基于改进萤火虫算法优化SVM的滚动轴承故障诊断

针对萤火虫算法优化支持向量机时,收敛速度较慢、易陷入局部最小值等问题,将萤火虫算法进行改进来优化支持向量机,用此方法来对轴承故障进行诊断.经过对比实验,发现该方法分类效果和识别准确率均有一定的提高.     

基于CEEMDAN-SVM和时域特征的滚动轴承故障诊断方法研究

针对滚动轴承故障原始信号复杂,以致故障冲击信号被强背景噪声"淹没"的问题,提出一种基于CEEMDAN分解和时域特征分析的故障诊断方法.首先对原始信号进行CEEMDAN分解,得到一系列固有模态分量(IMFs),分析各IMF,选择具有明显故障冲击信号的5个分量进行重构,以剔除噪声等干扰信息,再提取重构信号的时域特征输入支持...     

基于GWO-SVM算法的滚动轴承故障诊断

为实现机械设备滚动轴承的实时监测和故障的准确诊断,基于支持向量机(SVM)进行故障分类,提出采用灰狼算法(GWO)优化SVM的惩罚系数c和核函数半径σ;通过小波包对数据进行特征提取;最后以优化的SVM完成故障诊断。实验结果表明:GWO-SVM算法对故障识别的准确性明显提高。     

基于IALO-ELM模型的滚动轴承故障诊断方法

为了有效提取轴承振动信号中的运行状态信号,并根据信号特征进行故障诊断,提出滚动轴承故障诊断IALO-ELM新模型.采用柯西高斯变异对蚁狮优化算法进行改进,进而对极限学习机的参数进行优化,实现对滚动轴承故障的诊断.试验结果表明:IALO-ELM模型与SVM、ELM和ALO-ELM模型相比较,具有更好的稳定性,识别准确度达...     

基于EEMD和模糊BP神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出一种基于总体经验模态分解(EEMD)和模糊BP神经网络的故障诊断方法。首先对滚动轴承的振动信号采用总体经验模态分解方法进行分解,得到若干个本征模态函数分量(IMF);然后提取各分量的均方差、峭度和能量,把这些特征参数作为学习集和训练集,将学习集输入到模糊BP神经网络中进行学习;最后把训练集输入到特征参数经过学习训练后的模糊BP神经网络中进行故障类型识别,并与BP神经网络进行比较。实验结果表明:所提方法能有效地应用于滚动轴承故障诊断,而且比BP神经网络具有更高的精确度。     

基于ELMD与LS-SVM的滚动轴承故障诊断方法

针对局部均值分解（local mean decomposition,LMD）实现过程中存在的模式混淆现象,提出了一种基于总体局部均值分解（ensemble local mean decomposition,ELMD）与最小二乘支持向量机（least squares support vector machine,LS-SVM）相结合的滚动轴承故障诊断方法。该方法先对滚动轴承振动信号进行ELMD分解,并得到若干乘积函数（product function,PF）,然后选取包含主要故障信息的PF分量,提取其峭度系数与能量特征参数以构造故障特征向量,并作为LS-SVM的输入来识别滚动轴承的工作状态和故障类型。通过对滚动轴承正常状态,内圈故障和外圈故障的分析结果表明,基于ELMD与LS-SVM的诊断方法可以准确有效识别滚动轴承的工作状态和故障类型。     

基于蝙蝠算法优化支持向量机的滚动轴承故障诊断

支持向量机中参数的选择会直接影响滚动轴承故障诊断的分类效果,基于此提出一种采用蝙蝠算法优化支持向量机的故障诊断模型,以提高分类的准确率.首先将采集到的振动信号进行集成经验模式分解,分解后得到一系列模态函数分量IMF,并将计算得到的各个分量的能量熵作为信号的特征向量,将所构造的特征向量输入到蝙蝠算法优化的支持向量机BA-...     

磨机减速机滚动轴承特征提取和故障诊断研究

滚动轴承是水泥磨机减速机的核心组件,同时也是故障频发的部件之一,为保证其健康、安全、高效的运行,本文将独立分量分析(ICA)与支持向量机(SVM)方法结合,为磨机减速机滚动轴承的故障诊断提供一个新的思路。首先提取轴承不同故障状态下观测信号的独立分量,再对独立分量(ICA)进行奇异值分解从而得到特征信息,最后联合支持向量机(SVM)将特征信息进行故障识别。数据处理结果表明这种特征提取的方法是有效的。     

基于小波包-支持向量机的滚动轴承故障诊断

以轴承在正常、内圈和滚子裂缝、内圈和滚子剥落三种工况下的振动信号为研究对象,采用小波包频带能量特征提取的方法,构成振动信号的特征向量。在此基础上采用支持向量机对特征向量进行故障模式识别,试验结果表明,和神经网络相比,采用支持向量机进行故障诊断可以获得更高的诊断精度。     

基于蜻蜓算法优化支持向量机的滚动轴承故障诊断

针对支持向量机参数选取不当影响诊断结果的问题,采用蜻蜓算法对支持向量机的惩罚因子C与核函数参数g进行优化,构建DA-SVM滚动轴承故障诊断模型。实验表明:与SVM、PSO-SVM、GA-SVM模型相比,DA-SVM诊断模型有效提高了滚动轴承故障诊断的准确率,且收敛速度快、寻优能力强。     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征 ,采用小波包分析对其建立频域能量特征向量 ,利用径向基函数神经网络完成滚动轴承故障模式的识别。理论和试验证明了该方法的有效性。     

普通测振仪对滚动轴承故障的诊断

0　前　言滚动轴承的使用与发展已有二百多年的历史 ,自英国工业革命以来 ,滚动轴承已广泛应用于各类旋转机械。相比于滑动轴承 ,滚动轴承具有装配方便、润滑易于得到保证的特点。但滚动轴承若选用不当、装配不适、润滑不良等 ,易损坏失效 ,轻者轴承损坏 ,重者损坏设备 ,从而造成不可估量的损失。1　滚动轴承失效原因及诊断方法1 .1　失效原因滚动轴承由轴承外圈 (外滚道 )、轴承内圈(内滚道 )、保持架、滚动体组成。造成滚动轴承失效的直接原因大体有如下几类 :( 1 )选型不合理 ;( 2 )润滑不充分 ;( 3)滚动体、轴承外圈、轴承内圈及保持架…     

基于形态滤波和HHT的滚动轴承故障特征提取

应用形态滤波和HHT提取滚动轴承振动信号故障特征。通过形态组合滤波对信号进行预处理,对预处理后的信号进行EMD分解,把信号分解为若干个IMF的和,之后计算IMF的希尔伯特能量谱,提取振动信号的故障特征频率。本算法能够较准确地提取出滚动轴承振动信号的故障特征频率,为滚动轴承振动检测与故障诊断研究提供参考。     

基于RMS因子的滚动轴承故障声发射诊断研究

运用声发射检测技术对滚动轴承内圈故障、外圈故障和滚动体磨损故障展开试验研究。为了减少噪声干扰、突出故障特征、提高信噪比,应用能量因子方法对含噪声信号进行数据处理,找到不同缺陷形式下的故障特征。结果表明,RMS因子方法用于滚动轴承声发射信号特征提取是有效的。