基于Dropout-CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout-CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率高达99. 5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

基于谱峭度Morlet小波变换法和经验模态分解的滚动轴承故障诊断研究

本研究针对轴承早期故障信号微弱不易检测的缺陷,提出了一种基于谱峭度Morlet小波变换法和经验模态分解的轴承早期故障信号检测与增强的方法.该方法把谱峭度引入到Morlet小波中,根据谱峭度变化寻找Morlet小波的最佳匹配参数,最大限度地增强故障弱信号;然后对信号进行经验模态分解,以信号相关系数大小确定重构信号的基本模态分量,对重构信号进行包络分析完成故障诊断.实验结果验证了此方法在滚动轴承早期故障诊断中的良好应用效果.     

基于小波-频谱分析的滚动轴承故障诊断的应用研究

对于实际工作中的轴承发生故障时,其故障冲击的能量小,干扰噪声多。直接采用频谱分析得到的频谱图谱线比较密集,有时很难鉴别出故障。本文利用小波多分辨分析能对信号进行不同频段分解特点,研究了小波-频谱分析在滚动轴承故障诊断中的应用。通过对滚动轴承外圈、内圈和滚动体三种不同的早期故障的实验信号进分析,结果证明该方法可以有效的鉴别出滚动轴承的不同故障。     

机械设备滚珠轴承故障声发射信号诊断与监控

滚动轴承受损时产生开放性裂纹,在受到交变循环载荷作用时会产生声发射信号。其信号与零部件形状、结构无关。本文以此为例建立神经网络故障分析诊断机制,在matlab中先做好程序调试,移植入labview中,利用小波分析重构算法,重构出滤波(除噪)后的信号,达到有用信号与噪音分离的目的,判别滚动轴承运行故障,确定检与修的人工处理模式,实现机械故障诊断处理智能化。     

CEEMDAN辅助快速谱峭度的滚动轴承故障诊断方法

为解决集合经验模态(EEMD)存在分量重构误差大和提取的故障特征不明显问题,课题组提出一种自适应噪声完备集合经验模态分解(CEEMDAN)辅助快速谱峭度的故障诊断方法。首先采用CEEMDAN将故障信号分解为多个IMF分量,计算分量的谱峭度值,选择峭度和相关度最大的分量进行重构;然后通过快速谱峭度图确定最大共振频带,进行带通滤波分析,获得故障信息;最后采用某滚动轴承实验数据分别对内圈故障和外圈故障进行实验分析。结果表明：与原始故障信号相比,该方法获得的包络谱更清晰,故障频率更明显,内圈故障频率为162 Hz,外圈故障频率为107 Hz。该方法提取故障特征突出,可以得到有效的故障频带。     

造纸机轴承故障诊断系统的开发

介绍了基于共振解调技术的滚动轴承故障诊断原理、特点及实现方法，开发了可以检测和诊断造纸机滚动轴承故障的软件系统，验证了其可行性，它可以进一步推广到对造纸机关键设备的轴承检测和诊断。     

基于CEEMD和3点对称差分能量算子的滚动轴承故障诊断方法

为解决传统信号处理方法提取滚动轴承故障特征不精确和Teager能量算子解调信号的解调频率和幅值误差较大的问题,课题组提出一种基于互补集合经验模态分解和3点对称差分能量算子结合的轴承故障特征提取方法CEEMD-DEO3S。课题组首先对滚动轴承进行CEEMD分解前进行去噪处理来增强信号的故障脉冲;然后利用CEEMD将去噪后信号分解为一系列固有模态函数,并依据相关系数原则选择最能表征故障的敏感分量,重构后进行DEO3S解调,依据解调后得到的幅值和频率计算信号的包络谱。实验分析表明:所提方法解调信号的误差更小,提取轴承故障频率更精确。     

基于EMD平均能量法的滚动轴承故障诊断

文中提出了一种用于滚动轴承故障诊断的系统一基于EMD和BP神经网络相结合的诊断系统。该方法首先对原始振动信号进行小波包预处理,提高信噪比,从而得到更适合研究的故障振动信号。然后再对信号进行EMD,分解得到IMF分量,对几个感兴趣的IMF进行分析,获得每个IMF分量的平均能量,作为BP神经网络的输入向量,由此训练神经网络,实现了对滚动轴承故障的智能诊断,并用实际的滚动轴承故障数据进行了验证。图6表2参12     

小波分析在纸机压榨部轴承故障诊断中的应用

针对纸机压榨部滚动轴承尺寸大响应弱、运转速度低、低频信号容易淹没、调制源多、振动信号非平稳性等特点而导致常规的傅立叶分析诊断故障效果不佳的情况，提出了一种应用小波变换的时频分析方法，对振动信号进行分解和重构处理，获得了振动信号在不同的频段的分量，提取相应特征频段重构分量的功率谱的频域统计值作为特征参数。从而实现对轴承故障诊断。试验结果显示该方法对纸机压榨部故障诊断有很好的效果。     

基于时域同步降噪的电动汽车滚动轴承振动信号分析

轴承是旋转机械中应用最为广泛的关键部件之一。在电动汽车中,很多零部件中都用到了轴承,而滚动轴承在运行过程中,往往伴随着大量的干扰信号。本文采取时域同步平均法对电动汽车滚动轴承进行去噪处理,然后再对去噪后的信号进行频谱分析。实验证明,经时域同步平均法降噪后,能得到更清晰的功率谱图,通过功率谱图能较好地判断电动汽车滚动轴承的故障类型。     

基于邻域相关性小波去噪的滚动轴承包络解调及故障分类

将邻域相关性的冗余第二代小波应用于滚动轴承信号降噪,用Hilbert包络解调法提取的故障特征频率,比较不同转速和载荷下的提取效果,提出包络幅值峭度指标,并将其输入BP神经网络进行故障诊断。结果表明:基于邻域相关性的冗余第二代小波降噪方法能很好的抑制噪声,保留原信号的信息;降噪后的故障信号经过Hilbert包络解调能找到特征频率及其倍频,其效果优于原始信号的包络解调分析。工况会影响分析效果,且速度对提取效果的影响大于载荷。包络幅值峭度指标能很好区分不同工况的故障信号,结合BP人工神经网络诊断正确率为100%。     

一种轴承振动分析仪的改进方法

滚动轴承是各种回转机械中应用最为广泛的一种通用部件,其运行状态对机械设备的性能有直接的影响,因此对其工作状态的监测并进行故障诊断十分必要。目前针对滚动轴承监测和故障诊断的大多数研究是基于滚动轴承恒转速运转为前提的,然而实际生产生活中滚动轴承的转速往往是非恒定的,因此对变转速运转的滚动轴承的监测和故障诊断的研究具有实际意义。根据这种需求,对原有滚动轴承振动分析仪进行了改造,使其能够满足开展变转速滚动轴承监测和故障诊断实验研究工作的要求。     

基于径向基函数神经网络的电机轴承智能故障诊断

本文提出了一种新的电机轴承故障诊断方法.首先把滚动轴承振动信号作为识别故障的特征向量,然后送入径向基函数神经网络中,进行故障类别的自动识别.试验结果表明,该诊断模型对电机轴承故障诊断具有良好的诊断效果,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式.     

基于多尺度形态学滤波和K-SVD的轴承复合故障特征提取方法

针对滚动轴承复合故障诊断中的故障特征分离和提取难题,课题组提出一种基于多尺度形态滤波(multiscale morphological filtering, MMF)和K-SVD字典学习的复合故障特征分离与提取方法。首先,利用多尺度形态学滤波的尺度差异对信号进行分解,实现复合故障特征分离;其次,通过特征能量因子(feature energy factor, FEF)筛选出最佳尺度分量,并利用K-SVD分别构建学习字典库;然后,通过正交匹配追踪算法(orthogonal matching pursuit, OMP)从字典库中重构出信号;最后,结合迭代求差思想,对复合故障进行分离和特征强化。仿真和实验分析表明该方法能够自适应地分离并准确提取滚动轴承复合故障特征。与经典变分模态分解(variational mode decomposition, VMD)方法对比,该方法具有更好的鲁棒性。     

基于小波包分解和卷积神经网络的滚动轴承故障诊断

针对旋转机械滚动轴承在恶劣工作环境中易于损坏,而目前故障诊断过于依赖人工特征提取的问题,提出了一种基于小波包分解和卷积神经网络(CNN)的滚动轴承故障诊断方法(WPDEC-CNN):通过小波包分解对振动时域信号进行处理,获得表征信号相似的小波系数,再将其进行预处理后输入CNN进行分类识别.试验结果表明,WPDEC-CN...     

基于信噪比评价的阈值优选小波去噪法

在汽车自动变速器台架试验中,需要对角加速度信号进行消噪滤波。小波阈值去噪是计算量较小、滤波效果较好的消噪手段,但采用不同的小波基匹配不同的阈值规则可能会对去噪效果产生影响。为探寻相对最优组合,该文构建了近似观测信号的仿真信号,然后对该信号做了去噪实验,计算信噪比(SNR)和均方根误差(RMSE),并以此作为评价指标,从而得到相对最优的匹配组合,最后将该组合用于角加速度信号消噪处理过程,取得了较好的滤波效果。小波阈值去噪在处理含噪信号时具有效率较高、稳定性好、不易失真的特点;使用SNR结合RMSE可以对任何消噪结果作客观评判;不同的含噪信号,可能需要用到不同的小波基函数,同时匹配不同的阈值选取规则。     

电动汽车轴承振动信号预处理简述

电动汽车的很多部件都包含滚动轴承,滚动轴承的运行状态往往影响电动汽车的运行性能。本文主要分析通过传感器采集到的轴承振动信号,先对振动信号的机理进行分析,然后举出几种从离散频率噪声中分离轴承信号的方法;再采取相关的方法提取有效的轴承振动信号的信息;最后总结电动汽车滚动轴承故障诊断方法。     

倒频谱在造纸机压榨轴承故障诊断中的应用

探讨了倒频谱技术在造纸机压榨部滚动轴承故障诊断中的应用.研究表明,倒频谱技术在识别滚动轴承振动频谱的边频、消除系统传递函数影响等方面具有显著的优越性.针对压榨部滚动轴承振动信号的特征,利用倒频谱技术可简化谱图的特征分析,提高压榨部滚动轴承在线故障诊断的准确性.     

基于改进DenseNet和迁移学习的变负载滚动轴承故障诊断

由于在实际工作环境下滚动轴承故障样本不足，而且受到环境噪声以及负载变化的影响，故障样本分布存在差异性导致诊断泛化性差，对此课题组提出一种基于改进DenseNet与迁移学习结合的滚动轴承故障诊断方法。对原DenseNet中的ReLU激活函数，使用LeakyReLU函数替代，并在全连接层后添加Softmax层进行分类，使提取故障特征更为丰富；为了使轴承信号接近工厂采集的数据，对凯斯西储大学轴承数据集中添加了信噪比为-2 dB的高斯白噪声并进行模拟，经Z-Score归一化处理后转化为二维灰度图作为样本数据。实验结果表明该方法在小样本变负载下的跨域诊断准确率都达到了90%以上，与其他模型对比具有更好的泛化性。     

基于bReLU激活函数改进的滚动轴承故障CNN-LSTM模型

针对基于修正线性单元(ReLU)的滚动轴承故障诊断方法导致分类不准确的问题,本文提出了一种基于bReLU激活函数改进的卷积神经网络(CNN)和长短时记忆神经网络(LSTM)的滚动轴承故障模型。该网络模型首先在CNN网络使用bReLU激活函数完成自适应特征提取,并在卷积层和激活函数之间加入批量标准化层(BN),最后叠加LSTM网络对时序特征进行学习。该模型在凯斯西储大学的故障数据集的准确率可以达到99%以上,较于其它类型的CNN-LSTM故障模型准确率更高,训练时长减少66.7%。实验表明所提出的模型更加适用于工业设备轴承的故障诊断。