基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断

针对滚动轴承故障振动信号的特点,考虑变分模式分解在复杂信号分解及微积分增强能量算子在瞬态成分检测方面的优势,提出基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断方法.首先利用变分模式分解将复杂信号分解为多个本质模式函数,以削弱背景噪声的影响和满足能量算子对信号单分量的要求;然后根据提出的敏感分量选取原则,从本质模式函数中选出包含主要故障信息的本质模式函数为敏感分量;最后利用微积分增强能量算子强化敏感分量中的瞬态冲击,并根据敏感分量瞬时能量的时域波形及Fourier频谱诊断滚动轴承故障.分析结果表明该方法能够有效诊断滚动轴承故障.     

对称差分能量算子增压风机轴承故障诊断

文章针对烧结脱硫增压风机滚动轴承振动信号非线性、非平稳性,导致其故障特征难提取、难识别的问题,提出了融合自相关降噪与小波包分解的对称差分能量算子的解调方法,结果表明所提方法为增压风机滚动轴承的故障诊断提供一条新途径。     

滚动轴承故障诊断的探索

介绍了以振动分析为基础的几种切实可行的手段，在滚动轴承故障诊断方法上做了一些尝试。     

基于ELMD分解和MED的齿轮箱故障诊断分析

针对齿轮早期故障振动信号的非平稳特性和现实中受环境噪声影响严重,故障特征微弱难以提取的问题,利用总体局部均值分解对齿轮故障振动信号进行分解得到有限个单分量的乘积函数,从而凸显信号的局部特性。但由于噪声的干扰,从各分量的频谱中很难提取故障特征频率信息。文章基于此提出总体局部均值分解和最小熵反褶积的故障诊断方法。通过对齿轮故障仿真实验和工程案列分析,能够准确、有效地提取齿轮故障特征信息,为实际工程应用提供了一种新方法。     

滚动轴承故障诊断技术的应用

通过实例介绍了滚动轴承故障诊断技术在现场中的应用 ,在滚动轴承故障诊断方法的实际应用上 ,做了一些尝试与总结。     

基于频谱分析的滚动轴承故障诊断技术的应用

振动分析是滚动轴承状态监测和故障诊断的重要手段,本文对滚动轴承的故障机理进行了剖析,介绍了滚动轴承的常见失效形式,研究了滚动轴承振动信号的特征,通过现场采集振动信号来对设备故障进行了诊断。     

基于频谱分析的滚动轴承故障诊断技术的应用

振动分析是滚动轴承状态监测和故障诊断的重要手段,本文对滚动轴承的故障机理进行了剖析,介绍了滚动轴承的常见失效形式,研究了滚动轴承振动信号的特征,通过现场采集振动信号对设备故障进行诊断。     

基于EEMD形态谱和支持向量机复合的滚动轴承故障诊断方法

针对滚动轴承的内圈、外圈和滚动体故障提出了一种新的诊断方法,该方法融合了集总经验模态分解(EEMD)、形态谱和支持向量机(SVM)三种方法的优势.首先,利用经验模态分解对滚动轴承故障振动信号进行分解,得到若干个具有物理意义的内禀模态分量(IMF);其次,基于最大能量法筛选出含有故障特征信息最丰富的一个内禀模态分量为故障诊断数据源;再次,对数据源在选定尺度范围内进行形态谱的提取,从而构造故障特征向量;最后,利用支持向量机对滚动轴承的三种故障进行诊断.研究结果表明,该方法能够有效地诊断出滚动轴承的三种故障,且具有很高的故障诊断正确率.     

精轧机锥箱滚动轴承的故障诊断

通过设备巡检系统采集精轧机锥箱滚动轴承的振动数据,并对该数据进行技术分析,准确地找出故障原因,预知故障并及时检修。     

滚动轴承内圈疲劳失效的故障诊断

介绍一种滚动轴承故障的诊断方法，可以缩小故障部位范围，缩短设备检修时间。     

基于小波多分辨率分析和能量交叉法的小目标检测

小目标检测问题是目标跟踪领域的难点,将小波引入到小目标检测中,利用小波分析的多分辨率特性和时频局部窗特性能够克服传统方法的局限.本文结合小波分析和小目标的特性,在理论分析的基础上提出了基于小波变换和能量特征的检测小目标的方法.最后给出了比较满意的实验结果.     

滚动轴承故障诊断技术的应用与发展

从传统技术和新型技术应用的两个方面介绍了滚动轴承的故障诊断方法及其应用，并讨论了各自的优缺点，可供从事设备故障诊断的工程技术人员借鉴。     

基于空洞卷积神经网络与注意力机制GRU的滚动轴承故障诊断

针对传统故障诊断方法需要人工提取特征的不足,以及大数据下滚动轴承故障振动信号自适应特征提取与智能诊断问题,利用空洞卷积神经网络(DCNN)可以在不增加计算量的基础上兼顾不同尺度空间特征的能力、门控循环单元(GRU)善于从动态变化的序列数据中学习到时间上的关联性的能力,提出了一种将DCNN、注意力机制和GRU多路径融合的端到端故障诊断方法。首先利用DCNN从原始数据中自动提取时序信号特征,然后将注意力机制(Attention)的GRU通路和DCNN通路进行融合,最后将提取到的特征融合之后送入分类层进行分类。试验结果表明,所提方法的诊断准确率平均为98.75%,高于比较方法,更加适用于滚动轴承故障诊断。     

求解TSP问题的一种基于信息素的遗传交叉算子

提出了求解TSP问题的一种新的基于信息素的遗传交叉算子,并对算子构造子个体的过程进行了实验分析.在生成子个体时,基于信息素的遗传交叉算子不仅能够利用包括边长度和邻接关系在内的局部信息,还可以利用以信息素形式保存的全局信息.在纯遗传算法框架内,利用TSP基准算例对所提出的交叉算子的性能进行了实验测试.结果表明,该算子在精度和收敛速度上均优于其他知名的交叉算子.     

经验模式分解在QRS波群和T波检测中的应用

针对未经预处理的心电信号中QRS波群和T波,提出一种基于经验模式分解的检测算法.该方法首先采用结合端点延拓的经验模式分解方法对信号进行分解,然后通过适当选择分解后的固有模态函数和残余分量,不使用"经验阈值"能得到准确的检测结果.利用MIT BIH Arrhythmia Database中心电数据检测表明,QRS波群的检测率达到99%以上,T波的正确识别率也获得较大的提高.该算法中提出的端点延拓方法能有效地减少使用经验模式分解的次数,提高检测的实时性,具有较好的应用前景.     

基于经验模态分解方法的拉曼光谱信号处理研究

经验模态分解(EMD)方法是一个以信号内在物理频率成分为对象的自适应时频分析方法,而常见的非平稳信号分析方法,比如小波分析,它需要选择小波基,不同小波基的分析结果不同;拉曼光谱信号是典型的非线性和非平稳信号,EMD方法充分地保留了信号本身的非线性和非平稳的特征,适应于拉曼光谱信号的分析。实验在自行研制的拉曼光谱测试平台上获得了原始的拉曼光谱信号,并通过经验模态分解将信号分解成不同频率的10个本征模式分量,信号能量集中在750cm^-1和1500cm^-1左右,最后进行了频率成分分析和去噪处理,并和小波分析方法进行了对比,验证了EMD方法的有效性和实用性,该方法在拉曼光谱信号分析中有较好的应用前景。     

基于经验模态分解的大数据波束形成方法

通过对大数据进行波束形成处理,提高大数据的挖掘和聚类能力,传统方法采用模糊C均值聚类进行大数据波束形成,抗干扰性能不强,提出一种基于经验模态分解的大数据波束形成方法。首先分析的大数据的数据结构和时间序列处理模型,然后通过经验模态分解实现对大数据序列的特征提取和波束形成。仿真结果表明,采用该方法进行大数据波束形成处理,提高了大数据挖掘和聚类性能,收敛性和抗干扰性较好。     

基于高斯过程的改进经验模态分解及应用

传统Hilbert-Huang变换(HHT)的经验模态分解算法是基于3次样条插值的包络线计算方法,存在过冲及边界效应等缺点.针对传统经验模态分解算法求解包络线存在的问题,提出了基于高斯过程回归的改进包络线插值方法.并且讨论了如何优化高斯过程参数,提高了泛化能力及包络线的插值精度,较好地改进了HHT的虚假频率和端点效应问题.通过处理步态数据的试验表明,采用高斯过程方法可以较好地改进HHT存在的虚假频率和端点效应问题,减小了固有模态函数的失真.     

基于基础自动化故障诊断信息集成模式的研究

基于由SIEMENS S7-400PLC构成的万能轧机基础自动化系统的故障诊断信息集成模式的研究,模式构建了信息采集层,故障诊断层、数据管理层、人机对话层,建立现场故障智能诊断系统,将分散的故障信息集中在中控室故障诊断信息集成客户端,该界面结合现场,画面友好,开发以来极大降低了故障处理时间,为生产正常运行提供了有力保障.     

基于二维经验模态分解的重磁异常分离

由于地质过程的复杂性及成矿过程的多期次叠加性,原始重磁异常往往是多种地质因素的混合信息,既包含区域背景异常信息,也包含与矿床(体)、矿化蚀变带以及隐伏岩体等与找矿密切相关的地质要素所引起的局部蓖磁异常.如何从复杂的叠加重磁异常中分离出具有找矿意义的局部异常,是当前矿产勘查和资源潜力评价工作中面临的难题之一.采用经验模态分解(EMD)方法来分解重磁异常,为提高分解的稳健性提出了用双调和样条插值(PSI)进行包罗面插值的新方法,并以云南个旧地区重磁数据为例,对其进行非线性多尺度分解,实现对区域异常与局部重磁异常的分离,揭示了深层次找矿信息并拓宽了经验模态分解方法的应用领域.