基于Gabor变换和盲源分离的旋转机械故障诊断方法

传统的盲源分离方法要求源信号相互统计独立,但是实际机械设备很难满足这个条件。为此,提出了一种基于Gabor变换和盲源分离相结合的旋转机械故障诊断方法。首先通过不同混合信号的Gabor变换系数之间的相互关系,得到源信号间的公共频率成分,然后对观测信号进行滤波处理,得到新的观测信号,最后利用矩阵联合对角化方法进行分离,实现相关源信号盲分离。该方法突破了传统盲源分离方法中要求源信号相互统计独立且最多只能有一个高斯信号的限制,仿真和实验结果验证了该方法的有效性和可行性。     

基于连续小波变换的旋转机械振动信号灰度矩研究

通过对机械振动信号的连续小波变换，利用小波滤波器良好的时频特性，研究了振动信号连续小波变换灰度图的统计特征，提出了“一阶灰度矩向量”指标。对8种典型故障信号的计算表明，一阶灰度矩向量可以较好地展现小波灰度图的局部信息，能够有效地提取信号的特征，区分振动故障。     

旋转机械故障诊断系统数据库的机器自学习方法

本文讨论一种旋转机械故障诊断系统数据库的计算自学习方法.该法能使计算机在长期的运行实践中,自动识别和跟踪被监测机组工作参数的改变,从而大大增强了故障诊断系统的适应性.本文将最小?乘法应用于计算机自学习,并以"MMMD-1"的模糊诊断系统为例,介绍了这种方法的原理和应用.计算结果表明,该法对初值稳定.     

基于小波变换的包装机械故障诊断系统

文中介绍了小波分解在包装机械故障诊断中的优点，并通过对包装机械振动信号特性进行分析，指出该类信号用频谱分析的方法不能得到有效的特征。由于小波分析具有传统频分析方法所没有的时-频分析特性，通过小波逼近系数能得到机组实际振动的大小，从而准确诊断出故障，本文通过实例得以证明。     

基于小波变换的旋转机械振动信号数据压缩方法的研究

在分析了旋转机械振动信号的特点和小波变换在信号奇异性检测上的特性后,提出了利用小波系数表征信号的奇异性特征,及用信号的频谱来表征信号的整体特征。而用这二类数据表征信号时的数据量远无小于振动时域信号的数据量。因此本文提出了利用这二类信号寻振动信号进行数据压缩的方法。通过信真计算对实际数据的计算证明,该方法既可以得到较高的信号压缩比又保留了信号的局部特征,有着很好的信号重构性。     

基于核极限学习机的旋转机械故障诊断方法

传统的旋转机械故障诊断存在需人工干预、诊断精度低等问题。为更好诊断旋转机械故障,提出基于核极限学习机的旋转机械故障诊断方法。首先在正常状态和转子不平衡、转子不对中、轴承座松动3种故障状态下采集旋转机械的振动信号,降噪后提取各频段小波能量作为故障特征,以此为基础建立基于核极限学习机的旋转机械故障诊断模型。在旋转机械故障模拟实验台上进行的应用实验表明,KELM方法比ELM有更高的稳定性,KELM的故障诊断准确率大于99%,诊断性能优于极限学习机和支持向量机。     

用小波变换识别机械故障中的通过振动

本文利用小波变换的方法，有效识别了旋转机械运行中由滚动轴承等元件的缺陷引起的通过振动，并从时域上计算其通过频率，解决了以往此类故障由于干扰大而难以识别的困难，为机械故障诊断提供了一个非常有效的手段和应用实例。     

S变换引导变分模态提取的旋转机械故障诊断方法EI北大核心CSCD

针对信号变分模态分解(VMD)存在分解层数难以确定、目标模态难以选取的问题,介绍了一种信号分解方法——变分模态提取(VME),且提出了基于S变换(ST)与VME的旋转机械故障诊断方法。VME将信号分解成两层——期望模态和残余信号,并基于一个新的准则:期望模态与残余信号之间具有最小的频谱重叠。为了使VME得到的期望模态包含充分的故障特征,采用S变换对信号进行处理,确定故障特征所在的频段,据此选取VME期望模态的中心频率初始值。为了从期望模态中提取出故障特征频率,采用平方包络谱(SES)对期望模态进行分析。仿真信号与实际振动信号的分析结果表明,所提出的ST‐VME方法能够成功提取出有价值的期望模态和准确的故障特征频率,实现旋转机械故障诊断,且与VMD相比,ST‐VME方法的目标性更强,实施更容易。     

基于小波降噪神经网络的旋转机械故障诊断

实测信号往往受到多种因素的干扰,如高频噪声.提出了一种小波降噪神经网络的故障诊断方法,利用小波的多重分辨率分析,有效降低高频噪声干扰,从而简化了有效特征信号的提取.建立了基于小波变换和BP神经网络的混合诊断模型,成功地对故障进行了智能诊断.最后实验验证了此种方法的有效性.     

基于稀疏滤波和长短期记忆网络的旋转机械故障诊断方法

针对原始振动信号不可避免的包含多余噪声问题。提出一种基于稀疏滤波(sparse filtering, SF)和长短期记忆网络(long and short term memory network, LSTM)相结合的旋转机械故障诊断模型,该模型利用快速傅立叶变换将原始时域信号转换成频域信号,再通过SF提取低维故障特征,并将其输入到LSTM堆叠分类器中识别旋转机械故障状态。用轴承和齿轮振动信号为例开展试验研究,并与Softmax、深度神经网络(deep neural networks, DNN)、支持向量机(support vector machine, SVM)、降噪自编码器(denoising auto-encoder, DAE)等方法进行试验对比,结果表明所提方法不仅在噪声环境下具有更高的准确率和鲁棒性,而且针对数据不平衡集的诊断也能达到98%以上的准确率。     

小波极大模方法在旋转机械故障诊断中的应用研究

通过小波变换奇异性检测理论,利用连续小波变换提取极大模值线并求取Lipschitz指数,提取转子每转中Lipschitz指数的平均个数和全部Lipschitz指数的平均值作为转子故障振动信号的奇异性特征。通过BP神经网络对转子不平衡、不对中、油膜涡动、摩碰和无故障5种状态进行分类识别,取得了较好的效果。     

旋转机械故障诊断的图形识别方法研究

以旋转机械振动三维参数图形为研究对象,提出了基于图形识别技术的旋转机械故障诊断方法。该方法用表征纹理的统计法、结构法及图形纹理方向的梯度法形成描述图形纹理特征的灰度-梯度-基元三维共生矩阵。该矩阵精确地反映了图形纹理的粗糙程度、重复方向和空间复杂度及纹理方向,准确地描述了图形灰度空间分布特性(概率)、空间统计相关性和图形内各像素点梯度的分布规律。描述了灰度统计和空间结构的纹理特征,有效地提取旋转机械状态参数图形中纹理特征信息。最后,利用RBF人工神经网络实现旋转机械故障诊断。在汽轮机转子试验台上进行了6种状态试验研究,诊断结果表明该方法具有较高的诊断准确率,为旋转机械故障诊断探索了一条新路。     

基于改进经验小波变换的滚动轴承故障特征提取方法研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于改进经验小波变换的故障特征提取方法。通过包络分析和对包络曲线进行阈值分割修整的方法来确定经验小波变换分解的模态数和频率边界,解决传统经验小波变换需要预先设置分解模态数和难以对信号频谱进行适当分割问题,以实现对振动信号故障信息更准确的描述。实验表明,该频谱分割方法能够有效检测信号最佳模态分解数,使得信号的频谱分割更为容易、可靠。相比传统EWT和EMD,改进经验小波变换的滚动轴承内圈、外圈Hilbert变换时频图对振动信号的故障相关特征描述更为清晰,在滚动轴承故障特征提取方面表现更为优越。     

基于局部均值分解与形态谱的旋转机械故障诊断方法

针对旋转机械不同类型故障会使振动信号具有不同形态特征及振动信号信噪比低等特点,提出基于局部均值分解（Local Mean Decomposition,LMD）与形态谱的旋转机械故障诊断方法。其中的LMD能对旋转机械原始振动信号进行降噪处理,而形态谱则能反映振动信号的形态特征,从而能判断旋转机械的工作状态。将该方法用于转子系统故障诊断,分析结果表明,该方法能有效提取旋转机械故障振动信号的故障特征,能准确识别旋转机械的故障状态。     

基于KD-DenseNet的旋转机械故障诊断模型

针对传统旋转机械故障诊断算法在复杂多变的工况下,缺乏良好的自适应与泛化性的问题。提出了基于DenseNet的卷积核dropout(KD)智能故障诊断模型KD-DenseNet。将各类故障状态的原始振动信号进行重叠分段预处理,并将预处理得到的数据作为KD-DenseNet的输入进行训练,使用训练得到的模型对不同工况下的振动信号进行自适应特征提取与分类,并将dropout应用于卷积核中以提高模型对振动信号的处理速度及抗干扰性,最终得到故障类型判定结果。KD-DenseNet的应用避免了梯度弥散现象,提高了有效特征的提取效率,解决了传统特征提取方法中无法有效挖掘特征、无法自适应于任务进行调整等问题。     

基于小波的滚动轴承故障诊断

滚动轴承是机械设备中极易损坏的零部件.旋转机械的故障有百分之三十是由轴承故障引起的,因此引入轴承故障诊断对于机械化生产和作业来说是十分必要的.在对轴承故障的机理和特征全面了解的基础上,利用了离散小波变换对不同工矿下的原始信号进行分解,然后对小波分解出的近似和细节信号进行Hilbert变换,利用得出的信号可以较好地提取故障特征.     

基于小波变换和均值滤波的图像去噪方法

将小波变换和均值滤波相结合提出了一种有效的图像去噪方法,先将含噪图像进行小波分解,获得不同频带的子图像.将低频近似图像保持不变,对水平、垂直和对角三个方向高频细节图像根据其特性采用三种不同形状的模板进行均值滤波,最后将低频近似图像与三个均值滤波后高频细节图像合成得到去噪后的图像.实验结果表明,该方法在降低了图像噪声的同时又尽可能地保留图像的细节,其去噪效果优于单一小波阈值法和均值滤波法.     

基于分数小波变换的信号降噪新方法

简要介绍了分数小波变换的基本思想及在信号处理方面的特点.利用不同信号在分数小波域具有不同的相关性的特点,提出了一种基于分数小波变换的信号降噪新方法.分析了该方法的降噪特性,同时比较了小波包直接降噪和该方法的降噪效果.结果表明,该方法能够有效降低振动信号中的背景噪声.     

调频率自适应匹配线性变换及其对旋转机械故障诊断研究

旋转机械常处于变转速工作状态,因而其振动信号也表现出非平稳性。分析此类非平稳信号时由于受有限的时频分辨率影响,常无法获得理想的时频表示,难以揭示与旋转机械健康状态相关的有用信息。根据单个线性调频变换（LCT）能提升特定时刻时频聚集性这一特点,提出了调频率自适应匹配线性变换（Adaptively MatchingChirp?rate Linear Transform,AMCLT）。利用最大峭度准则指导选取每个时刻合适的调频率,并且只保留与所选调频率相关的时频分布用于构造最终的时频表示;扩展原始线性变换基函数,使所提 AMCLT 方法在无需迭代情况下可同时完成对多分量非线性调频信号的分析。此外,对所提 AMCLT 方法进行了信号重构分析,可实现对信号中目标频率分量的时域信号重构。振动信号处理结果表明,在时频表示的可读性方面,所提方法可得到能量更加集中且不受交叉项干扰的时频表示;在特征提取方面,所提方法可更加准确地提取旋转机械振动信号中的频率特征,可有效应用于旋转机械的故障诊断。