基于声信号递归Hilbert变换的轴承故障诊断研究

轴承缺陷检测与损伤程度检测一直是旋转机械领域内非常重视的问题,虽然目前针对振动信号的研究已经取得相当好的结果,但是对于难以安装振动传感器的情况,诊断效果仍需改进。针对强背景噪声下故障轴承产生的声音,提出一种基于递归Hilbert变换和一维卷积神经网络的诊断方法来提取抽象特征并进行模式识别。卷积神经网络结构中引入了全局平均池化层来加速网络的运行。最后,通过数据集验证了所提方法的有效性,与其他常用分类方法进行对比,验证了该方法的优越性。结果表明：所提算法不仅能够准确识别轴承的损伤部位,而且能够准确区分部件的损伤程度。     

基于声信号的滚动轴承故障诊断

对现有振动传感器存在安装困难等问题,提出了基于声信号的滚动轴承故障诊断方法;利用声学传感器,采用非接触方式采集故障轴承声信号;通过Matlab设计线性相位FIR滤波器,得到所需频带的冲击响应序列;通过Hilbert变换,得到被故障源调制信号的包络信号;通过对包络信号进行频谱分析,确定滚动轴承的故障类型。利用该方法对实验台故障轴承进行诊断,得到了准确的诊断结果,验证了方法的可行性与有效性。     

基于CEEMD和WOA_LSSVM滚动轴承声信号故障诊断

针对强背景噪声下滚动轴承故障诊断问题,结合互补集合经验模态分解(CEEMD)与鲸鱼优化算法优化最小二乘支持向量机(WOA_LSSVM)进行滚动轴承的故障诊断研究.首先对声信号进行快速谱峭度分析并进行带通滤波预处理,提取故障冲击成分;其次,利用CEEMD算法将滤波信号进行分解运算,得到一系列模态分量(IMF);再利用相关...     

轴承故障诊断中的声发射检测技术

声发射技术是自20世纪60年代开始,到目前逐步成熟的一种无损检测技术。声发射以其灵敏度高、频响范围宽、信息量大和动态检测等特点,为轴承检测和故障诊断提供了一条新的途径,也是近年来轴承故障诊断研究领域的热点。综述了国内外声发射技术在滚动轴承和滑动轴承检测中的应用。通过分析,总结出轴承声发射检测技术下一步的研究方向,并指出轴承故障的声发射检测是振动检测的有力补充工具,特别是在轴承低转速和故障早期的检测中更能发挥作用。     

基于声发射信号的转子碰摩故障诊断方法

利用声发射信号的高频特性采集转子碰摩故障信息，采用小波分析技术把所得声发射信号分解在不同频带，对信号进行重构，从而消除背景噪声，并用小波包络谱分析方法识别故障信息。分析结果证明，基于声发射信号的小波包络分析可以检测出微弱的转子碰摩故障，是一种有效的早期故障诊断方法。     

基于GMDH与SVM的信号缺失情景下轴承故障诊断

针对在轴承故障数据采集过程中,由于外界干扰导致部分信号缺失的问题,提出一种基于数据分组处理算法(GMDH)与经粒子群优化的支持向量机(PSO-SVM)算法相结合的轴承故障诊断方法。首先,利用GMDH算法搭建时间序列预测模型,预测出并弥补上缺失的数据并与采集信号整合;其次,经过PSO-SVM模型对完整的数据集进行故障类型诊断;最后,实验采用了凯斯西储大学轴承故障振动数据,并与SVM、PSO-SVM等算法进行比较,验证了在信号缺失情景下,GMDH-SVM混合诊断方法的有效性。     

基于DWT-DSCNN-SVM的轴承故障诊断

在故障诊断过程中,为了更好地提取特征以及提高故障识别率,提出了一种基于离散小波变换和深度可分离神经网络算法以及SVM分类器的滚动轴承故障诊断方法.首先,模型利用离散小波变换对原始振动信号提取特征,形成多通道样本;然后对样本进行深度可分离卷积神经网络训练,最后在全连接层后接SVM分类器实现对故障信号的分类.实验所用数据来...     

基于多指标优化TQWT和TEO的轴承声发射故障诊断

针对滚动轴承早期故障声发射信号存在信噪比低、调制成分复杂导致故障特征难以识别的问题,提出一种利用多特征指标优化的可调Q因子小波变换(TQWT)和Teager能量算子(TEO)结合的故障诊断方法。以峭度-波形信息熵指标对TQWT参数(主要是品质因子Q)进行自适应选择,分解得到一系列子频带;然后,结合峭度、峰度、稀疏值组成融合指标对子频带进行筛选,对选出的子频带降噪后重构信号;最后求得重构信号Teager能量算子解调谱,通过对解调谱分析得到轴承故障特征信息。仿真和实验数据表明：该方法能在低转速强噪声背景下提取出轴承故障声发射信号中的冲击特征并进行故障诊断。     

基于C-GRU的电机轴承故障诊断

针对单一卷积神经网络模型在轴承故障诊断工作对于训练样本需求过多的不足,根据采集到的电机轴承振动数据为时序数据的特点,结合门控循环单元在处理时序数据所具有的优势,采用了基于卷积神经网络和门控循环单元(C-GRU)的电机轴承故障诊断算法.将CNN在特征提取的优点与GRU处理时序数据的优点有机结合起来,在选择合适的网络结构和...     

基于EEMD-IGWO-SVM的电机轴承故障诊断

针对电机轴承易发生损坏、传统诊断方法耗时长且准确度低等问题,提出一种基于改进灰狼优化算法（IGWO）优化支持向量机（SVM）的电机轴承故障诊断方法。对电机振动数据进行集成经验模态分解（EEMD）,提取出IMF能量矩作为特征向量,并结合IGWO-SVM分类器,构造电机轴承故障检测模型。在模型引入改进Tent混沌映射、非线性收敛因子、动态权重策略,得到改进的分类算法,该算法可以快速精准地寻找SVM的最优惩罚参数C和核参数 γ。对电机轴承振动数据进行仿真实验,诊断结果表明该轴承故障方法平均准确率高达99.4%。最后通过实验验证提出的诊断方法具有良好的算法稳定性和抗噪性能,可有效提高故障诊断精度。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于改进卷积神经网络轴承故障诊断

卷积神经网络(Convolution Neural Network,CNN)是一种常用的智能故障诊断方法.针对卷积神经网络结构中参数较多,训练时间长,并且sigmoid和ReLU激活函数运用带来梯度消失和均值偏移.基于以上问题提出了一种改进非线性映射函数的卷积神经网络模型.把振动信号转换成二维振动图像表示其故障纹理,在...     

基于EMD与SSA-SVM的轴承故障诊断

为提高轴承早期故障诊断的准确率,使用经验模态分解(EMD)与麻雀算法(SSA)改进的支持向量机(SVM)结合的方式对故障进行诊断。首先,使用ADAMS软件采集6203轴承外圈、滚子及内圈故障的振动仿真信号;其次,将仿真信号及实际信号作为输入信号进行EMD分解,同时对分解的IMF分量选择自相关性最大的进行Hilbert包络处理;最后,对包络处理得到的故障频率选取前3个峰值采用SSA-SVM对故障进行诊断。不同的输入样本及不同的算法模型的诊断结果表明选取故障频率作为输入特征向量,在SSA-SVM中能够准确的诊断出故障类别,证明ADAMS能很好的解决轴承故障数据的采集问题,所用的诊断方法为轴承故障诊断提供了一种高准确率的方法。     

基于CLPSO-IDBN的风电机组轴承故障诊断

针对风电机组轴承故障诊断时的数据特征复杂难以提取,故障诊断准确率低,耗费时间长等问题,提出一种综合型学习粒子群算法(comprehensive learning particle swarm optimization, CLPSO)与改进深度置信网络(improved deep belief network, IDBN)相结合的故障诊断方法。首先在DBN内部添加了迭代误差阈值优化策略构建IDBN,大大减少了训练时间;然后利用CLPSO算法优选IDBN网络结构,运用具有最优结构的IDBN模型从原始信号中提取故障特征,识别轴承的故障类型。仿真实验结果表明,CLPSO-IDBN算法模型具有更高的准确率以及在相同情况时更少的训练时间,在训练集和测试集上的诊断准确率分别达到了98.28%与97%,并且可以平均节省约30%的训练时间,与4种其他方法相比较,证实了新方法的有效性与准确性。     

基于EHNR与PSO-MOMEDA的轴承故障诊断

针对多点最优最小熵反卷积调整(MOMEDA)在提取故障脉冲时无法自适应地识别故障脉冲周期和滤波器长度的不足,提出包络谐噪比(EHNR)与PSO-MOMEDA相结合的滚动轴承故障特征提取方法.首先,计算原始信号的EHNR函数图,自适应计算脉冲周期;其次,以脉冲信号EHNR值为优化目标,使用PSO-MOMEDA搜索最优滤波...     

基于Hilbert变换的轴承故障诊断研究

滚动轴承外环故障、内环故障和滚动体故障的振动信号具有调制的特点。采用Hilbert变换对轴承的故障信号进行了包络解调仿真分析,并对滚动轴承的外环故障进行了故障诊断试验研究,诊断结果与实际故障吻合。研究结果表明,基于Hilbert变换的包络解调技术不仅能有效提取故障信号的特征频率,而且还可以有效地实现滚动轴承故障的诊断。     

基于CMCPSO-SVM的轴承微弱故障诊断方法

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明：该故障分类模型的识别准确率高于其他分类模型。     

基于孪生网络结构的轴承故障诊断研究

针对轴承故障诊断中故障样本稀缺、深度神经网络模型在小样本条件下存在故障诊断准确度较低的问题,提出将深度神经网络扩展为孪生网络结构的框架,以提高在小样本条件下的故障诊断性能。孪生网络通过权值共享的骨干网络从样本对中提取特征,采用L₁距离判定样本对的特征相似度,实现轴承故障诊断。不同于传统深度神经网络,孪生网络采取输入样本对的方法,在故障数据不足的情况下,可以提高轴承故障诊断性能。分别将不同层数的卷积神经网络(CNN)与长短期记忆网络(LSTM)扩展为孪生网络结构,在实测轴承数据集上进行小样本故障诊断实验。实验结果表明,通过扩展为孪生网络结构可以提高故障诊断结果的准确率,孪生CNN网络比对应的CNN网络准确率平均提高1.08%,孪生LSTM网络比对应的LSTM网络准确率平均提高4.78%。     

基于声发射的滚动轴承故障诊断方法

为诊断低速滚动轴承故障,克服传统振动法诊断时故障信号极其微弱的缺陷。在实验室条件下对各类故障模式滚动轴承进行声信号采集,并对故障轴承声信号进行参量分析和波形分析的基础上,利用撞击数和神经网络技术对滚动轴承进行了故障诊断,提高了低速滚动轴承故障诊断的有效性和准确性。     

基于声发射和振动信号的振动钻削钻头故障诊断试验研究

针对钻削过程中钻头状态监测问题,基于声发射采集系统和振动采集系统设计超声轴向振动钻削钻头故障监测装置,分别应用完整钻头和故障钻头进行45钢板的超声振动钻削对比试验,采集不同钻头状态的AE和振动信号,通过时域分析、频域分析和小波分解,分析故障钻头对AE和振动信号的影响。试验结果表明：通过AE和振动信号判别钻头状态,判别结果与实际一致,能够实现钻头的故障诊断。