基于SGMD敏感参数和KFCMC的滚动轴承故障诊断方法

针对滚动轴承的内圈和外圈故障诊断问题,提出了一种基于辛几何模态分解(SGMD)、敏感参数和核模糊C均值聚类(KFCMC)相结合的方法。基于SGMD研究了实际测量的液压泵多模态故障振动信号;基于所提出的相似性分析法,将含有丰富运行特征信息的模态分量进行重构,并将其作为数据源;基于数据源提取时域和频域参数,并利用流行学习法筛选出峭度、裕度指标和峰值指标等敏感参数作为特征向量;利用KFCMC实现对内圈和外圈不同故障的诊断。通过对滚动轴承内、外圈故障振动信号的仿真和实测,验证了该方法可以有效地诊断滚动轴承不同故障。     

GREEN函数在滚动轴承故障诊断中的应用

通过不同工况滚动轴承振动信号的时序分析，发现其GREEN函数Gj的曲线都是衰减的或收敛的，且衰减速度取决于滚动轴承的运转状态、本文提出的一种新的参数G10可以定量反映其收敛速度。作为滚动轴承的故障诊断指标．参数C10比Kv和NRSS更有效。     

参数测量法在装备液压系统故障诊断中的应用

针对现今装备液压传动系统故障诊断的困难性,提出一种简便、实用的故障诊断方法.介绍了参数测量法的测试原理、基本液压回路、诊断顺序及其在装备液压系统故障诊断中的应用实例;该方法将对系统参数的定量检测和逻辑分析有机结合起来,大大提高了系统故障诊断的科学性、快速性和准确性,降低了对维修人员的技术水平要求.     

非局部均值去噪和LMD综合的滚动轴承故障诊断

局域均值分解(Local Means decomposition,LMD)是一种分解效果明显的时频分析方法,在故障诊断中应用广泛。但噪声对其分解有较大影响。为克服噪声的干扰,提出了一种能够应用于轴承信号处理,由非局部均值去噪算法和LMD相结合的新方法,该方法首先采用NLM对信号进行降噪预处理,然后以去噪信号做为输入进行LMD分解,对分解产生的PF分量与降噪信号做相关度分析,甄选PF分量,然后对有用PF分量进行包络谱分析。并将该方法应用在故障滚动轴承信号的特征提取上,结果表明该方法能有效的提取滚动轴承的故障特征,实现滚动轴承的故障诊断。     

参数检查法在数控机床故障诊断中的利用

结合具体的应用实例,对参数检查法在数控机床故障维修中的重要性及其应用进行了介绍.     

参数设置在数控机床故障诊断中的应用

介绍数控机床产生参数故障的原因,结合具体实例,分析参数设置在数控机床故障维修中的重要性及其应用,提供数控机床参数故障的维修思路和方法。     

MED方法及在滚动轴承故障诊断中的应用

介绍了最小熵解卷积（ Minimum Entropy Deconvolution, MED）的原理和实现步骤,说明了参数选择方法。为有效抑制噪声,增强故障特征信息,提出MED结合包络自相关的方法。通过实验台信号验证了所述方法的有效性及优点。     

基于GRA-PLS的滚动轴承故障诊断北大核心

针对仅用时域和频域指标无法准确诊断滚动轴承故障的问题,提出一种基于灰色关联度(GRA)与偏最小二乘(PLS)的故障诊断算法。首先,对原始振动信号进行灰色关联度分析,提取关联度较高的振动信号作为样本信号;其次,通过时域分析和频域分析获得故障特征集,利用基于遗传算法(GA)和Elman神经网络的组合算法(GA-ENN)对故障特征进行提取;最后,利用PLS算法对滚动轴承的故障类别进行识别。实验结果表明,所提方法能有效剔除原始振动信号中无信息变量,并且实现时、频域指标下滚动轴承故障的准确诊断。     

参数估计法在数控机床故障诊断中的应用

首先建立了模型参数-子系统参数关联方程,根据系统性能要求,确定了子系统参数的容差限值,因而确定了故障的阈值。结合灵敏度分析与子系统参数的容差限值,总结出模型参数的变化特征与子系统故障的对应关系,得到了表征子系统故障的特征向量表。     

基于SDP图像和MobilenetV2的滚动轴承故障诊断

针对传统滚动轴承故障诊断方法准确率偏低和故障特征难以提取的问题,提出了一种基于SDP图像和MobilenetV2的滚动轴承故障诊断方法。将经去噪处理后的滚动轴承振动信号转化为SDP图像,并输入到MobilenetV2网络中自适应地提取故障特征和分类,诊断出具体的故障类型。试验表明,在适量的训练样本下,所提方法的诊断准确率能达到98.2%。相比于其它传统深度学习方法,所提方法在诊断正确率和稳定性方面具有一定优势。在原始轴承振动信号中加入5 dB的高斯白噪声后,故障识别准确率仍能达到94.4%,证明了所提出诊断方法具有一定的抗噪性能和泛化能力。     

频域特征量的故障敏感性实验研究

有效地提取故障特征向量,找到故障敏感因子是进行液压泵故障诊断的关键.采集轴向柱塞泵松靴、滑靴磨损、斜盘磨损以及中心弹簧失效等故障情况下的端盖振动信号,采用合适的信号预处理方法得到有价值的低频信号,从低频信号中提取出频域特征参量,分析频域特征量对每种故障的敏感性,找到各故障的频域敏感因子.为液压泵的故障诊断提供了可靠的敏感特征信息,增加了故障特征信息的完备性,对提高故障诊断系统的故障确诊率具有重要的意义.     

多传感器信息融合在液压系统智能故障诊断中的应用

针对采矿工程机械液压系统故障诊断方法存在的局限性,提出了一种基于多传感器信息融合的智能故障诊断方尊。该方法采用模糊神经网络融合诊断中心作为故障诊断的执行机构,算法上采用BP算法。通过一实例论证了在液压系统故障诊断中采用多传感器信息融合故障诊断方法比采用单传感器信息故障诊断方法更具有准确性和可靠性。     

基于平均影响值与SVM的滚珠丝杠故障诊断技术

针对滚珠丝杠故障诊断中存在大量冗余信息的特点,引入平均影响值法对故障信号特征进行筛选。该法可剔除冗余特征,保留对诊断结果影响较大的特征作为支持向量机(SVM)的输入,然后借助支持向量机实现对输入参量的训练以及故障模式识别。经实验验证,实例中所建立的滚珠丝杠故障诊断模型,能在更大程度上缩短诊断时间,提高分类精度,具有较传统诊断模型更好的诊断效果。     

设备工况状态监测与故障诊断中的特征信息分析研究

文章阐述了机械设备工况状态信息检测与故障诊断系统中，对工况状态特征信息的分析方法一时域分析方法，频域分析方法，联合时一频分析方法等多种信号处理方法的特征分析特点及特殊信号、振动信号的分析和应用。     

基于小波分析的液压系统故障特征提取研究

针对液压系统故障原因复杂、现象多样、故障信号中噪声干扰大的特点,综合利用压力、流量和液压缸运动速度进行液压系统故障诊断,克服了单一特征量在故障诊断中容易产生误判的缺点.将小波去噪方法应用到故障信号中,提高了故障诊断精度.通过对Festo液压实验系统故障信号进行处理,证明该方法是有效的.     

基于EEMD多维特征的旋转机械故障识别方法研究

为有效诊断旋转机械故障,提出基于集合经验模态分解（EEMD）的多维特征提取故障诊断识别方法。利用EEMD将原始振动信号分解为若干个本征模态函数（IMF）,分别计算原始信号和IMF分量的时域指标;将时域指标进行奇异值分解,得到奇异值特征向量,计算原始信号频率带能量比和IMF分量能量比;将IMF分量能量比、奇异值特征向量、频率带能量比组合为故障特征向量,作为神经网络的输入,对转子的工作状态进行诊断识别。结果表明：多维特征向量的识别效果优于EEMD能量特征,能更充分反映出转子的故障特征。     

深度学习在故障诊断中的应用综述

阐述了深度学习在故障诊断和图像分析、语音识别和文本理解等领域的应用;介绍卷积神经网络、深度置信网络、堆叠自动编码网络、递归神经网络4种典型的深度学习模型;综述近几年深度学习在故障诊断中的模型选择、学习算法和实际应用等方面的研究新进;探讨深度学习在故障诊断中的理论分析、特征提取、优化训练和研究拓展等。     

航空液压泵典型故障模拟及在线监测

针对某型航空液压油泵的工况复杂、故障模式多样、样本数据匮乏及诊断难等问题,分析了液压泵的故障模式和特征频率,根据4种典型故障模式和8种工况设计了故障模拟试验方案,并搭建了液压泵故障模拟软硬件试验平台。以磨损故障为例,对振动故障数据实现了采集和故障特征分析,验证了平台的有效性和诊断的可行性。     

基于奇异点检测和模糊粗糙集相结合的故障特征降维方法及应用研究

针对在模式识别过程中样本的特征维数过高,模糊粗糙集特征降维方法易受奇异点影响的问题,提出了一种基于奇异点检测和模糊粗糙集相结合的特征降维方法。该方法通过计算样本基于重心的不稳定系数值的变化,据此剔除奇异点,消除了奇异点对模糊粗糙集特征降维的影响,选择出对模式分类敏感的特征子集。通过仿真数据和齿轮故障数据进行实验分析,实验结果验证了所提出的特征降维方法的有效性。