基于Windows CE的手持式旋转机械故障诊断系统

提出了一种基于Windows CE的面向大型旋转机械的手持式故障诊断系统实现方案，对系统的框架设计与实现进行了相关阐述，并对其上位机软件平台的设计开发进行了深入讨论。该系统可实现实时数据采集与管理、在线状态监测等功能。工业现场实验证明：该系统监测结果准确，运行稳定，具有良好的应用前景。     

基于BP神经网络的圆锥滚子轴承故障诊断

圆锥滚子轴承在旋转机械中应用较为广泛,其故障对整机的运行状态将造成极大的影响,因此对其进行故障诊断十分必要。文中提出了基于神经网络的圆锥滚子轴承故障诊断方法。利用小波包分解对轴承的振动信号进行分析,将分解后得到的小波包能量矩归一化处理后作为特征向量,用标准数据的特征向量构成的训练样本对BP神经网络进行训练和测试,达到误差要求后,用该网络对圆锥滚子轴承的故障仿真实验数据进行故障诊断,诊断结果在误差范围内,达到故障诊断目的,验证了该方法在圆锥滚子轴承故障诊断中的有效性。     

旋转机械在线振动监测系统的研究

介绍了基于Internet的旋转机械在线振动监测系统，该系统通过在线监测旋转机械的振动状态，能及时发现旋转机械的振动异常，并产生报警。同时系统还可处理和保存旋转机械运行过程中的相关数据，提供对旋转机械的振动数据和工艺量数据等的在线分析处理。     

基于云模型与LSTM算法的旋转机械故障诊断研究

针对旋转机械故障率偏高,而人工参与故障诊断工作量大、效率偏低等问题,提出一种基于云模型与LSTM算法的旋转机械故障诊断方法。采用实验台采集振动故障原始数据,统一进行EEMD数据预处理,利用云模型进行故障特征数据提取,输入LSTM神经网络模型进行故障诊断。通过云模型和能量法进行特征提取,分别输入支持向量机和LSTM神经网络模型进行诊断结果对比。结果表明：云模型与LSTM算法的故障诊断准确率最高,达到98.75%,证明该方法能够有效应用在旋转机械故障诊断中。     

多功能数据采集卡及其在旋转机械状态监测中的应用

简要介绍旋转机械状态监测及故障诊断技术在现代工业中的应用;并设计开发出一种在旋转机械状态监测及故障诊断领域中应用的基于DSP多功能同步数据采集卡,给出了其软硬件框图及数据采集的具体实现方法以及应用实例。     

基于云平台的锻压机床状态监测与故障诊断系统研究

研究基于云平台的状态检测与故障诊断系统方案,提出基于NETWORX和DJANGO双软件架构的策略,以解决监控评价和故障诊断网络融合的问题及实现监控多台设备的目的。设计以PLC为核心的现场控制系统;NETWORX架构可以方便与各种物联网采集系统交换数据,所以用NETWORX架构实现云平台的远程监控程序;采用Python的DJANGO设计状态检测和故障诊断程序。结果表明：所提系统特征参数的采集精度在1%范围内,控制及显示监控功能都符合设计要求。利用经验故障数据对分类回归故障树(CART)、SVM、MLP 3种常见的故障诊断智能算法进行比较。结果表明：CART算法、SVM算法、MLP算法的故障诊断正确率分别为91.3%、73.2%、86.2%,证明基于云平台的锻压机床状态监测与故障诊断系统能够满足设计需要。     

基于移动终端的工业机器人远程监测与故障诊断系统设计

针对传统故障诊断方法在数据查询上灵活性差、效率低、可扩展性差、故障报警信息形式单一等问题,开发一种以移动终端为平台的远程监测与故障诊断系统。该系统通过Internet实时采集工业机器人的运行数据并上传到服务器端。利用智能手机可以随时随地查看工业机器人工作状态,实现远程数据监控和故障报警。结果表明：该系统增强了现场数据查询的灵活性,提高了故障诊断的准确性和现场故障处理的及时性。     

无线传感与LabVIEW结合的轴承运行状况监测系统

针对现有轴承故障诊断系统中有线信号采集存在布线困难、部署成本高、可维护性差和监测范围有限等问题,设计一种可实现轴承振动信号无线采集的模块。该模块采用压电式加速度传感器采集轴承振动信号,以STM32F103RET6为主控芯片,利用ADS8344和DAC8531进行AD/DA转换,通过蓝牙技术进行无线传输。最后使用DAQ数据采集卡以及以LabVIEW为开发平台的虚拟仪器,在线监测轴承的运行状况,为轴承故障诊断提供了一种新思路。     

基于多传感器信息感知的旋转接头状态监测

针对ZJU400土工离心机多通道高压旋转接头结构复杂、内部状态难以观测，且故障具有隐蔽性、机液耦合性和交错性的问题，提出基于多传感器信息感知的监测方法。选取旋转接头摆动、振动、温升和泄漏量作为状态监测参数，上下位机的控制系统进行数据采集、分析和记录，实现了整套系统运行状态的实时监测。通过提取和分析旋转接头的径向摆动、轴承振动信号、芯轴温升和流体泄漏量的综合特征，表明整个系统运行状态良好。     

基于XGBoost和自回归模型的轴承故障诊断和预警方法研究

针对轴承在数控车间生产中易发生故障且对轴承故障预警困难的问题,提出了一种基于XGBoost算法和AR(I)MA自回归模型的数据驱动的故障诊断和预警方法。首先使用XGBoost算法将轴承的历史数据划分为正常、滚珠故障、外圈故障和内圈故障4种状态,然后使用AR(I)MA模型来预测轴承在未来一段时间内的振动信号变化,再将预测出的振动信号进行降噪和特征提取后输入到训练好的XGBoost中进行故障诊断。使用PRONOSTIA平台采集的轴承工作数据进行实验,结果表明,文章方法可以准确预测出轴承短期内的振动信号并诊断出可能发生的故障,证明了该方法在轴承的故障诊断和预警中的可行性与正确性。     

数据驱动算法在旋转机械故障诊断中的应用研究

传统故障诊断方法依赖于先验数据与模型,具有局限性。为解决此问题,提出一种基于数据驱动的旋转机械故障诊断方法。利用经验模式分解（EMD）算法拆分原始故障信号,得到有限个IMF分量,优化现有EMD算法得到最优的截断阈值,并有效分离系统噪声干扰;从多域量化角度提取故障信号的时域、频域特征,并基于EMD样本熵实现对去噪旋转机械故障信号中故障点特征的分类与识别。仿真结果表明：所提出的数据驱动算法能够准确地识别出不同载荷条件下的故障信号微弱特征,具有更高的训练精度和故障诊断精度     

基于马尔可夫模型的滚动轴承声发射故障诊断研究

滚动轴承是转动机械的主要零部件,容易发生各种故障,这些故障会带来一系列安全隐患,并造成一定的经济损失。因此工业生产中滚动轴承故障诊断研究非常重要,具有巨大的用途。以滚动轴承为研究对象,建立滚动轴承声发射实验平台,采集不同缺陷、不同转速滚动轴承声发射信号,根据HMM理论和算法对声发射信号进行数据处理。首先应用MATLAB软件提取数据,进行分帧处理,进而提取特征向量,得出似然概率。将不同缺陷滚动轴承似然概率进行数据拟合,得到似然概率和转速拟合公式。对二种转速不同、已知缺陷滚动轴承声发射信号进行测试,并对某种缺陷滚动轴承声发射信号进行诊断。结果表明,HMM可以有效地对滚动轴承故障进行诊断。     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

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。     

基于证据推理的旋转机械故障诊断模型

针对实际工况运行下的旋转机械各故障对应的量纲一的指标的范围难以严格区分的问题,提出了一种基于量纲一的指标和证据推理（Evidence Reasoning,ER）的旋转机械融合故障诊断模型。该模型利用ER算法在处理概率不确定性、模糊不确定性及非线性融合等方面的优势,通过信息变换技术将输入信号变换成信度分布结构,应用解析ER算法对输入数据进行融合,最后通过一种简单的决策规则得到诊断结果。实证分析结果表明：该方法可以有效地提高旋转机械设备故障诊断的识别率。     

基于参数优化变分模态分解的滚动轴承微弱故障诊断研究

为了提高变分模态分解(VMD)对滚动轴承微弱故障特征提取的准确性,提出了一种基于参数优化VMD与奇异值分量及其熵相结合的滚动轴承故障诊断方法。该方法通过寻优算法确定VMD的模态数K和二次惩罚因子α;根据余弦-标准差指标提取VMD典型本征模态分量(IMF);计算IMF奇异值及其熵,并利用计算结果分别判断滚动轴承的不同故障状态。结合美国西储大学轴承振动信号数据,实验结果表明:相比经验模态分解奇异值故障诊断方法,基于参数优化VMD奇异值故障诊断方法能更明显地识别滚动轴承的不同故障类型,为区分滚动轴承微弱故障提供了一种可行的诊断思路。     

基于AE技术的旋转机械故障监测与诊断系统

论述了声发射技术应用于旋转机械故障监测与诊断是一种高效实用的方法。针对旋转机械结构特征及其声发射信号特点，开发了以声发射技术为核心的旋转机械故障监测与诊断专用系统，介绍了该系统的组成模块及其功能实现。在模拟工况条件下，利用该系统的时频分析功能和包络分析功能对一批故障滚动轴承进行了实时诊断，证明了该系统的科学性、有效性和实用性。     

基于深度学习的石化机组轴承故障诊断综述

作为石化机组的重要组成部分,轴承发生故障将导致机械运转故障进而影响企业经济效益,故而研究石化机组轴承故障预测、故障诊断具有重大意义。介绍故障诊断中早期基于信号处理的轴承故障诊断方法,阐述应用广泛的深度学习(包括卷积神经网络、迁移学习)等模型在石化机组轴承故障诊断中的应用,并展望基于人工智能的石化机组轴承故障诊断应用。     

Design of an adaptive line enhancement system using a variable step-size affine-projection algorithm

This paper presents design of an adaptive line enhancement (ALE) system for improving sensor response using a variable step-size affine-projection algorithm (VSS APA). ALE is an adaptive technique that may be used to detect a periodic signal buried in a broadband noise background such as in rotating machinery fault diagnosis. However, most of the conventional methods for ALE system are based primarily on an adaptive filter with the least-mean-square (LMS) error algorithm. Unfortunately, convergence speed is limited when a filtering plant is varied, because the learning process of the adaptive algorithm fails to respond quickly enough to the changing operational conditions. This study proposed a VSS APA for improving both the convergence speed and the performance of the ALE system. Two applications were conducted to compare the performance of the proposed algorithm and various traditional adaptive filtering algorithms. The first application used the proposed ALE system to improve the response of a wheel speed sensor output signal; the other was used for reducing the background noise during rotating machinery fault diagnosis. Both the experimental results indicated that the ALE with VSS APA has an effective performance and convergence for both applications.