基于MSCNN与STFT的滚动轴承故障诊断研究

针对现有基于CNN(Convolution Neural Network)的滚动轴承故障诊断方法难以有效挖掘和利用数据中包含的多尺度信息问题,提出了一种多尺度卷积特征融合的滚动轴承故障诊断方法。加入上采样层,通过递归方式建立具有多尺度特征提取和融合能力的卷积神经网络MSCNN(MultiScale Convolution Neural Network)结构,提升模型对输入信号的理解能力。利用美国凯斯西储大学(CWRU)数据库对所提方法的有效性进行验证,采用短时傅里叶变换对滚动轴承信号进行频谱分析,将频谱样本输入到MSCNN网络中,数据分析表明,该方法能有效地提升故障的诊断精度。     

基于小波包的滚动轴承组合故障诊断

给出了一种新的滚动轴承故障诊断方法,将小波包和EMD方法、AR模型法相结合,实测信号分析表明,此方法不但正确检测到了轴承的状态,而且优于EMD和AR模型法.     

基于统计学方法的滚动轴承故障诊断

提出了滚动轴承故障诊断的统计学方法应用,基于概率分布原理,该方法能够解决滚动轴承局部损伤模式识别的问题。实验室模拟几种滚动轴承工作状态,利用DLF-4电荷电压滤波积分放大器和INV306U智能信号采集分析仪分别采集相应的数据,然后进行相关处理与分析,分析结果以图标的形式给出。结果表明:基于概率分布原理的方法在轴承故障信号的处理中能够消除噪声影响,提取故障特征信息,从而识别出滚动轴承的实际工作状态,取得了较好的效果。     

基于HMM-EMD的滚动轴承故障诊断方法

针对滚动轴承早期微弱冲击性故障信号特征难以提取及诊断的问题,提出了一种基于HMM-EMD的滚动轴承故障诊断新方法。该方法首先对滚动轴承故障振动信号进行经验模态分解,将其分解为多个IMF之和,其次对分解后的信号进行能量特征提取,得到相应的故障特征,再对故障特征进行归一化处理得到故障能量特征向量,最后通过建立HMM进行故障诊断。     

基于形态差值滤波和差分熵的滚动轴承故障诊断

针对滚动轴承内外圈的早期故障,提出了一种新的诊断方法,该方法融合了数学形态学对非线性信号的滤波和信息熵理论在信号表征方面的优越性。首先,利用数学形态差值滤波器对实测的轴承内外圈轻重损伤的故障信号进行消噪处理,充分突出了有用的故障特征信息;然后,利用差分熵提取该信号中的突变特征信息,对其进行不确定性和复杂性度量;最后,根据突变点的冲击时间间隔和内外圈故障周期性冲击的时间间隔一致的思想来完成对滚动轴承的故障诊断。通过对仿真信号和滚动轴承实测内外圈两种故障程度的振动信号的诊断分析,证明该方法能够很好地识别轴承内外圈早期故障的类型,且具有很高的准确率。     

基于1DCNN的滚动轴承故障诊断方法

针对传统故障诊断方法在轴承故障诊断中的局限性,提出了基于一维卷积神经网络(1DCNN)的智能故障诊断方法。研究构造出一个1DCNN网络结构,该结构以轴承振动信号作为输入,实现了"端到端"的智能诊断。利用该网络结构对仿真信号和实测信号都实现了很好的分类效果。     

基于BP网络的滚动轴承故障诊断方法

据统计，旋转机械的故障，30%是由滚动轴承故障引起的。因此，滚动轴承的故障诊断方法的研究得到各国专业技术人员的重视。对此，本文提出了一种新的关于滚动轴承故障的BP网络诊断方法，即通过建立相应的BP网络模型，并用BP算法对该网络进行训练，利用神经网络的智能性来判断轴承所属的故障类型。仿真结果表明，该方法实用有效。     

基于神经网络的滚动轴承故障诊断方法的研究

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

滚动轴承故障诊断的神经网络方法

总结分析了轴承的故障形式及原因,给出了振动频率,阐述了Bp网络的结构及算法,并对实例建立BP神经网络。     

基于LabVIEW的滚动轴承故障诊断系统

设计了一种基于LabVIEW的滚动轴承故障诊断系统,将测振仪输出的振动信号通过BNC-2120附件和NI-USB6009数据采集卡进行A/D转换后送至计算机,然后采用LabVIEW语言设计的软件平台在时域和频域内对振动信号进行了故障诊断,并实现了测量结果的实时显示、存储和打印等功能。     

基于谱峭度和AR模型的滚动轴承故障诊断

提出基于自回归(Autoregressive,简称AR)预测滤波的谱峭度分析方法,将其应用于滚动轴承的早期故障诊断。通过结合AR预测滤波器提取轴承故障信号共振衰减成分的特性,利用谱峭度方法对AR预测滤波器滤波后的信号进行处理,实现了滚动轴承早期微弱故障的识别。通过滚动轴承的疲劳全寿命加速实验获取滚动轴承的自然故障信号,克服了传统轴承故障诊断人工加工故障的不足。通过试验数据的分析表明,基于AR预测滤波的谱峭度方法不仅能够消除干扰成分提取故障特征,还能增加谱峭度方法的稳定性。     

低速滚动轴承故障诊断方法研究

低速滚动轴承结构和工作条件特殊,故障机理复杂,诊断难度较大。本文根据低速滚动轴承的故障特性,提出了利用应力波与小波分析进行低速滚动轴承故障诊断的方法。首先以低速运转Cooper轴承系列01B65 EX滚子轴承为例,建立了完好和故障低速滚动轴承的三维整体接触计算模型,运用有限元软件对其进行了比较全面、精确的分析,计算出外圈故障模型的最大应力和应变及各元件之间的接触应力,将发生故障前后的外圈外表面应力应变分布规律以及接触应力分布规律进行比较。然后在应力波实验分析的基础上,选择db6母小波、尺度j=4对实验所采集的数据信号进行小波变换,成功提取了外圈模拟故障的应力波信号特征频率。     

基于全矢局部均值分解的滚动轴承故障诊断方法

局部均值分解可将多分量信号自适应地分解为多个单分量信号,全矢谱技术可以解决单通道信号不完整的问题。运用信息融合技术,将两者结合形成全矢局部均值分解方法,将局部均值分解得到的PF分量进行全矢谱融合分析,这样既可将信号彻底分解,又可保证其完整性,并通过滚动轴承试验验证了该方法的可行性。     

基于小波相关滤波法的滚动轴承早期故障诊断方法研究

目前基于小波分析的滚动轴承故障诊断方法研究已经很多,但是这些方法对于强噪声背景下的早期故障微弱信号特征提取效果并不理想。为此,提出了适用于强噪声背景的小波相关滤波滚动轴承早期故障诊断方法。该方法将小波相关滤波降噪方法和Hilbert包络细化谱分析相结合:对被测信号进行小波相关滤波降噪处理,对降噪处理后的高频段尺度域的小波系数进行Hilbert包络细化谱分析。该方法在滚动轴承的早期故障诊断中的试验结果表明,该方法与直接小波系数包络谱诊断方法相比,较大地增强了对滚动轴承早期故障诊断的能力,在强噪声背景下有效地提取出滚动轴承的早期故障频率。     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

基于阶比复杂度的滚动轴承早期故障诊断

针对传统阶比频率分析不能有效提取滚动轴承早期故障的不足,提出一种将阶比分析、复杂度分析相结合的故障诊断新方法。通过转速传感器和振动传感器同步采集轴承的信号,运用计算阶比跟踪实现了轴承时变振动信号的等角度重采样,再计算经过重采样处理后的角域信号复杂度,将其作为故障识别的依据。最后,通过轴承实测数据的诊断与对比试验验证了该方法的正确性。     

基于梳状滤波器和二维灰度图的滚动轴承故障诊断

通过设计梳状滤波器和构造二维灰度图,保留振动信号的时域特征,解决了传统信号时域平均方法的滤波性能受信号周期估计误差和采样截断误差影响的问题,为提取振动信号的时域特征提供新的方法.推导了梳状滤波器的数学模型,给出了二维灰度图的构造方法,并通过仿真试验和应用实例验证了该方法的正确性.     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。     

基于蚁群神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,将蚁群算法与神经网络相结合,根据轴承故障产生的机理,建立其BP神经网络的诊断模型,以网络的误差为目标函数,通过蚁群算法进行BP网络的权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该方法具有较高的故障诊断准确度,具有较强的实用性。