基于MED和1.5维能量谱的滚动轴承故障诊断

1.5维谱因具有抗高斯白噪声的优异性能而被广泛应用于故障诊断领域,能量算子解调与1.5维谱相结合形成的1.5维能量谱用于轴承故障诊断效果更佳,然而该方法处理低信噪比信号效果不佳.针对强背景噪声下微弱故障特征提取难的问题,提出最小熵解卷积(MED)与1.5维能量谱相结合的诊断方法.先用MED对原始振动信号进行消噪,再对处...     

基于WTD-AR谱和MEA-BPNN的轴承故障诊断方法

针对滚动轴承故障诊断模型在噪声干扰下鲁棒性能差的问题,提出一种基于小波阈值去噪（WTD）、AR谱和思维进化算法（MEA）优化反向传播神经网络（BPNN）的轴承故障诊断方法。以原始振动信号为输入,采用小波方法分解重构原始信号滤除高频噪声,然后采用Burg算法估计AR模型参数提取降噪信号功率谱特征,最后将特征向量与对应标签分别作为MEA-BPNN神经网络的输入、输出进行训练,最终实现诊断。将该方法与一些先进的人工神经网络诊断方法作比较,测试该诊断模型的性能。研究结果表明：WTD-AR谱-MEA-BPNN诊断模型能够有效降低轴承振动信号的噪声干扰,实现特征增强,分辨率更高;相较于传统神经网络训练速度更快,在更短时间内甄别故障类型且识别率高。     

基于VMD和Teager能量增强谱的滚动轴承故障诊断方法

针对强噪声干扰下滚动轴承故障特征难以提取的问题,提出一种变分模态分解和Teager能量增强谱的滚动轴承故障诊断方法。该方法首先通过变分模态分解(Variational Mode Decomposition,VMD)将非平稳的轴承故障振动信号分解成一系列平稳的窄带分量;然后根据峭度-相关性最大准则挑选包含故障特征信息最丰富的窄带分量作为主分量;最后对选取的主分量进行Teager能量增强谱,提取滚动轴承的故障特征。通过仿真和实例分析的结果表明:该方法能有效地提取出滚动轴承早期故障特征,且能够抑制强烈的噪声干扰和增强故障冲击特征,优于传统包络谱分析和基于经验模态分解(Empirical Mode Decomposition,EMD)和Teager能量谱的方法的分析结果。     

基于CEEMDAN能量熵和马氏距离的齿轮箱轴承故障诊断方法

针对齿轮箱轴承信号非平稳性及其故障特征难以提取的问题,提出一种自适应白噪声平均总体经验模态分解（CEEMDAN）能量熵和马氏距离相结合的故障诊断方法。首先采用CEEMDAN方法对非平稳的轴承故障信号进行分解,获得若干阶表征信号特性的固有模态函数（IMF）分量;然后计算各IMF分量的自相关函数和相关系数,以滤除信号内的噪声干扰和对故障特征不敏感的IMF分量;最后计算各敏感故障特征分量的能量熵,将其作为特征参数形成状态特征向量,并使用马氏距离判别方法对轴承的工作状态和故障类型进行诊断。通过对实测不同工况以及不同故障程度的齿轮箱轴承信号的分析,证明了所提方法的有效性。     

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明：与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。     

基于CMCPSO-SVM的轴承微弱故障诊断方法

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明：该故障分类模型的识别准确率高于其他分类模型。     

基于EMD和改进Teager能量算子的轴承故障诊断

为实现在非线性非平稳的轴承振动信号中提取出故障特征频率,提出了一种经验模态分解(EMD)和改进的Teager能量算子(NTEO)相结合的故障诊断方法。首先通过EMD将振动信号分解为若干阶本征模态分量(IMF),计算各阶IMF的峭度和与原信号的相关系数,利用峭度和相关系数均较大的IMF进行信号的重构,然后利用NTEO计算重构信号的瞬时Teager能量序列,最后对能量序列进行FFT变换,提取轴承的故障特征频率。分别对轴承内圈和外圈故障的振动信号进行分析,清晰地提取出了故障特征频率,并通过与传统Hilbert包络谱和Teager能量谱进行对比,验证了方法的有效性。     

基于盒维数和参数筛选的风力机轴承故障诊断方法研究

风力发电机作为一种清洁能源被广泛地应用,轴承作为风电机组的核心零部件故障诊断极为重要,针对风力机轴承故障诊断的问题,提出了一种基于盒维数计算和参数筛选的故障诊断方法,并通过支持向量机进行训练和分类。首先,通过盒维数算法计算盒维数和其它特征参数,然后筛选正确参数并分类得到各组参数的准确度,最后确定不同故障形式下样本的特征,最后筛选出准确度较高的特征参数,避免了复杂的信号预处理以及人工进行信号提取的过程,可以高效解决风力机轴承故障诊断的准确率低、时效性差等问题。     

基于小波包能量谱的工业机器人智能故障诊断

实际工业机器人在恶劣工作环境中易出现故障,传统的故障诊断大多都是通过振动信号进行,但是振动数据在实际工厂难以采集,给工业机器人的故障诊断造成了极大困扰。针对这一问题,提出一种基于小波包能量谱(WPES)与卷积神经网络(CNN)的工业机器人电流数据的智能故障诊断模型。该模型通过小波包将原始电流信号分解为多个子频带,计算每个子频带对应的能量特征,当工业机器人出现故障时,能量特征会发生变化,并将能量谱特征转化为二维矩阵用于设计、训练和测试所提出的模型。实验结果表明:采用WPES-CNN模型进行故障诊断,故障识别率达到了99.9%以上。     

基于SSA-VMD和2.5维谱的齿轮箱磨损故障诊断

针对行星齿轮箱实际工况中存在多种频率耦合无法直接提取故障特征频率的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合2.5维谱的故障诊断方法。运用SSA优化VMD的参数;运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用2.5维谱对重构信号中的频率耦合进行解耦运算。搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用提出的方法解耦出参与耦合的故障频率成分,揭示了行星齿轮箱磨损故障演化规律。研究结果表明：随着磨损故障程度的加深,磨损故障特征频率明显增多。     

基于MIGA-VMD和t-SNE的轴承故障诊断方法

针对从汽轮机轴承的非线性、非平稳振动信号中提取故障特征困难而导致诊断识别率低的问题,提出一种基于MIGA-VMD和排列熵、t-SNE的特征提取方法.变分模态分解(VMD)在轴承故障诊断中的分解效果很大程度上取决于分解个数和惩罚参数的选取.为实现VMD相关参数的最优选择,采用多岛遗传算法(MIGA)对VMD参数进行优化....     

基于改进残差网络的轴承故障诊断方法

针对现有的轴承故障诊断模型缺乏对信号的空间和时序信息的有效利用,以及模型的泛化性和抗噪性差的问题。提出了一种将LSTM以残差的形式与CNN并联使用,并采用1*1卷积进行跨通道信息融合的神经网络模型IPCNN＿LSTM,解决了传统网络模型无法同时有效地利用信号的空间及时序信息问题。并采用CWRU轴承数据集和QPZZ-Ⅱ系统采集实验平台进行实例验证,该模型能够有效地利用信号的空间和时序信息,在减少参数数量,提高诊断效率的同时取得较高的故障诊断正确率,并具有良好的泛化性、抗噪性及稳定性。     

基于PCA和希尔伯特谱的柔性薄壁轴承故障诊断研究

针对柔性薄壁轴承在发生故障时产生的非平稳、非线性信号,采用希尔伯特-黄变换方法对其进行分析,同时针对噪声信号会污染整个希尔伯特谱的问题,提出基于SVR谱的PCA降噪算法。通过仿真分析和柔性薄壁轴承故障实验,从轴承内、外圈故障仿真信号和实际信号的希尔伯特谱中,均能够得出外圈故障信号频率的变化率为轴承转频的两倍、而内圈故障信号频率的变化率与轴承转频一致的结论。该结论可为工程实际应用提供理论指导。     

基于EEMD对称差分能量谱的行星齿轮箱故障诊断

为了准确地获得故障特征频率在行星齿轮箱复杂频率中的耦合情况,提出了基于集合经验模态(EEMD)和对称差分能量算子相结合的故障诊断方法。搭建了针对行星齿轮箱齿面磨损实验台,获得了行星齿轮箱全生命周期的实验数据。利用该方法分析了行星齿轮箱故障数据,得到了行星轮故障特征频率在啮合频率和倍频处的耦合规律,实现了行星轮齿轮箱的故障诊断。     

基于DWT-DSCNN-SVM的轴承故障诊断

在故障诊断过程中,为了更好地提取特征以及提高故障识别率,提出了一种基于离散小波变换和深度可分离神经网络算法以及SVM分类器的滚动轴承故障诊断方法.首先,模型利用离散小波变换对原始振动信号提取特征,形成多通道样本;然后对样本进行深度可分离卷积神经网络训练,最后在全连接层后接SVM分类器实现对故障信号的分类.实验所用数据来...     

基于IMF和预测滤波的轴承故障诊断方法

针对滚动轴承早期故障信息难以提取的问题,提出了基于固有模态函数(IMF)和线性预测滤波的诊断技术。首先,通过经验模态分解(EMD)把振动信号分解成一系列的固有模态函数。根据包络频谱相关信息提出了一种固有模态函数重构方法,将故障信息敏感的固有模态函数重构为一个新的信号。然后通过线性预测滤波加强重构后信号的冲击故障信息,最后利用信号的功率谱有效的展现了轴承的故障频率特性。通过实测滚动轴承信号对该方法进行了验证,结果表明该方法能准确的检测滚动轴承故障。     

基于模糊认知图的轴承故障诊断方法研究

为有效、快速地处理含噪声数据,提出将轴承故障诊断建模为时间序列分类任务。利用奇异谱分析将一维时间序列扩展为多维时间序列,并实现降噪;利用凸优化算法快速、有效地从噪声数据中学习到FCMs模型,将时间序列转换成C×C的特征矩阵;采用神经网络对特征矩阵进行分类。利用CWRU轴承数据集对所提出的方法进行验证,结果表明:与传统方法相比,所提方法在轴承故障诊断方面的性能较优。     

基于小波熵和ANFIS的轴承故障诊断方法

提出一种基于小波熵和自适应神经模糊推理系统(ANFIS)的滚动轴承故障诊断方法.对原始振动信号进行小波包分解,提取小波熵特征,然后用ANFIS作为分类器进行故障模式识别.比较人工神经网络(ANN)与ANFIS的故障诊断效果.结果表明,该算法诊断准确率高于神经网络.     

基于堆栈降噪自编码的轴承故障诊断方法

针对传统轴承故障智能诊断中特征学习困难,且需要掌握大量的信号处理方法和诊断经验,提出直接从原始数据出发对轴承故障状态进行分类识别的新方法。该方法通过深度学习利用原始振动数据训练堆栈自编码网络,由于免除了智能诊断的显式特征提取阶段,从而能够减少人工参与因素,摆脱了对大量信号处理技术与诊断经验的依赖。试验结果显示:所提出的方法能对轴承故障识别率达到97%,具有较好的识别能力,能够完成故障特征的自适应提取,增强了机械故障诊断的智能性。     

基于小波包能量谱和改进FOA-GRNN的轴承寿命预测

为增强轴承退化特征信息,提高广义回归神经网络(Generalized Regression Neural Network, GRNN)的预测精度,提出了一种基于小波包能量谱和改进FOA-GRNN的轴承剩余使用寿命预测方法。首先,为提取和增强轴承退化特征,采取小波包能量谱对轴承振动信号进行分解,生成频带能量谱,以能量谱信息构建轴承退化特征;其次,为提高果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)的寻优能力和寻优效率,提出了一种多种群自适应果蝇优化算法,引入自适应惯性权重,并应用于广义回归神经网络参数优化;实验结果表明,基于文中退化特征相比时域、频域特征,提高了预测精度,改进FOA-GRNN与FOA-GRNN、MFOA-GRNN、IFOA-GRNN相比具有较高的寻优精度和寻优效率。