基于自相关能量算子解调的轴承故障诊断方法

针对轴承早期故障特征淹没在噪声信号中难以提取的问题,提出了基于自相关能量算子解调的故障诊断方法。首先,对实测信号进行自相关变换处理,抑制信号中的噪声成分;其次,用能量算子解调法对信号的自相关函数进行解调,提取故障特征。通过实测信号分析、与Hilbert解调法的相比,表明所提方法的有效性和优越性。     

基于软件共振解调分析的滚动轴承故障诊断系统开发

滚动轴承是机械设备的重要组成部分,很大一部分的机械故障都是由它引起的,共振解调是一种有效的分析滚动轴承故障信号的方法,本文使用办报编程实现共振解调,利用Labwiew软件,在完全依靠软件信号处理方法的基础上,成功实现了故障信息的提取,降低了系统的成本,提高了系统的实用性。     

关于能量算子解调方法的研究

能量算子（ＥＯ）解调法是近年来在国外受到重视的一种新的解调方法,本文在介绍其原理的基础上,把这种新的解调方法与作为标准解调法的Ｈｉｌｂｅｒｔ变换法进行了比较。比较了它们的运算速度和解调精度。结果表明,能量算子解调法在运算速度和解调精度方面具有明显优势。相信能量算子法在信号解调分析中大有可为     

基于EEMD和改进多小波的故障诊断的研究

针对滚动轴承振动故障信号具有非线性和非平稳的特点以及多小波阈值函数的选取对去噪效果的影响,提出一种基于EEMD(总体经验模态分解)和改进多小波阈值结合的故障特征提取的方法。首先,使用EEMD方法对采集到的信号进行分解,根据峭度值以及能量值选取有效的IMF(基本模态)分量,再选取合适的多小波函数对选取的IMF分量进行去噪,最后利用频谱分析法对去噪后的IMF分量进行重构,从而识别出故障特征频率,并通过获取的频率判断故障类型。实验结果表明,此方法可行且取得了较好的效果。     

基于Teager能量谱和卷积神经网络的滚动轴承故障诊断

在智能制造环境下,针对滚动轴承在变负载驱动环境下特征提取难、故障诊断准确率低的问题,提出基于Teager能量谱和卷积神经网络的滚动轴承故障诊断方法.将不同负载驱动下的多种故障振动信号,通过计算Teager能量算子之后进行快速傅里叶变换,绘图得到Teager能量谱图,形成数据集.使用数据集训练改进的卷积神经网络,得到滚动...     

基于EEMD的滚动轴承故障诊断

模糊熵是一种检测时间序列复杂程度的方法,在衡量时间序列复杂性方面具有广泛应用.由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析.基于此提出了基于集合经验模态分解和模糊熵的滚动轴承故障诊断方法.首先,通过集合经验模态分解将振动信号自适应的分解为多个不同尺度下的内禀模态函数;...     

基于改进的EEMD-Hilbert包络解调轴箱轴承故障诊断

为解决在轴箱轴承故障诊断中,原始振动信号带通滤波器参数选择依靠主观工作经验,EEMD分解技术中多个IMF分量分析效率及准确性较低等问题,提出一种改进的EEMD-Hilbert包络解调方法.该方法采用EEMD对原始信号进行分解,利用双相关系数法及阈值法选取有效本征模态分量,通过对本征模态分量进行Hilbert包络解调,获取包络信号幅值谱作为故障特征量进行轴箱轴承故障诊断.并通过轴箱轴承实验台测试验证了该方法的有效性.     

基于AR-MED和TEO的滚动轴承早期故障诊断方法

针对强背景噪声下滚动轴承早期故障信号信噪比低、特征提取难度大的问题,提出一种将自回归-最小熵解卷积(autoregressive-minimum entropy deconvolution,AR-MED)与Teager能量算子(teager energy operator,TEO)相结合的滚动轴承故障诊断方法.为了达到...     

基于改进EEMD和MED的滚动轴承早期故障诊断

为了优化EEMD算法的去噪效果,采用一种归一化指标来自适应优化EEMD的去噪效果。该方法对信号进行迭代EEMD分解,运用敏感IMF选取方法,自适应选取每次EEMD分解得到的敏感IMF来重构信号,并通过该归一化指标来评价去噪效果并确定EEMD中的迭代次数,得到优化的去噪信号。再对该去噪信号进行MED滤波,最后进行包络谱分析,再与轴承理论上的特征频率进行比对,从而完成故障诊断。用模拟轴承故障信号与实测信号验证了该方法的可行性。     

经验模态分解与EOSA方法的滚动轴承故障诊断

提出了一种利用经验模态分解(EMD)与Teager能量算子解调算法(EOSA)相结合的滚动轴承故障诊断方法;故障轴承振动信号往往是多分量AM-FM信号,首先对滚动轴承内圈故障调制信号进行EMD分解,得到若干个不同特征时间尺度的内禀模态信号(IMF),然后利用Teager能量算子解调法计算各个内禀模态信号的瞬时幅值,对主要内禀模态信号的瞬时幅值包络谱进行分析,可提取轴承故障信号特征信息;实验分析结果表明,利用经验模态分解与EOSA相结合的方法,可有效提取6205-2RS型深沟球滚动轴承的内圈特征频率fi=162.2Hz及其倍频。     

基于混沌动力学的滚动轴承故障诊断研究

为了研究旋转机械非平稳信号的非线性动力学特征,探索旋转机械故障诊断方法,以滚动轴承为研究对象,采用嵌入式传感器获取滚动轴承振动信号,通过计算滚动轴承振动时间序列的关联维数、Kolmogorov熵等混沌特征量,提取设备运动状态特征,并对其进行了详细分析。结果表明：该方法可以实现对滚动轴承的故障诊断,从而为旋转机械的故障诊断提供了一种新的方法。     

基于DE-LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断难以获得大量样本的问题以及LS-SVM 模型参数选择方法易陷入局部最优的缺点,提出了一种集合经验模态分解能量熵和差分进化算法（DE）优化最小二乘支持向量机相结合的轴承故障诊断方法。首先原始振动信号采用EEMD分解得到一组固有模态函数（IMF）,从有效本征模态函数IMF分量中提取的能量特征作为输入建立支持向量机,通过计算不同振动信号的能量熵值大小来判断轴承的故障损伤程度。为了提高模型的诊断精度,采用差分进化算法对LS-SVM的结构参数进行优化,并与LS-SVM和PSO-LSSVM模型相比较。结果表明,DE-LSSVM 模型的故障分类准确性得到了提高,可以有效应用于滚动轴承故障诊断中。     

基于EEMD能量熵和混合算法的电机轴承故障诊断

针对提升机电机轴承振动信号的非平稳特性和单一粒子群算法(PSO)优化径向基函数(RBF)神经网络时存在网络收敛速度慢和适应度值易陷入局部最小的缺点,提出基于集合经验模态分解(EEMD)能量熵和模拟退火粒子群混合算法(SAPSO)优化RBF神经网络的提升机电机轴承故障诊断方法。基于EEMD求取振动信号各固有模态函数分量的能量熵,并使用相关性分析方法剔除虚假的分量,把筛选后的有效数据作为故障识别的特征向量;利用模拟退火(SA)算法具有局部概率突跳的特性,将SA算法和PSO算法相结合,在优化RBF诊断模型隐含层参数时以实现不同算法间的优劣互补。仿真结果表明,使用SAPSO算法优化后的RBF神经网络模型在提升机电机轴承故障诊断中能够加快网络收敛速度和提升故障识别精度。     

基于EEMD和变尺度随机共振的轴承故障诊断

提出了一种基于集合平均经验模式分解(EEMD)和变尺度随机共振(STSR)的滚动轴承故障提取方法.首先通过EEMD对含噪振动信号进行自适应抗混分解,得到不同频带的本征模态函数(IMF);然后将不同频带的IMF作为双稳系统的输入,通过变步长数值算法和调节非线性双稳系统的结构参数来提取微弱低频故障特征信号;最后运用切片双谱对双稳系统的输出进行后处理.仿真分析验证了STSR的特性,通过对强噪声背景下的滚动轴承实测信号分析表明,该方法充分利用高斯白噪声,能有效提取滚动轴承微弱故障特征.     

基于SSAE-SVM的滚动轴承故障诊断方法研究

针对现有滚动轴承故障诊断方法过度依赖于有监督学习算法的问题,提出一种基于堆栈稀疏自编码和支持向量机(SSAE-SVM)的滚动轴承故障诊断方法.利用堆栈稀疏自编码(SSAE)的频域深层特征学习能力,对轴承故障特征进行快速傅里叶变换和批归一化处理,再输入到SSAE网络.所构建的SSAE网络通过贪婪算法逐层训练,使用梯度下降...     

基于半监督极限学习机的轴承故障诊断

鉴于在实际的应用中滚动轴承的故障信号所属的类别往往是未知的,而且为了得到一定的测试数据需要花费大量的时间,甚至对机械设备造成了一些损害.利用极限学习机训练速度快且泛化能力强的特点,提出了一种基于半监督极限学习机的滚动轴承故障诊断方法,该方法允许在有少量带标签的轴承故障数据的情况下,将带标签的历史数据与新采集到的部分未带标签的数据一起用来训练得到一个最优的诊断模型.首先通过相空间重构将原始一维信号映射到一个高维的相空间,在相空间中提取初始的轴承特征集,然后将特征集输入半监督的极限学习机中进行训练和测试.实验结果表明,这种基于半监督算法的诊断模型简单,在神经元个数较少的情况下仍然具有很好的泛化能力,具有一定的应用价值.