基于小波变换的滚动轴承故障诊断分析

设计了滚动轴承故障模拟试验台,利用小渡变换对检测到的轴承故障信号进行分析,通过分解到各个频段,再经过分析比较故障信号所得出的细节信号,得出基于小波变换的滚动轴承故障诊断方法是可靠准确的,可以应用于轴承的状态检测与故障诊断.     

基于Kohonen神经网络的滚动轴承故障诊断

提出了一种新的列车滚动轴承故障诊断方法。首先利用小波包分解对滚动轴承的 动态信号进行分析、提取特征，然后采用Kohonen神经网络进行滚动轴承故障诊断。对7类 列 车滚动轴承进行了实验，结果表明该方法具有很好的故障诊断效果。     

滚动轴承故障诊断优化仿真研究

研究提高滚动轴承故障诊断准确率问题,滚动轴承故障振动信号具有非平稳,造成系统不稳定,针对传统方法难以提取故障信息的不足,提出一种小波包和最小二乘支持向量机的滚动轴承故障诊断方法(WP-LSSVM)。首先采用小波包对滚动轴承振动信号进行降噪处理,消除背景和噪声信息,然后小波包对去噪后振动信号分解并计算能量特征值,最后采用最小二乘支持向量机对能量特征值进行学习,建立滚动轴承故障诊断模型。仿真结果表明,滚动轴承故障诊断训练和测试时间减少,且故障诊断准确率得到提高。     

基于Boosting RBF神经网络的滚动轴承故障诊断

提出了一种新颖的基于RBF神经网络滚动轴承故障诊断方法。以滚动轴承动态信号的能量信息作为特征,RBF神经网络作为分类器进行滚动轴承故障自动分类与诊断。为了进一步提高神经网络的泛化能力和故障诊断的准确性,采用Boosting方法,进行网络集成。对七类滚动轴承进行了实验,结果表明该方法具有很好的故障诊断效果。     

小波神经网络在滚动轴承故障诊断中的应用

结合小波变换和神经网络的优势给出小波神经网络的结构模型,研究了小波神经网络的学习算法;针对传统算法收敛速度慢等问题,从学习率和引入动量项两个方面对算法进行改进。应用小波网络对滚动轴承的典型故障进行实例诊断。以7216圆锥轴承在实验台上所测取的数据进行网络训练。用振动信号为网络输入向量,给出训练结果。仿真实例表明,采用小波神经网络能够很好地对故障进行分类,其收敛速度明显要快于相同条件BP神经网络,有效地实现了滚动轴承的故障诊断。     

BP神经网络在滚动轴承故障诊断中的应用研究

滚动轴承表面振动信号中包含着丰富的工作状态信息和故障特征信息,从其表面振动信号中提取时域特征参数,可以有效地识别轴承工作状态。通过试验采集振动信号作为识别故障的原始数据,建立基于振动信号的轴承故障诊断神经网络,并对网络进行训练得出标准故障模式,从而最终实现轴承的故障诊断。     

电机故障诊断的仿真研究

研究电机故障诊断问题.针对电机信号具有非平稳和随机性特点,为保证电机运行的安全性,准确进行故障诊断,传统方法不能有效识别故障信号特征,导致故障识别准确率低,现提出一种基于小波分析和神经网络相结合的电机故障诊断方法.采用小波包变换技术对电机故障振动信号进行去噪处理,然后利用小波包分解系数计算各子频带能量值,根据能量值的变化构建故障特征向量,利用将特征向量作为RBF神经网络的输入进行故障识别,并在Matlab仿真平台上进行仿真.仿真结果表明方法提高电机故障诊断的准确率,有效克服了传统方法存在不足,同时缩短了电机故障诊断的时间.     

基于小波变换的高速纸机滚动轴承故障诊断

由于传统的故障诊断方法是基于Fourier变换的,它只能反映故障信号的整体奇异性,而对信号的局部奇异性无法描述,因此从工程应用的角度研究了小波分析的信噪分离技术在高速纸机滚动轴承故障诊断中的应用;利用小波分解的多层次多频带特性和小波重构技术,建立了一种简单、精确和实用的高速轴承故障小波分析诊断方法;利用这一方法,成功地诊断出高速轴承滚动体和内、外圈发生的碰磨故障;说明了小波分析用于提取弱信号,即信噪分离的有效性,这种方法可以弥补频谱分析法的不足,离线诊断精度可达70%以上.     

基于粗糙集-BP神经网络的机车滚动轴承故障诊断

论文提出了一种基于粗糙集理论与BP神经网络相结合的机车滚动轴承故障诊断方法.首先对原始故障诊断样本的连续属性进行离散化处理,然后利用粗糙集理论,对条件属性进行约简,删除冗余信息,最后将约简的最小属性集作为BP神经网络的输入,并设计BP神经网络对滚动轴承进行诊断.仿真结果表明粗糙集-BP模型不仅简化神经网络结构,而且提高了收敛速度和故障诊断正确率.     

基于CNN-DE-SVM的滚动轴承故障诊断研究

滚动轴承是各类旋转机械中最为重要的元件之一,若滚动轴承在机械设备运行过程中发生故障又无法及时判断出故障,所造成的连锁反应会对整条生产线产生影响,从而给企业造成经济损失。为了及时判断出滚动轴承所发生的故障,提出一种基于卷积神经网络(CNN)和差分进化算法(DE)优化支持向量机(SVM)的故障诊断模型(CNN-DE-SVM),针对滚动轴承的典型故障开展研究。结果表明,CNN-DE-SVM模型拥有较高的特征提取性能与故障诊断精度。     

基于BO-DKELM的滚动轴承故障诊断

滚动轴承作为旋转机械中的必需元件,其任何故障都可能导致机器乃至整个系统发生故障,从而导致巨大的经济损失和时间的浪费,因此必须要及时准确地诊断滚动轴承故障。针对传统极限学习机中模型参数对滚动轴承故障诊断精度影响较大的问题,提出了一种基于贝叶斯优化的深度核极限学习机的滚动轴承故障诊断方法。首先,将自动编码器与核极限学习机相结合,构建了深度核极限学习机(Deep kernel extreme learning machine, DKELM)模型。其次,利用贝叶斯优化(Bayesian optimization, BO)算法对DKELM中的超参数进行寻优,使得训练数据集和验证数据集在DKELM模型中的分类错误率之和最低。然后,将测试数据集输入到训练好的BO-DKELM中进行故障诊断。最后,采用凯斯西储大学轴承故障数据集对所提方法进行验证,最终故障诊断精度为99.6%,与深度置信网络和卷积神经网络等传统智能算法进行对比,所提方法具有更高的故障诊断精度。     

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SE-ResNeXt的滚动轴承故障诊断方法

针对滚动轴承在故障诊断过程中信号特征提取困难导致诊断准确率低、鲁棒性差的问题,提出一种基于Squeeze-Excitation-ResNeXt(SE-ResNeXt)网络的滚动轴承故障诊断方法;将采集的一维轴承振动信号作为输入,进行滑动窗口采样与标准化处理,通过压缩、激励操作进行特征重标定,扩大模型感受野,并级联聚集残差变换网络自适应提取故障信号特征;在模型训练过程中选择最优压缩率为1/8以及8个组卷积,引入Relu函数加快网络收敛,使用全局平均池化替代全连接层避免过拟合现象,构造能够自主进行表征学习的最优故障诊断模型;通过仿真实验表明:与目前的深度学习算法相比,SE-ResNeXt网络能够准确的实现轴承故障诊断,并在高噪声的环境下仍具有较好的鲁棒性。     

基于卷积图神经网络的滚动轴承故障诊断算法

针对常规深度学习方法在直接处理一维时域振动信号进行故障诊断时诊断准确度较低的问题,提出了一种基于一维卷积神经网络(Convolution Neural Network,CNN)与图神经网络(Graph Neural Network,GNN)的滚动轴承故障诊断算法(CGNN).首先通过一维卷积层对振动信号做自适应滤波与数...     

基于改进HHT的风力发电系统轴承故障诊断

轴承是风力发电机组中故障率较高的部件,其故障信号为非线性、非平稳信号,经验模态分解是一种自适应的信号处理方法,可用来分析此类信号,但是模态混叠使得经验模态分解无法准确地将固有模态分离出来。针对此问题,采用总体平均经验模态分解进行改进,利用高斯白噪声的频率均匀分布的统计特性,抑制模态混叠现象,并通过计算固有模态函数与故障信号的互信息来剔除虚假分量,从而得到更准确的Hilbert-Huang谱,由此提取故障信息,判断故障类型。仿真试验及轴承故障诊断实例均证明了该方法的有效性。     

小波理论在滚动轴承故障诊断中的应用

主要研究小波变换消噪的性能,以及循环自相关函数分析算法。在理论分析的基础上,对多组实测信号进行了基于小波阈值消噪的自相关函数分析,通过仿真结果,指出对自相关函数幅值进行谱分析,可有效提取出滚动轴承故障特征频率并抑制其他频率成分的干扰,仿真结果证明了该方法的有效性。     

基于多尺度空间的直升机滚动轴承故障诊断

针对直升机系统与传递路径复杂,采集信号中成分多样,传统方式提取的特征难以有效反映信号健康状态,影响滚动轴承诊断精度等问题,在传统时域指标的基础上,结合多尺度空间对特征空间重叠和信号跨尺度复杂性问题上的优势,构建多尺度指标作为故障分类的依据。根据ReliefF算法对原始高维多尺度特征迭代计算得到权重,利用权重值进行特征选择,同时减轻计算成本。权重最大的一部分特征将作为随机森林模型的输入,利用其多分类器集成学习的优势,进行滚动轴承故障分类诊断。通过滚动轴承公开数据集来说明所提方法的优势和可行性。数据处理结果表明,多尺度特征较原始时域特征具有更好的分类性能,并且随机森林在该算法中较其他分类模型分类效果更好。     

协同训练算法在滚动轴承故障诊断中的应用

针对单个分类器方法在滚动轴承故障诊断中精度较低、故障样本标记稀缺、特征空间维度高等问题，提出一种将协同训练与集成学习相结合的Co-Forest轴承故障诊断算法。Co-Forest是半监督学习中的协同训练算法，包含多个基分类器，通过投票实现协同训练中的置信度估算。从滚动轴承的振动信号中提取时域、频域特征指标。利用少量带标签和大量未标记样本重复地训练基分类器。集成基分类器，实现对滚动轴承故障的诊断。实验结果表明，与同类型的协同训练算法（Co-Training、Tri-Training）相比，Co-Forest算法在轴承故障诊断中具有更高的正确率，与当前针对特征向量高维、标记样本稀缺问题的ISS-LPP算法，SS-LLTSA算法相比，Co-Forest算法在保持很高诊断正确率的情况下，不需要降维、参数设置简单，具有一定的实际应用价值。     

基于小波包分析的电机滚动轴承故障诊断

电机滚动轴承发生故障时的信号是非平稳的,小波包变换对故障特征提取有明显的优势,给出了利用小波包对故障信号进行分析的方法。确定轴承参数以及对故障信号的采集,并计算各类故障特征频率,选择小波基和确定最佳的分解层数,之后在Matlab软件环境下对信号进行小波包分解和重构,得到滚动轴承各类故障信号的功率谱,最后把实验结果与计算结果做对比,证实了该方法可以有效地把轴承中的故障信息成分检测出来,从而判断滚动轴承的故障类型。