟2种典型的罐道故障,并采集提升容器振动加速度信号。运用经验模态分解（empirical mode decomposition,EMD）方法对振动加速度信号进行分解,选取前4个固有模态函数（intrinsic mode function,IMF）,然后运用奇异值分解（singular value decomposition,SVD）方法计算出每个IMF的奇异值作为故障特征参数,将得到的故障特征参数作为SVM的训练集,通过GA参数寻优方法得到SVM关键参数c和g的最优值,并选取新的测试样本检测SVM的诊断效果。实验结果表明:基于GA-SVM的刚性罐道故障诊断方法的平均分类准确率达到93%。研究结果表明该方法能精确地识别刚性罐道的典型故障类型,为立井提升系统等非线性非平稳复杂系统的故障诊断提供一种通用可行的解决方法。     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

基于EMD和Teager能量算子的轴承故障诊断研究

提出了一种基于EMD和Teager能量算子的齿轮箱轴承故障诊断的新方法,该方法综合利用了经验模态分解和Teager能量算子分析技术.首先利用经验模态分解方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时幅值,最后对感兴趣固有模态函数瞬时幅值的包络谱进行分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.     

基于Kalman转移矩阵的发动机故障诊断方法

为了从发动机缸盖振动信号中提取出全面的、高质量的状态特征,建立缸盖振动信号的时变参数模型,提出缸盖振动信号Kalman滤波预测算法,通过引入包含发动机状态信息的Kalman转移矩阵,得到转移矩阵的奇异值分布,构成特征子集。研究不同工况下特征子集的分布,选用极限学习机对特征样本进行分类和测试,实际应用结果表明,发动机故障诊断精度较高。     

基于SWD-AVDIF的齿轮箱复合故障诊断方法

针对由噪声干扰和故障强度分布不均引起的齿轮箱复合故障诊断问题,论文提出了基于群分解和平均差值形态算子（Swarm Decomposition- Average Difference Filter,简称SWD-AVDIF）的齿轮箱复合故障诊断方法。首先运用群分解（Swarm Decomposition, 简称SWD）将齿轮箱振动信号分解为若干单一模态振荡分量（Oscillatory Components,简称OCs）;然后对分量进行AVDIF解调,得到SWD-AVDIF解调谱;最后根据解调结果判别故障类型。与EMD对比,仿真信号验证了SWD方法在频率区分能力上的优越性;运用齿轮箱复合故障仿真信号和实验信号进行分析,结果表明该方法能够有效地分离不同故障信号并加强故障特征,为齿轮箱复合故障诊断提供了一种新的方法。     

基于声信号的轴承故障诊断方法

机械设备在运行过程中的声音包含了大量的机构运行状态信号，本文采用相关分析，小波变换原理，从应用的角度出发，对滚动轴承故障声信号进行时频分析。通过对声信号的多尺度分解和重构，分离出由故障造成的声信号突变。试验表明，该方法具有较好的可靠性和有效性。     

基于LabVIEW的滚动轴承故障诊断方法

滚动轴承经常工作于多工况、变工况条件下,加之各振源间相互耦合、非线性强等特点,极易诱发系统中轴承零部件的故障.因此,设计滚动轴承故障诊断软件是十分必要的.本文基于LabVIEW设计了滚动轴承的故障诊断界面,主要分为数据采集界面、时域界面、频域界面、智能诊断界面,能够实现对滚动轴承的离线诊断和在线诊断.     

基于VMD-IMDE-PNN的滚动轴承故障诊断方法

为了提高滚动轴承故障诊断的准确性，提出一种变分模态分解( Variational Mode Decomposition，VMD )、改进粗粒化多尺度散布熵( Improved Coarse-grained Multi-scale Dispersion Entropy，IMDE )和概率神经网络(Probabilistic Neural Network，PNN )相结合的滚动轴承故障诊断方法。首先对振动信号进行VMD处理，根据互相关系数准则筛选最佳模态分量，突显振动信号的故障特性；然后针对多尺度散布熵（Multi-scale Dispersion Entropy，MDE）不稳定的缺点，对MDE的粗粒化过程进行改进，提出IMDE的非线性分析方法。模拟信号分析结果表明，相比于MDE方法，IMDE方法降低了熵值波动，提高了熵值稳定性。将两种方法运用于实际滚动轴承实验数据，发现相比于MDE，IMDE熵值曲线更平滑稳定，不同滚动轴承状态下的IMDE熵值曲线区分更加明显。最后采用PNN对提取的特征进行识别，与MPE-PNN，MDE-PNN以及VMD-MDE-PNN方法相比，所提的MD-IMDE-PNN方法能精确地识别滚动轴承的故障类型，且识别率更高。     

多模型融合下的滚动轴承故障诊断方法

针对单一分类器对于轴承故障诊断精度低的问题,提出一种多模型融合的滚动轴承故障诊断方法。首先对于滚动轴承的原始振动信号采用WELCH功率谱算法进行预处理,然后从功率谱中提取相关特征参数构成输入样本,分别采用LDA、SVM、KNN以及PNN四种分类器作为基分类器,再结合集成学习算法构造Stacking 集成学习模型,实现对滚动轴承多种故障类型的预测分类。实验结果表明,相比较各个单一分类器,Stacking-SVM集成模型的诊断性能更优,诊断准确率为98 %。同时将该集成模型在不同工况下进行实验及抗噪实验,均能达到较高的诊断准确率。可见该集成模型的故障诊断性能稳定,具有一定的鲁棒性和泛化能力。     

MDCNet轴承智能故障诊断方法研究

目的 为解决轴承故障特征时频图像难以识别的问题,在进行时频图像训练和学习故障特征的基础上,提出新的故障诊断方法。方法 本文提出一种MDCNet网络,该网络由多尺寸卷积核模块（Multi-Size Convolution Kernel Module）、双通道池化层（Dual-Channel Pooling Layer）和跨阶段部分网络（Cross Stage Partial Network）组成。首先,将采集的振动信号经过同步压缩变换,得到信号的瞬时频率图像,然后输入神经网络获得故障诊断结果。结果 将提出的方法在西储大学轴承数据集进行预测,准确率达到了99.9%。与AlexNet、VGG–16、Resnet等传统方法进行对比试验,结果表明MDCNet方法分类精度可达99.9%,高于传统方法的分类精度（95.70%、98.51%、97.64%）。结论 结果表明,本文所提出方法的预测准确率高于其他方法的,验证了该方法在包装机械故障诊断中是可行的。     

基于时间-小波能量谱熵的滚动轴承故障诊断研究

针对轴承振动信号中存在周期性冲击这一现象,提出了时间-小波能量谱熵的计算方法,用于滚动轴承的故障诊断。首先构造脉冲小波,采用连续小波变换的方法得到时间域内小波能量谱,再沿时间轴计算能量谱熵,定量描述振动信号沿时间的分布情况,不同故障下轴承的冲击振动随时间变化程度不同,其时间-小波能量谱熵值也就不同。将不同故障轴承信号的时间-小波能量谱熵作为向量特征输入建立支持向量机,实现了对轴承的工作状态和故障类型的判断。实验结果表明,时间-小波能量谱熵可以有效地对滚动轴承进行故障诊断。     

基于经验模式分解的滚动轴承故障诊断方法

针对水泵电机轴承故障振动信号噪声大和非平稳性的特点,提出了基于经验模态分解的诊断方法;通过对原始信号进行经验模态分解,得到包含故障特征的固有模态分量,从而可以提取出故障频率.该方法应用于外圈、内圈和滚动体故障诊断,取得了很好效果.     

基于MDS和神经网络的滚动轴承故障诊断方法

针对滚动轴承的智能诊断问题,提出基于多维尺度分析(Multidimensional Scaling,简称MDS)和神经网络的滚动轴承故障诊断方法。该方法首先提取原始信号常用的时域统计指标,再将包含故障信息的统计指标进行MDS降维处理,减少后续模式识别难度,最后将降维后的统计指标作为神经网络的输入参数来判断滚动轴承的故障类型。对滚动轴承正常状态、滚动体故障、外圈故障和内圈故障四种模式下的振动信号进行分析,结果表明,运用MDS进行降维预处理的神经网络故障诊断方法比没有经过预处理的故障诊断方法有更高的故障识别效率,可以准确有效识别滚动轴承的故障类型。     

一种基于EEMD-SVD和FCM的轴承故障诊断方法

提出了一种基于总体平均经验模式分解(EEMD)和奇异值分解(SVD)的模糊C均值聚类(FCM)相结合的轴承故障诊断方法。首先对轴承信号进行EEMD分解,得到若干个平稳的本征模函数(IMF),再通过相关性分析筛选包含主要信息的前几个分量进行奇异值分解,然后将得到的奇异值矩阵作为特征向量,通过FCM模糊聚类进行识别。实验结果表明,此方法可有效地对轴承故障类型进行识别。