基于MDS和神经网络的滚动轴承故障诊断方法

针对滚动轴承的智能诊断问题,提出基于多维尺度分析(Multidimensional Scaling,简称MDS)和神经网络的滚动轴承故障诊断方法。该方法首先提取原始信号常用的时域统计指标,再将包含故障信息的统计指标进行MDS降维处理,减少后续模式识别难度,最后将降维后的统计指标作为神经网络的输入参数来判断滚动轴承的故障类型。对滚动轴承正常状态、滚动体故障、外圈故障和内圈故障四种模式下的振动信号进行分析,结果表明,运用MDS进行降维预处理的神经网络故障诊断方法比没有经过预处理的故障诊断方法有更高的故障识别效率,可以准确有效识别滚动轴承的故障类型。     

滚动轴承故障诊断的研究

针对滚动轴承故障信号的非平稳和调制特点,使用小波分解,对包含故障信息的信号进行分解、重构。应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断出滚动轴承故障模式。小波分解和Hilbert变换结合对滚动轴承局部损伤故障的检测是有效的。     

基于自适应多尺度散布熵的滚动轴承故障诊断方法

针对滚动轴承振动信号的非平稳、非线性特性,将一种新的衡量时间序列复杂性和不规则程度指标——散布熵(dispersion entropy,DE)引入到滚动轴承非线性故障特征提取,提出一种基于经验模态分解与DE相结合的自适应多尺度散布熵滚动轴承故障诊断方法。首先,采用经验模态分解对振动信号进行分解,得到若干不同尺度的本征模态函数;其次,计算每个本征模态函数的DE值;再次,将得到的DE值作为特征向量输入到基于支持向量机建立的多故障分类器进行训练和识别。最后,将提出的滚动轴承故障诊断方法应用于试验数据分析,结果表明,提出的方法能准确地识别滚动轴承故障类型。     

采用改进遗传神经网络的多载荷振动信号故障诊断

根据柴油机气阀机构运动规律,利用小波包分解提取缸盖振动信号的特征向量;针对多种载荷混合诊断的问题,采用二进制与实数混合编码的方式对使用遗传算法的误差反向传播（BP）神经网络的隐层结点数目、权值和阈值进行优化。通过实验检测,证明该方法在多种载荷混合振动信号诊断上,较一般方法学习、收敛速度快,检测准确率高。     

AEO解调方法及在滚动轴承故障诊断中的应用

针对希尔伯特变换与传统能量算子解调方法的缺点,提出一种新的解调方法——解析能量算子(Analytic Energy Operator,AEO)解调。仿真信号分析结果表明,相对于希尔伯特变换与传统能量算子解调,解析能量算子解调方法具有较高的解调精度。基于解析能量算子解调,又提出基于AEO能量谱的滚动轴承故障诊断方法,对滚动轴承仿真和实验信号进行分析,与其它方法的对比结果表明所提出方法的有效性和优越性。     

基于数据增强的滚动轴承智能故障诊断方法

目的 针对包装机械设备中滚动轴承应用场景多且有效故障数据难采集而导致的智能诊断方法诊断准确率较低的问题,提出一种基于数据增强的滚动轴承智能诊断方法.方法 首先根据轴承振动信号的故障特征,提出一种数据增强方法,有效扩充训练数据样本多样性.然后采用卷积神经网络对原始样本和增强样本进行故障诊断训练,从而大幅度提高诊断模型的诊断性能.为了验证所提方法的有效性,建立滚动轴承故障试验台并采集轴承故障数据.结果 实验结果表明,在标签训练样本不充足的情况下,提出的方法与不使用数据增强方法相比,模型在诊断准确率方面取得了较大的提高,能够准确地识别各类轴承故障.结论 该方法实现了准确地对稀缺标记样本下滚动轴承故障的诊断,为保证包装机械滚动轴承故障诊断的诊断精度提供了可靠的方法.     

基于LMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承的故障振动信号的非平稳特性,提出了一种基于局部均值分解（Local mean decomposition,简称LMD）和神经网络的滚动轴承诊断方法。该方法首先对信号进行局部均值分解,将其分解为若干个PF分量（Product function,简称PF）之和,再选取包含主要故障信息的PF分量进行进一步分析,从这些分量中提取时域统计量和能量等特征参数作为神经网络的输入参数来识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障和外圈故障的分析,表明了基于LMD与神经网络的诊断方法比基于小波包分析与神经网络的诊断方法有更高的故障识别率,同时也证明了该方法可以准确、有效地对滚动轴承的工作状态和故障类型进行分类。     

Xgboost在滚动轴承故障诊断中的应用

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出一种基于分类与回归树的Xgboost(e Xtreme Gradient Boosting)轴承故障诊断算法。Xgboost是包含多个分类器的集成学习方法。通过Xgboost的提升思想来提高滚动轴承故障诊断的精度。首先,从滚动轴承的振动信号中提取时域特征参数;然后利用Xgboost算法对滚动轴承故障进行诊断。将SQI-MFS实验平台的轴承振动数据,与传统分类器(支持向量机、邻近算法和人工神经网络)以及单个分类回归树的诊断结果相比,结果表明Xgboost在轴承故障诊断率上优于上述几种算法,且计算时间比传统提升决策树算法短。     

滚动轴承的MSE和PNN故障诊断方法

针对滚动轴承不同运行状态振动信号具有不同复杂性的特点,提出一种新的基于多尺度熵(multiscale entropy, MSE)和概率神经网络(probabilistic neural networks, PNN)的滚动轴承故障诊断方法。该方法首先利用MSE方法对滚动轴承振动信号进行特征提取,并将其作为PNN神经网络的输入,再利用PNN自动识别轴承故障类型及故障程度。实验数据包括不同故障类型和不同故障程度样本,结果表明,相比于小波包分解和PNN结合的诊断方法,提出的方法具有更高的诊断精度,能有效实现滚动轴承故障类型及程度的诊断。     

基于改进多尺度熵与VPMCD的滚动轴承故障诊断

多尺度熵(Multiscale entropy,MSE)是一种衡量时间序列复杂性的方法,针对其粗粒化过程由时间序列长度变短而导致熵值不精确、波动较大等问题,提出一种改进的多尺度熵(Improved multiscale entropy,IMSE)算法。在此基础上,结合迭代拉普拉斯得分(Iteration Laplacian Score,ILS)特征选择和多变量预测模型(Variable predictive model based class discriminate,VPMCD),提出一种新的滚动轴承智能故障诊断方法。最后,将提出的方法应用于滚动轴承试验数据分析,并与现有方法进行对比。结果表明,提出的方法不仅能够有效地识别滚动状态和故障类型,而且其诊断效果优于现有方法。     

EMD与高阶累积量在滚动轴承故障诊断中的应用

共振解调是滚动轴承故障诊断中最常用的方法之一,但由于滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果不够明显。为此,提出一种基于EMD（Empirical Mode Decomposition）与高阶累积量(HOC)的滚动轴承早期故障诊断新方法。该方法首先对故障信号进行EMD分解获得多个基本模式分量,然后对各分量进行高阶累积量分析,并进行重构,最后运用包络解调进行故障诊断。故障实例证明,该方法与传统共振解调方法相比,具有较大的优势。     

基于DS–PCA模型的包装设备滚动轴承故障诊断方法研究

目的 针对包装设备长期连续工作的工作特性,对其滚动轴承的常见失效故障进行分析,提出一种基于DS–PCA模型的滚动轴承故障诊断方法,构建滚动轴承DS–PCA故障诊断模型,实现包装设备中滚动轴承的在线故障诊断。方法 先运用DS证据理论对采集到的滚动轴承径向振动数据和轴向振动数据进行融合,使得信息具有整体完备性,同时对采集信号进行决策规则下的去噪处理,剔除干扰噪声信息;然后利用主成分分析法(PCA)将融合后的振动信号数据进行Q与T²的统计量计算,并通过对故障轴承振动信号的Q与T²统计量计算,确立故障时的经验阈值;最后,依据实时统计量与经验阈值对比,判断滚动轴承是否发生故障。结果 通过对西储大学公开的滚动轴承试验数据分析计算,得到滚动轴承故障诊断准确率达到94%。结论 该方法满足包装设备故障诊断的要求,其应用将有利于提升包装企业的生产质量和效率。     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

基于谱质心直方图-SVM的滚动轴承故障诊断

轴承早期故障信号的信噪比较低,较难识别。为提高轴承早期故障诊断的准确率,分析了现有方法和视觉信息处理方式的相似点,从视觉信息处理的角度进行研究,提出一种基于谱质心直方图的滚动轴承故障特征提取方法,将所提出方法用于滚动轴承不同运行状态下的故障特征提取,将所提取特征作为支持向量机的输入特征向量从而实现对滚动轴承不同运行状态的智能分类。实验证明,谱质心直方图提高了轴承早期故障诊断准确率,准确率平均提高了2 %,优于Mel频率倒谱系数特征。     

基于小波时频框架分解方法的滚动轴承故障诊断

损伤点通过其它元件时引起的周期性冲击是判断滚动轴承局部损伤故障的关键特征信息.针对滚动轴承的振动特点,设计了小波时频框架,利用框架分解方法在匹配信号特征结构,直接提取特征信息方面的优势,分析了滚动轴承的振动信号.根据框架分解结果,在时频联合域内清晰直观地提取了滚动轴承局部损伤故障的周期性冲击特征,识别了滚动体、内圈和外圈的单点缺陷,与小波变换的对比验证了框架分解在检测滚动轴承局部损伤故障方面的有效性.     

结构参数对轴承振动噪声的影响

根据非线性力学和声学理论,建立轴承结构本身产生振动噪声的数学模型,分析轴承结构参数（径向游隙、沟道曲率半径、钢球个数）对轴承振动噪声的影响。研究表明：径向游隙对轴承振动噪声的影响最为显著,并呈现很好的线性关系。沟道曲率半径对振动噪声的影响复杂,它对轴承振动位移和速度最大幅值的影响各不相同,随着沟道曲率半径的增加,最大声压、最大声压级逐渐减小;从整体出发,在符合设计条件的前提下,减小钢球个数可以减小轴承的振动噪声。 x方向的振动噪声远大于y方向,由此,结构参数对x方向的振动噪声的影响更为显著。通过改变结构参数来减振降噪,比起传统方法简单、可行、有效,减少制造成本,为以后轴承减振降噪提供一种新的方向和一定的参考依据。     

基于噪声信号和改进VMD的滚动轴承故障诊断

受运行环境及传递路径影响,滚动轴承声音信号中包含有强背景噪声和较大的非周期性瞬态冲击成分,导致轴承故障特征提取困难.文中提出一种基于自适应变分模态分解(AVMD)的滚动轴承噪声信号故障诊断方法.该方法首先根据不同的信号自适应地确定模式数和惩罚因子,利用优化参数的VMD对原始信号进行分解,得到多个本征模式分量;然后计算各...     

EMD-ICA与SVM在滚动轴承故障诊断中的应用

针对滚动轴承非线性的早期故障信号,应用独立分量(ICA)将滚动轴承产生的故障信号从多通道混合信号中分离出来,然后采用EMD (Empirical Mode Decomposition)进行再次降噪并建立AR模型,最后提取模型的自回归参数和残差方差作为故障特征向量,并以此作为支持向量机(SVM)分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法是有效的。