基于LMD和HMM的旋转机械故障诊断

提出了基于局部均值分解（LMD）和隐马尔科夫模型(HMM)的旋转机械故障诊断方法。首先,对故障信号进行局部均值分解,提取瞬时能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态的似然概率;以最大似然概率所对应的故障状态为诊断结果。通过滚动轴承点蚀故障诊断试验验证了该方法的有效性,并将其与基于EMD-HMM的故障诊断方法进行了比较。结果表明,基于LMD-HMM的故障诊断方法更适用于旋转机械的故障诊断。     

基于RO-SBM的Hilbert-Huang变换端点效应抑制方法

针对Hilbert-Huang变换方法中由于信号经验模态分解(empirical mode decomposition,简称EMD)过程中所存在的端点效应问题,分析了现有数据延拓方式的利弊,并在基于斜率(slope based method,简称SBM)方法以及改进方法(improved slope based method,简称ISBM)的基础上提出了一种全新的基于斜率再优化(re-optimization slope based method,简称RO-SBM)方法用于信号序列的极值点延拓,然后对延拓后的数据进行EMD分解,得到相应的本征模函数(intrinsic mode function,简称IMF)分量.数值仿真结果表明,采用基于RO-SBM方法进行数据延拓,相比镜像延拓以及ISBM方法,可以更有效地抑制EMD中的端点效应问题,提升HHT方法的信号分析性能.通过基于RO-SBM方法进行数据延拓的HHT方法准确分离出了某转子系统的局部碰摩径向振动信号中所包含的故障特征分量,并将此方法成功应用于旋转机械故障诊断领域.     

基于LMD能量特征的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的多载波多调制特性,提出一种基于局域均值分解(local mean decomposition,简称LMD)能量特征的特征向量提取方法,并与支持向量机相结合用于滚动轴承的故障诊断。首先,采用LMD方法将复杂调制振动信号分解为若干单分量信号乘积函数(production function,简称PF);然后,对反映信号主要特征的PF基于时间轴积分,得到各PF分量能量矩并构造特征向量;最后,将其输入多分类支持向量机中,用于区分滚动轴承的故障类型与故障程度。对滚动轴承内圈故障、外圈故障及滚动体故障振动信号的分析结果表明,该方法能有效提取滚动轴承各工作状态信号的故障特征,能准确识别故障类型,同时对故障程度的判断表现出较高的识别率。     

小波尺度函数在旋转机械故障诊断中的应用

运用小波分析的尺度函数,在进行小波分解后,进一步进行傅里叶变换．能够提取其他方法无法得到的故障特征信号,为故障诊断提供了一种新的分析手段。对Jeffcott转子的不平衡和刚度不对称等故障分析验证了该方法的可行性和实用性。最后讨论了小波变换级和噪声对尺度函数分析方法的影响,表明小波尺度函数的降噪作用是十分明显的。     

虚拟现实在旋转机械故障诊断中的应用

提出把虚拟现实（ｖｉｒｔｕａｌｒｅａｌｉｔｙ，ＶＲ）应用于旋转机械的故障机理研究及故障诊断，以更直观和更投入的方式研究故障的机理及其发生，发展过程以及可能导致的后果，还可弥补某些故障不能在转子实验台上模拟之缺陷。     

模拟退火算法在旋转机械故障诊断中的应用

本文用模拟退火算法建立了旋转机械故障诊断的人工神经网络模型,以幅值谱中７个频段上的幅值为网络的输入模式,对旋转机械常见的几种故障进行分类训练,并应用于等识别故障样本的识别计算,结果表明该方法在旋转机械故障诊断中是有效的。     

BP神经网络在旋转机械故障诊断中的应用

神经网络由于其本身具有的优越性，已广泛应用于各个领域中的分类、联想问题。本文将ＢＰ神经网络理论应用于风机故障诊断中，取得了较好的结果。     

旋转机械的故障诊断

简介了旋转机械故障诊断的意义及其理论基础.以压缩机为例阐述了诊断方法,最后得出了其所具有的优越性等结论.     

BP神经网络模型在旋转机械故障诊断中的应用

本文利用神经网络模型建立了旋转机械常见故障的类别与征兆之间的映射关系.并利用这一模型对几种常见故障进行了分析诊断,诊断结果表明本方法精度高,结果可靠,对于工程应用具有一定的实用价值.     

旋转机械故障诊断专家系统

在旋转机械最佳诊断方法理论的指导下,依据基于黑灰白的推理机技术开发了旋转机械故障诊断专家系统。本文着重说明了故障诊断系统中推理机和知识库这两部分的设计及实现,最后根据工厂实际数据进行验证,列出了验证的结果。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。     

基于自相关分析和LMD的滚动轴承振动信号故障特征提取

滚动轴承的故障信号是非平稳的、多分量的调制信号,特别是故障早期,由于调制源弱,早期故障信号微弱且受周围设备的噪声干扰,导致故障特征难以识别。采用自相关分析和局域均值分解（LMD）方法提取故障特征。首先采用自相关分析提取信号中的周期成分,消除噪声的干扰,然后利用局域均值分解方法将多分量的调制信号分解为若干个PF分量之和,再结合共振解调技术对PF分量进行包络分析以提取故障特征频率。实验证明了方法的有效性。     

基于递归神经网络的旋转机械故障诊断方法

为实现对旋转机械的在线故障诊断,对10类故障情况下的振动信号进行频谱分析。发现旋转机械振动信号的频谱中含有丰富的故障信息,以此为故障特征向量建立了诊断模型。在现有神经网络故障诊断方法基础上,提出了一种基于带有偏差单元递归神经网络的在线故障诊断方法,设计了相应的故障样本和故障编码。仿真结果表明,该方法在收敛速度、非线性能力及精度方面明显优于一般方法。对故障模式的回想结果及实际运行结果证明,本方法切实可行,适合于旋转机械的在线故障诊断。     

随机共振消噪和局域均值分解在轴承故障诊断中的应用

针对实际机械故障诊断中强噪声背景下难以提取故障特征的情况,提出了一种基于随机共振消噪(SR)和局域均值分解(LMD)的轴承故障诊断方法。首先,将轴承振动信号进行随机共振消噪,利用噪声增强振动信号的信噪比;然后,将消噪的信号再进行LMD分解,通过求取乘积函数(PF)幅值谱从而发现轴承故障频率。实验结果表明,该方法可以提高信噪比,实现微弱信号的检测,可有效地应用于轴承的故障诊断。
     

基于局部平衡判别投影的旋转机械故障诊断方法

针对旋转机械故障数据的多类别、高维复杂特性导致的分类困难问题,提出一种基于局部平衡判别投影(LBDP)的故障数据集降维方法。从时域、频域和时频域多个角度提取转子振动信号的混合特征,构建原始高维故障特征集;通过LBDP选择出其中最能反映故障本质的敏感特征子集;将得到的低维特征子集输入到K近邻分类器(KNN)中进行故障模式辨识。通过一个双转子系统的振动信号集合验证了所提出方法的有效性,证明了该方法能够全面地提取出局部判别信息,使故障类别之间的差异性更清晰。     

基于VMD与Hilbert谱的旋转机械碰摩故障诊断方法

为了有效地诊断旋转机械中的碰摩故障,提出了基于变分模态分解(variational mode decomposition,简称VMD)与Hilbert谱分析的故障诊断方法。首先,利用VMD将碰摩故障信号自适应地分解为若干个不同频率段的本征模态函数(intrinsic mode function,简称IMF),并与集合经验模态分解(ensemble empirical mode dcomposition,简称EEMD)的处理结果进行对比分析;然后,在VMD分解的基础上,利用Hilbert谱对故障信号的时频特性进行分析。实验结果表明:与传统的频谱分析相比,该方法不但可以准确反映故障信号的频率成分,而且可以反映频率随时间的变化情况;与EEMD相比,该方法可以有效抑制模态混叠,更加准确地反映故障信息,从而验证了该方法的可行性与有效性。     

基于时间序列差分特性的LMD端点效应处理方法

局部均值分解方法在计算过程中会使信号在端部产生端点效应,为减弱LMD中存在的端点效应,提出了一种基于信号时间序列差分特性的端点延拓方法。将信号曲线看作一段离散函数,利用该函数段末端的一阶差分和二阶差分的符号判断曲线的特征和发展趋势,根据具体情况判定所延拓极值点的值。使用该方法对仿真信号和实验轴承外圈故障和内圈故障信号进行了分解,并将其结果与镜像延拓改进的LMD方法分解的结果进行了对比。该方法在分解中的良好表现验证了其在信号分析中的有效性。     

局域均值分解和1.5维谱在机械故障诊断中的应用

针对机械故障振动信号的非线性、非平稳特征,提出了局域均值分解和1.5维谱相结合的机械故障诊断方法。该方法首先对信号进行局域均值分解,将其分解为若干个PF分量之和,然后运用1.5维谱方法对含有故障特征信息的PF分量进行特征提取。该方法具有抑制高斯白噪声、检测非线性耦合特征等特性。仿真信号与机械故障诊断工程实例的分析验证了该方法的有效性。
