基于AFSA-SVM的滚动轴承故障诊断研究

针对滚动轴承运行过程中引发的滚动体故障、内圈故障以及外圈故障,文章第一次将人工鱼群优化支持向量机的算法用于滚动轴承故障类型的诊断识别。同时,将该算法诊断识别的结果与PSO-SVM、GA-SVM的结果进行比较。通过对比分析可知,该算法故障诊断识别的准确率为95%,PSO-SVM的准确率为85%,GA-SVM的准确率为87.5%。这表明了,该算法在滚动轴承故障类型的诊断识别方面,具有良好的故障诊断识别效果。     

基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

基于SPWVD-CNN的滚动轴承故障诊断

针对传统的滚动轴承故障诊断方法难以提取轴承振动数据有效特征的缺陷,提出一种基于平滑伪Wigner-Vill分布(smooth and pseudo Wigner-Ville distribution,SPWVD)和卷积神经网络(convolutional neural network,CNN)的网络模型SPWVD-CNN。对振动数据进行平滑伪Wigner-Vill分布变换,将获得的时频图进行压缩,作为CNN的输入,利用迁移学习的思想进行网络训练,使得模型对于不同负载的数据具有良好的诊断性能,提高了网络的泛化能力。实验结果表明:SPWVD-CNN对轴承故障数据的平均分类准确率提升至99.27%,总体性能优于使用单一的CNN和其他传统的故障诊断方法。     

基于PCA-CNN的滚动轴承故障诊断方法研究

滚动轴承工作环境恶劣、复杂,在采集信号的过程中,不可避免地会有噪声夹杂其中。为实现快速特征提取的同时提高识别率,提出一种基于主成分分析(PCA)降噪的卷积神经网络(CNN)故障诊断方法。该方法引入PCA对信号进行降噪预处理,再将处理后的信号转换成二维特征图像,输入CNN模型以提取转换后的图像特征,进行故障模式识别与分类。利用凯斯西储大学滚动轴承数据集进行故障诊断试验,结果表明:所提方法具有可行性与有效性,且满足鲁棒性和实时性的应用要求。     

基于改进形态学的滚动轴承故障诊断研究

针对滚动轴承的微弱故障特征提取,提出了基于特征幅值能量参数（FAEI）和自相关能量比（AER）的改进数学形态方法。首先使用7种形态算子对信号进行形态处理,以FAEI作为最优算子的选取依据,然后借助AER准则自适应地确定扁平结构元素的长度参数。通过轴承故障实验可知,AER准则能够选出最佳结构元素长度,结合形态算子对故障信号进行最优形态滤波。结果表明:该方法能够提取出噪声背景下的冲击脉冲信号,实现轴承微弱故障特征提取。与基于峭度的形态算法对比,改进方法使故障检测中的特征频率幅值提升了1倍。     

基于IBAS-Elman网络的滚动轴承故障诊断研究

为了提高民航发动机滚动轴承故障诊断正确率,提出基于改进天牛须搜索算法优化Elman神经网络的诊断模型。针对天牛须搜索算法易早熟等缺陷,对天牛质心位置和步长更新操作进行改进,并用改进算法优化Elman网络的学习率、权重和阈值。使用IBAS-Elman模型对滚动轴承故障和正常状态进行诊断,并分析Elman网络延迟向量比例因子对滚动轴承故障诊断率的影响。为了验证IBAS-Elman模型的有效性,将天牛须搜索算法、萤火虫算法和遗传算法作为对比算法。实验结果表明：改进天牛须搜索算法收敛精度优于对比算法。     

基于DCNN-SVM的滚动轴承故障诊断方法研究

针对传统深度学习方法在滚动轴承故障诊断中分类准确度相对较低的问题,提出了一种基于深度卷积模型(DCNN)和支持向量机(SVM)相结合的诊断模型。利用深度卷积模型对滚动轴承故障信号进行自适应特征提取,再将提取的特征输入到支持向量机中进行模式识别。使用经典深度卷积、BP神经网络和支持向量机三种模型进行了5组对比实验,并对自适应提取的特征与人工特征进行了PCA主成分分析。结果表明,利用该方法对滚动轴承内圈点蚀、滚珠点蚀和外圈点蚀等10类故障进行实验诊断,准确率达到99.25%,提高了故障诊断准确率。     

基于指定聚类数目AP算法的滚动轴承故障诊断

仿射传播算法(AP)是目前常用的无监督聚类算法,但对于滚动轴承故障数据等数据集,AP算法往往不能一次性得到理想的聚类结果.针对AP算法在指定聚类数目下,不同的偏向度有不同聚类精度的问题,提出指定聚类数目AP算法(SNAP),该算法目的是在指定的聚类数目下,找出对应的所有聚类结果,通过聚类结果评价指标轮廓系数,找出最佳的...     

基于迁移学习的滚动轴承复合故障诊断研究

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型（TConvNeXt）。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用于滚动轴承故障诊断并且利用Grad-CAM方法进行可视化,分析网络诊断错误起因并对网络进行调整;将训练准确率最高的模型用于滚动轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：TConvNeXt网络模型具有高诊断精度,它不仅在混叠故障诊断中表现突出,在单一故障诊断中也具有优势,能够很好地适应多工况下不同故障类型的滚动轴承故障诊断要求。     

基于小波包分析的滚动轴承故障诊断研究

理论分析和实例证明,峭度指标等滚动轴承振动时域统计参量可以判定轴承工作是否正常,但不能给出更多信息。通过小波包分析对振动信号进行分解,并有针对性地对包含有故障特征频率的频段信号进行重构,能有效地滤去各种干扰信号,显示故障特征信息,为滚动轴承的故障诊断提供了一种快速有效的途径。     

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状态的识别.理论和试验证明了该方法的有效性和实用性.     

基于深度神经网络的滚动轴承故障诊断

针对浅层神经网络方法依靠专家经验和信号处理技术进行人工提取大量滚动轴承数据的特征变得越来越困难,而且神经网络浅层结构限制了神经网络学习复杂非线性关系的功能。结合深度学习在特征提取和处理大数据等优势,研究一种基于深度神经网络的滚动轴承故障诊断方法。该方法直接从原始数据中提取出有用特征,所提取的特征作为BP神经网络(BPNN)的输入识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障,外圈故障和滚珠故障四种状态以及各个状态的不同故障严重程度的分析,实验结果表明所研究的的方法不仅仅能够从原始信号中挖掘出有用的故障特征,还可以诊断出故障的严重程度,和BPNN相比具有更高的诊断准确率。     

基于声信号的滚动轴承故障诊断

对现有振动传感器存在安装困难等问题,提出了基于声信号的滚动轴承故障诊断方法;利用声学传感器,采用非接触方式采集故障轴承声信号;通过Matlab设计线性相位FIR滤波器,得到所需频带的冲击响应序列;通过Hilbert变换,得到被故障源调制信号的包络信号;通过对包络信号进行频谱分析,确定滚动轴承的故障类型。利用该方法对实验台故障轴承进行诊断,得到了准确的诊断结果,验证了方法的可行性与有效性。     

基于现代信号分析的滚动轴承故障诊断的研究

文章利用现代信号分析理论从非线性时频分析(伪Wigner-Ville时频分布)和高阶谱(三阶谱)两方面对滚动轴承故障信号特征的提取加以研究.研究结果表明,伪Wigner-Ville时频分布图能有效地建立故障信息图谱,直观性更强;高阶谱可以很好的检测出非高斯故障信号的信息.     

基于VMD和流形学习的滚动轴承故障诊断研究

针对轴承早期故障信号非线性、非平稳和故障特征难以提取的问题,提出一种变分模态分解(VMD)与流形学习相结合的特征提取方法。该方法应用VMD将信号分解成包含不同故障信息的固有模态分量,然后从中提取特征并构建高维的混合域特征集。最后,应用流形学习等度规映射算法将高维的特征集约简为故障区分度更好的低维混合域特征集,并利用支持向量机实现故障分类识别。滚动轴承实验结果表明该方法能准确清晰地提取故障特征信息,与传统方法相比诊断准确率更高。     

基于ADASYN和Swin Transformer的滚动轴承故障诊断研究

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型。使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer网络模型代替CNN网络 ,并使用深度迁移学习方法,使Swin Transformer网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：所提模型具有97%的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断。     

基于1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。     

基于马尔可夫模型的滚动轴承声发射故障诊断研究

滚动轴承是转动机械的主要零部件,容易发生各种故障,这些故障会带来一系列安全隐患,并造成一定的经济损失。因此工业生产中滚动轴承故障诊断研究非常重要,具有巨大的用途。以滚动轴承为研究对象,建立滚动轴承声发射实验平台,采集不同缺陷、不同转速滚动轴承声发射信号,根据HMM理论和算法对声发射信号进行数据处理。首先应用MATLAB软件提取数据,进行分帧处理,进而提取特征向量,得出似然概率。将不同缺陷滚动轴承似然概率进行数据拟合,得到似然概率和转速拟合公式。对二种转速不同、已知缺陷滚动轴承声发射信号进行测试,并对某种缺陷滚动轴承声发射信号进行诊断。结果表明,HMM可以有效地对滚动轴承故障进行诊断。     

基于粒子群的共振解调滚动轴承故障诊断研究

针对共振解调方法需要事先获得带通滤波器参数的不足,提出了一种基于粒子群的自适应共振解调方法。该方法采用改进粒子群算法,以峭度和故障脉冲能量因子为优化指标,对带通滤波器的中心频率和带宽进行自适应寻优,并采用最优带通滤波器对信号进行滤波分析,提取出信号中的故障特征频率,完成故障诊断。数字信号仿真实验和故障轴承诊断试验结果表明,该方法能够在强背景噪声下有效提取出信号中故障冲击频率,完成故障诊断。     

基于广义S变换的滚动轴承故障诊断方法研究

鉴于广义S变换继承了短时Fourier变换、小波变换和标准S变换的所有优点,同时也弥补了它们存在的不足,具有良好的自适应的独特特性,提出了一种基于广义S变换的滚动轴承故障诊断方法,并与传统的短时Fourier变换、Wgner-Ville分布、小波变换、标准S变换等时频分析方法进行了对比分析。仿真研究表明,广义S变换具有明显的优势,能灵活地通过调节参数来自适应地调节窗函数的宽度,以便达到最佳的时频分辨率。最后,滚动轴承故障实验研究进一步验证了提出的方法的有效性。提出的方法能有效地反映不同轴承故障的特征频率,为滚动轴承故障诊断提供了一种有效的方法。