基于EEMD能量熵和GJO-KELM的滚动轴承故障诊断

滚动轴承在旋转机械中发挥着重要作用,若出现故障,轻则引起设备停机,重则危及现场人员生命安全,因此有必要对其进行故障诊断。针对滚动轴承故障特征难以提取,传统分类方法正确率不高的问题,本文提出一种基于集合经验模态分解（EEMD）能量熵和金豺优化算法（GJO）优化核极限学习机（KELM）的故障诊断方法,实现了提取滚动轴承故障特征并正确分类的目标。通过实验数据进行验证,该方法能够提取到滚动轴承原始信号中隐含的故障信息特征,其诊断正确率高达98.47%。     

汽轮发电机组并发故障的分类

该文以较成熟的ＢＰ（ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ）神经网络为基础，论述了神经网络技术在旋转机械故障诊断中的应用问题，提出了用并行ＢＰ网络解决并发故障分类问题的方法，并采用自适应学习率和绝对误差等距离逼近法改善ＢＰ网络的学习性能，最后以振动频谱为特征，就汽轮发电机组机械中常见的２０种故障模式的分类和训练学习进行了仿真试验和分析。结果表明：神经网络技术对于高维空间模式识别和非线性模式识别问题具有较强的分类能力，特别是并行ＢＰ网络，可以解决并发故障分类问题，为旋转机械智能诊断提供了一个有效方法。表５参１５     

基于小波变换的电网旋转机械负荷故障诊断方法*

电网负荷侧机械装置的故障诊断一直是电网需求侧管理的难题,大负荷机械装置的故障会导致设备停机,引发电网负荷的陡降,对电网的安全稳定运营造成极大的威胁。传统的故障诊断方法主要基于快速傅里叶变换,难以实现特定时间段频率特征的提取,对此提出了基于小波变换的旋转机械负荷故障诊断方法,不仅能得到故障特征频率,而且可实现对故障特征频率的定位。     

基于MPE与PSO-SVM的滚动轴承故障诊断

滚动轴承是旋转机械的重要部件之一,针对滚动轴承故障诊断问题,本文提出了一种多尺度排列熵（MPE）与粒子群优化（PSO）的支持向量机（SVM）相结合的算法。利用MPE方法得到轴承故障信号的故障特征,并将其作为特征向量输入PSO-SVM模型中,使用凯斯西储大学轴承故障数据进行验证,发现此方法可以有效进行滚动轴承的故障识别。同时将此方法与多尺度排列熵结合传统的SVM方法以及使用网格搜索优化的SVM方法所得故障分类结果进行比较,发现该方法在滚动轴承故障诊断的时效性以及准确率方面具有一定的优越性。     

大型旋转机械故障诊断两种新方法——模糊故障诊断和神经网络故障诊断法

针对大型旋转机械的故障诊断,概括介绍模糊故障诊断和神经网络故障诊断两种方法,重点讨论两种方法的优缺点,并进行了简单的比较,对解决大型旋转机械故障诊断问题具有一定的实用价值。     

循环谱密度在旋转机械故障诊断中的应用

本文通过分析旋转机械振动信号的特点,指出旋转机械的振动信号为循环平稳信号。通过分析循环谱密度方法的特性,指出该方法可以在循环频率域有效提取旋转设备的冲击故障频率。通过仿真信号验证了该分析方法的有效性,并将之应用于滚动轴承的故障诊断中。     

基于LabVIEW的火电厂旋转设备故障诊断系统研究与应用

针对火电厂旋转设备繁多，振动监测及故障诊断需求量大的现象，研究应用LabVIEW软件开发虚拟仪器，实现灵活、便捷的火电厂旋转设备故障诊断的方法。对应用LabVIEW编程语言，开发虚拟仪器的信号采集、信号处理及结果显示模块的步骤、方法和程序结构进行了阐述，并对软件开发及应用中的注意事项进行了详细说明。应用LabVIEW软件开发的虚拟仪器进行现场不同旋转设备的故障诊断，表明其可以准确地提供振动时域、频域特征信息，并成功指导了故障的消除，证明LabVIEW软件能够符合火电厂不同旋转设备、不同振动指标的故障诊断需求，输出的结果准确可靠。     

基于双向门控循环单元网络的滚动轴承故障诊断

滚动轴承作为大多数旋转机械的重要零部件,其工作状态直接影响设备的工作寿命.针对传统故障诊断方法自适应性差、特征提取过于依赖人工经验的问题,提出一种基于双向门控循环单元的轴承故障诊断方法.该方法直接将原始振动信号作为模型输入,自动进行故障特征提取与故障诊断.结合轴承外圈故障、内圈故障及滚动体故障等9种故障状况,对所提方法进行了验证.实验结果表明,其故障诊断准确率可达99.56％,诊断效果优于门控循环单元、长短期记忆网络等算法,且泛化能力好.     

基于GP-SSD的旋转机械复合故障特征提取方法

针对旋转机械复合故障振动信号中的非线性、非平稳特征,提出了一种基于GP奇异谱分解(GP-SSD)的故障特征提取方法。奇异谱分解(SSD)是一种新的针对非线性非平稳信号的自适应信号处理方法,但其具有主观选取嵌入维数的缺点。GPSSD方法基于GP算法能根据嵌入维数与关联维数的关系自适应选取嵌入维数的优势,可以自适应的分解出若干具有物理意义的奇异谱分量(SSC),从而克服了SSD主观选取嵌入维数的缺点。仿真信号的分析结果验证了GP-SSD方法的优越性,在此基础上将GP-SSD应用于旋转机械复合故障诊断中,实验数据的分析结果表明该方法能有效提取旋转机械复合故障的特征。     

基于数据融合的滚动轴承故障诊断研究

信息融合方法应用到滚动轴承故障诊断之中,能有效地利用传感器资源最大限度地获取旋转机械中有关被测对象的状态信息.以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别,经过一定的信息融合分析处理,能够较为准确地识别设备的故障.