基于IMF复杂度和RBF网络的配气机构故障诊断

针对柴油机振动信号的非平稳特性,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、复杂度和RBF(radical basis function)神经网络相结合的故障诊断方法;运用经验模态分解方法对特定时段的振动信号进行分析,计算前5个固有模式分量(Intrinsic Mode Functions,IMF)的Lempel-Ziv相对复杂度作为故障特征向量,并利用RBF神经网络可以快速逼近任意非线性函数及良好分类能力的特点,来实现对柴油机工作状态和故障类型的判别;最后,利用实际柴油机试验数据的诊断和对比试验验证了该方法的有效性。     

基于振动信号能量熵的轴承故障诊断

轴承大量存在于机械设备当中,轴承的故障也是各种机械故障的主要原因。对轴承故障及时和准确的判断,可以有效地预防由轴承故障引起的事故,减少损失。基于此提出一种基于振动信号能量熵的轴承故障诊断的方法。轴承在不同的工作状态下,轴承振动信号的能量熵不同,也就是能量分布也是不同的,可以通过能量分布的不同判断轴承的状态。首先对轴承的振动信号进行总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition),获得若干个本征模函数IMF(Intrinsic Mode Function),然后计算本征模函数能量特征,将能量特征作为输入,可以建立相关向量机判断轴承的状态。通过实验验证,基于振动信号能量熵的故障诊断方法可以有效地应用于轴承的故障诊断。     

基于小波包和EMD的HHT时频分析方法在航空试验器轴承故障诊断中的应用

为适应高转速要求,航空试验器轴承通常选用陶瓷的球体和复合材料的保持架。这种轴承发热量小,同时保持架材料具有轻且脆的结构特点。轴承振动经过试验器传递到振动传感器后,常规的振动采集与温度监控都很难识别出有效的轴承故障信息,无法对轴承故障进行准确预判。针对这一问题,提出一种基于小波包、经验模态分解(EMD)和Hilbert-Huang变换(HHT)组合的轴承振动信号分析方法。首先,通过小波包对振动噪声的抑制作用,经由EMD方法,对非平稳信号进行平稳化处理;之后,通过HHT时频分析提取出轴承的故障频率。通过将仿真信号和航空试验器的高速工装轴承的故障试验信号进行对比分析,验证了该技术对提取该类轴承故障特征的有效性,可为轴承故障早期诊断方法的研究提供参考。     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

基于小波包和EMD的异步电动机轴承故障诊断方法

针对传统的异步电动机轴承故障诊断方法对于轴承的局部缺陷及早期故障的诊断效果不明显的问题,提出了一种采用小波包理论与EMD相结合的方式提取异步电动机轴承故障特征频率的方法。该方法先采用小波包理论对原始信号进行消噪及频带划分,接着采用EMD对小波分解重构得到的信号进行分解以获得固有内在模函数(IMF),最后将IMF经时频变换得到频谱图,根据故障特征频率得出诊断结果。实验结果证明,该方法可有效地提取出故障特征频率,并方便地判断出故障类型。     

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。     

基于EMD及改进PSO_BP的电机轴承故障诊断

针对电机轴承故障模式识别和分类问题,提出了采用EMD（Empirical Mode Decomposition）作为振动信号特征提取的方法,并利用改进的粒子群优化（Particle Swarm Optimization,PSO）算法来优化BP神经网络,得到性能优异的分类器,以实现电机轴承的故障模式分类。首先利用EMD将原始电机振动信号分解为8个阶次的IMF(Intrinsic Mode Function)分量,计算每个IMF的能量,并求其占比。分析得到前6阶IMF能量占比在前99%以内,故选取前6阶IMF分量并结合原始振动信号的时域特征参数（峰值因子、波形因子、裕度指标）,得到9维特征参数矩阵。并对获得的特征参数进行主成分分析,以验证特征参数提取的有效性。然后将基于EMD方法的特征参数矩阵作为改进PSO_BP（Particle Swarm Optimization with Back Propagation Neural Network）方法的输入向量,对不同载荷与转速工况下的电机轴承进行故障模式识别。结果表明,基于EMD和改进PSO_BP的方法能够很好地提高电机轴承故障模式识别的准确率。     

EMD和ICAⅠ在掌纹识别中的应用

提出了基于EMD和ICAⅠ的掌纹识别方法,该方法利用二维EMD技术对掌纹图像进行分解,得到4个IMF分量和1个残余分量,用前4个IMF分量重构掌纹图像,然后利用ICA结构Ⅰ提取EMD重构掌纹图像特征并进行识别。采用香港理工大学掌纹数据库进行实验,由于充分利用了掌纹图像的EMD高频细节特征。与ICAⅠ、PCA方法相比,有较高的识别率和较快的识别速度,表明该方法有一定的理论研究价值和一定的实用性。     

基于EMD方法的煤矿绞车轴承故障诊断

根据煤矿绞车齿轮箱轴承在变速变载工况下振动信号的频率一直发生变化的特征,提出采用EMD方法进行绞车轴承故障诊断。在较大拖动力与较大转频阶段,根据轴承座在正常状态与故障状态下振动信号的IMF分量的能量与总能量的比值及均方根能量来判断轴承工作状态,通过提取故障信号频率的边际谱判断故障位置。实验结果证明了EMD方法能够有效检测出绞车齿轮箱轴承故障。     

基于小波包和EMD的滚动轴承故障诊断研究

经验模态分解由于采用了三次样条插值的方法筛分内模函数,在实际应用中存在模式混叠、在低频段产生多余IMF分量等问题.文中以内模函数定义为出发点,提出一种基于小波包的筛分方法,并通过设定以小波能量比为条件的门限值,提高了小波包分解的自适应性和效率.通过仿真信号和滚动轴承故障振动信号的检验,证明了该方法的可行性和有效性.     

基于卷积自编码神经网络的航空发动机轴承故障诊断方法研究

航空发动机轴承早期故障多是由于裂纹、疲劳剥落和保持架损坏造成的,这类型的故障在发动机振动信号中均会产生瞬时的冲击;但是,在早期故障中,振动信号由于夹杂过多部件耦合激励,缺陷冲击信号很难辨识,早期故障诊断十分困难;采用了基于卷积自编码网络的航空发动机轴承早期冲击故障特征提取方法,通过分析信号中冲击成分的周期性,利用卷积自编码网络的平移不变学习特性,自动捕获信号中的周期成分,将信号分解为由卷积核重构的多个特征分量,实现信号特征分量的自学习,考虑到峭度指标对信号冲击成分描述的特点,使用峭度指标作为最优特征分量的选取指标,进而实现早期冲击故障特征的提取;最后利用仿真数据和轴承数据验证了该方法的有效性.     

基于改进BP网络算法的故障诊断分析

介绍BP神经网络结构和学习方法,针对误差反向传播神经网络模型学习收敛速度慢、容易陷入局部极小点等缺点,本文对BP网络模型进行了改进。对原始数据采用非线性的归一化函数,提出一种更加有效的学习率改进算法,提高了网络的收敛速度,采用了一种新的权值及阈值初始化方法,以避免训练时误差陷入局部极小解,并对改进BP算法与传统的BP算法进行比较,验证了该算法的优越性。     

Improved shuffled frog leaping algorithm-based BP neural network and its application in bearing early fault diagnosis

This paper reports on a new back propagation (BP) neural network based on an improved shuffled frog leaping algorithm (ISFLA) and its application in bearing fault diagnosis. The ISFLA is developed on the basis of a chaotic operator and the convergence factor of particle swarm optimization to overcome the shortcomings of conventional shuffled frog leaping algorithm (SFLA). Testing results show that the proposed algorithm can effectively improve the solution accuracy and convergence properties and exhibits an excellent ability of global optimization in high-dimensional space. The presented ISFLA is then employed to optimize the weights and threshold values of BP neural network. An ISFLA-BP network model is established for the early fault diagnosis of rolling bearings. The proposed ISFLA-BP scheme has been compared with BP and SFLA-BP networks through experimental studies. Results indicate that the developed new model demonstrates better generalization capability and stronger robustness. It is able to effectively improve the efficiency of network training and the accuracy of early fault pattern recognition in bearing fault diagnosis tasks.     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。     

基于故障传播的模块化BP神经网络电路故障诊断

大规模的数模混合电路所含故障模式众多,电路故障状态复杂,且易发生传播,因而电路故障诊断难度较大。针对大规模电路发生故障时存在故障传播的问题,提出一种基于故障传播的模块化BP神经网络（MBPFP）故障诊断方法。首先,在电路模块划分的基础上分析子电路间的故障传播,并将故障源和故障传播源"模块化";然后,通过子电路的异常检测模型进行一级定位,缩小故障原因集合,确定故障模块;最后,利用目标模块的BP神经网络模型进行二级定位,实现故障诊断并识别故障模式。与传统BP神经网络等方法进行比较的实验结果表明,MBPFP故障诊断方法具有较高的故障覆盖率,在定位准确率方面提高了至少8个百分点,其性能优于传统BP神经网络等方法。     

VB调用Matlab的模拟电路故障诊断神经网络方法

比较了VB和Matlab各自的优缺点,详细阐述了VB调用Matlab的方法以及神经网络诊断模拟电路的原理。分别采用Matlab的神经网络工具箱和VB调用Matlab的ActiveX自动化技术,对模拟电路进行了仿真诊断。针对VB调用Matlab的方法给出了诊断程序,诊断实例表明该方法是可行的,为模拟电路故障诊断软件开发提供了一定的指导作用。     

基于灰色粗糙集与BP神经网络的设备故障预测

为更有效预测设备故障,提出一种基于灰色粗糙集与BP神经网络的设备故障预测模型。用灰色关联分析和粗糙集理论分别对二维故障决策表进行横向和纵向两个维度的约简,将冗余的数据和属性去掉,并将约简后的数据输入到BP神经网络,预测设备故障。最后以地铁信号设备故障预测为例进行实例验证,结果表明,该模型预测误差更小,预测准确率更高。     

基于Elman神经网络的齿轮箱故障诊断

针对基于传统BP神经网络的齿轮箱故障诊断方法存在的收敛速度慢、精度不高等问题,提出了一种基于Elman神经网络的齿轮箱故障诊断模型。该模型以齿轮箱特征向量为输入、故障类型为输出,通过改进遗传算法对Elman神经网络的权值和阈值进行优化,将优化后的Elman神经网络用于齿轮箱故障诊断。仿真结果表明,该故障诊断模型加快了网络训练速度,提高了齿轮箱故障诊断的准确度和精度。     

基于自联想神经网络的传感器故障诊断

提出一种基于自联想神经网络(AANN)的新算法用于系统中传感器故障诊断。阐述了AANN的结构和算法。具体说明了搜寻2个故障传感器和恢复信号的方法。用改进的AANN诊断有噪声情况下传感器跳变故障并恢复信号。本方法有易实现、结构简单的优点,仿真结果表明:本方法是可行的。     

基于卷积神经网络的滚动轴承故障诊断方法

为了简单、准确地进行轴承故障诊断,结合深度学习理论,对基于卷积神经网络的滚动轴承故障诊断方法进行了研究;首先,选用了结构相对简单的LeNet5卷积神经网络;然后,对轴承振动信号原始数据进行截取和归一化处理后直接生成生成二维矩阵作为神经网络输入;接着,优选卷积核大小、批大小、学习率及迭代次数等网络模型参数;最后,应用sigmoid函数进行多标签分类;实验结果表明,该方法能有效识别正常状态及不同损伤程度下的内圈、外圈、滚动体故障状态,识别准确率达到99.50%以上水平;基于卷积神经网络的滚动轴承故障诊断方法不仅在一定程度上可以简化故障诊断的过程,而且可以充分利用卷积神经网络模型的优势实现高效准确地故障诊断。