基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断

针对煤矿井下工作环境恶劣,摇臂轴承经常发生故障,提出一种基于小波能谱熵-BP_Adaboost的采煤机摇臂轴承故障诊断方法。对振动信号进行小波分解,提取各小波系数的能谱熵,以此作为故障特征信息。利用Adaboost算法联合多个BP神经网络,构建BP_Adaboost强分类器。通过实验验证,该方法相比单BP神经网络识别率有很大提高,总体识别精度达到92%,其中外圈轴承故障识别率达96%,具有较好的采煤机摇臂轴承故障诊断能力。     

基于双树复小波变换和奇异谱熵的采煤机摇臂轴承故障诊断

该文提出基于振动信号分析的采煤机摇臂轴承故障诊断方法,对振动信号进行双树复小波变换(Double Tree Complex Wavelet Transform,DTCWT),将原始振动信号分解为不同频带的7层信号;针对各频带信号,结合奇异谱熵实现从信号奇异成分能量分布角度的故障特征量化提取,通过分析比较各频带奇异谱熵,可实现采煤机摇臂滚动轴承故障准确诊断。     

基于EEMD和改进OMP算法的滚动轴承故障诊断

针对滚动轴承早期故障特征难以识别的问题,提出了一种基于EEMD和改进OMP算法的滚动轴承故障诊断新方法。该方法首先对故障信号进行EEMD分解得到一系列IMF分量,根据相关峭度准则选取IMF分量进行重构;然后在稀疏分解阶段对信号截断分块构造矩阵,利用KSVD自学习训练方法得到包含冲击成分的冗余字典,再用基于信号分块思想的OMP算法进行字典原子的选取和稀疏系数的求解,以重构信号包络谱峭度最大为迭代终止条件,自适应确定迭代次数;最后对重构信号进行频谱分析,获取轴承故障特征。通过实验台故障轴承外圈和内圈试验数据的检验,验证了本方法的有效性和可行性。     

基于盲源分离的采煤机摇臂轴承故障诊断方法

针对采煤机摇臂轴承故障,介绍了一种基于盲源分离算法的轴承故障识别方法。该方法采用优化滑动平均长度,以最大信噪比为目标函数对振动信号进行盲源分离,分离后的信号进一步加速度包络处理,信号特征可用于识别轴承故障。通过采煤机摇臂加载试验台进行试验验证,采集采煤机摇臂两个不同部位的振动加速度信号,运用该方法对振动信号进行处理后判别故障类型和位置。结果表明：与单纯的加速度包络法相比较,该方法处理后的信号特征更加明显,对轴承部位的识别率较高。研究结果对于采煤机摇臂的故障预测具有较好地效果,能够进一步提高采煤机在故障领域方面的智能化。     

基于振动信号分析的采煤机摇臂轴承故障诊断研究

针对采煤机摇臂轴承故障频发,严重影响采煤工作面安全生产的现状,进行了基于振动信号分析的采煤机摇臂轴承故障诊断研究。为准确识别采煤机摇臂轴承故障,采用集合经验模态分解方法(EEMD)对原始振动信号进行分解,提取前8个本征模态函数的能量占信号总能量的比例作为故障特征信息,并输入到支持向量机(SVM)进行故障模式识别。试验结果表明,结合集合经验模态分解和支持向量机的故障诊断方法,适用于处理采煤机摇臂轴承产生的非平稳、非线性振动信号,总体故障识别率达到88.33%,可实现轴承故障的准确诊断。     

基于MCKD和稀疏表示的滚动轴承故障诊断

针对强噪声下滚动轴承有效故障冲击特征难以检测的问题,提出基于最大相关峭度解卷积(MCKD)和稀疏表示的特征提取方法实现滚动轴承的故障诊断。该方法首先对滚动轴承原始振动信号进行最大相关峭度解卷积处理,突出原始振动信号中的周期性冲击成分;然后利用正交匹配追踪算法(OMP)实现周期性冲击成分的稀疏表示;最后通过包络谱分析实现故障诊断。仿真和实验验证了该方法的有效性。     

基于深度迁移学习的采煤机摇臂部滚动轴承故障诊断方法

针对长期正常服役的采掘装备典型故障数据少、有标签数据不足,故障诊断模型训练效果不好等问题,提出一种基于深度迁移学习的采煤机摇臂部传动系统故障智能诊断方法。利用该方法将模拟平台故障数据训练后获取的故障诊断模型参数迁移至采煤机智能故障诊断模型中,从而在不同设备之间进行迁移学习,实现基于小样本数据的采煤机摇臂部智能故障诊断。通过构建预训练的卷积神经网络,将转换为二维时频分布的图像数据集作为预训练模型的输入,并将预训练模型的网络参数迁移至采煤机摇臂传动系统故障诊断模型中,通过保证低层网络不变保留模型的泛化能力,将含有标签的数据集作为采煤机摇臂传动系统智能故障诊断模型的训练数据集对模型进行训练,通过微调高层网络参数进行模型优化和权值更新,得到采煤机摇臂传动系统迁移故障诊断模型,提高了模型的特征提取能力减少了误差。为验证方法有效性,以传动系统滚动轴承为研究对象,采用西储大学轴承数据作为训练集,DDS传动系统平台模拟井下采煤机摇臂部传动系统工况得到滚动轴承监测数据,作为测试集进行试验验证。试验结果表明：滚动轴承平均故障识别精度达到99.59%,与传统的智能故障诊断方法相比,提出的智能故障诊断方法收敛...     

基于振动图像和DCNN的采煤机滚动轴承故障诊断

在煤矿井下实际工况中,由于开采煤层的起伏,采煤机作业常伴随着噪声干扰以及工作载荷突变的情况,所以采集到的采煤机故障振动信号是非常复杂的,往往掺杂噪声信号的干扰。如何从原始信号中提取到有用的特征信息成为了井下设备故障诊断的研究难点。这种情况下难以直接使用一维振动信号进行滚动轴承故障诊断,提出了基于振动图像和动态卷积神经网络(DCNN)的采煤机滚动轴承故障诊断模型,将DCNN对于图像识别的高性能引入采煤机轴承的故障诊断中。测试实验结果表明,该故障诊断模型可实现对滚动轴承多种故障模式的特征分类,验证了该方法的正确性和高效性。     

基于EEMD降噪和HMM的采煤机摇臂滚动轴承故障诊断

提出一种集合经验模态分解(EEMD)降噪与隐马尔科夫模型(HMM)的采煤机摇臂滚动轴承故障诊断方法。采用基于峭度准则的EEMD对采集到的振动信号进行降噪预处理,筛选出包含主要特征频率的本征模态函数(IMF),通过求取IMF信息熵提取出敏感特征集,结合训练好的HMM分类模型,对滚动轴承故障类型进行诊断识别。实验数据分析表明,所提出的基于EEMD降噪和HMM的故障诊断方法可以准确区分滚动轴承故障类型,对于4种状态轴承的识别率达到90%以上,是一种有效的采煤机摇臂滚动轴承故障诊断方法 。     

参数化同步挤压变换在采煤机摇臂传动系统中的应用

将参数化同步挤压变换(PST)引入到采煤机摇臂传动系统的故障诊断中,并与传统的时频分析方法如同步挤压短时傅里叶变换(SST)进行对比。仿真结果表明,该方法具有较高的时频分辨率,能有效识别信号的时频特征。最后,将该方法应用于采煤机摇臂传动系统的故障诊断,实验结果验证了该方法能够清晰地表示出故障特征。     

基于改进深度置信网络的采煤机摇臂传动系统故障诊断研究

采煤机是一个集机械、电气和液压为一体的大型复杂系统,工作环境恶劣,如果出现故障将会导致整个采煤工作的中断,造成巨大的经济损失。采煤机摇臂传动故障作为整机的主要故障,是故障监测研究的重点。提出一种基于改进深度置信网络的采煤机摇臂传动系统故障诊断方法,对摇臂传动信号进行频段分解,通过不同的频段阈值进行降噪处理,提取故障特征信息,完成采煤机摇臂传动故障分类。将深度置信网络引入故障诊断,通过对采集的故障状态信号进行迭代训练深度学习,得出与故障模型的对应关系,并采用粒子群优化算法对故障模型进行迭代优化,应用于摇臂传动的故障诊断识别。结果表明,故障特征提取准确,故障诊断精度高。     

基于HHT和有监督稀疏编码的滚动轴承故障状态识别方法

为了实现对滚动轴承故障位置和损伤程度的准确定位,将类别判别信息引入到无监督的稀疏编码中,提出一种有监督稀疏编码（Supervised Sparse Coding,SSC）方法,建立基于希尔伯特黄变换(Hilbert-Huang Transform,HHT)和SSC的振动信号特征提取和故障状态精细分类模型。首先,通过HHT获取振动信号的边际谱,然后,利用SSC为边际谱信息建立统一的字典库,并完成对边际谱的稀疏表示,实现干扰信息的滤除和故障目标敏感特征的二次提取,最后,使用SSC得到的稀疏系数完成对支持向量基(Support Vector Machine,SVM)分类器的训练。采用SKF-6205-2RS轴承试验台数据对提出方法进行实验分析,使用HHT-SSC-SVM模型,驱动端轴承故障状态识别率为99.5%,风扇端轴承故障状态识别率为98.25%,与文中其他模型相比,在故障状态识别率上有所提高,并且表现出来较强的适应能力。     

基于小波降噪和CEEMD的轴承故障诊断

针对滚动轴承故障振动信号难以提取出准确的故障特征的问题,提出了一种基于小波新阈值降噪与互补集合经验模态分解(CEEMD)的轴承故障诊断方法。该方法充分结合了以上2种方法的优点,有效地解决了故障特征提取难的问题。首先构建出新的小波阈值函数,再用此小波阈值降噪,可以有效地消除背景噪声的影响;将降噪后的故障信号用CEEMD方法进行处理,然后重构根据信号的相关系数挑选出的相关性较大的分量;最后将重构信号进行Hilbert变换包络,从包络图中提取故障特征。运用此方法对轴承进行试验分析,结果证实了该方法的有效性和实用性。     

小波包-BP神经网络在采煤机滚动轴承故障诊断中的应用

针对采煤机在正常工作中经常发生轴承故障的问题,提出了小波包和BP神经网络相结合的故障诊断系统。即运用小波包的分解方法提取检测信号的故障信息作为BP神经网络的输入样本,经过训练的神经网络可对采煤机上轴承的工作状态进行诊断和分类。试验结果表明,此方法对轴承的常见故障可进行有效的识别和诊断,方法简单可靠。     

滚动轴承故障振动信号的分析方法研究

针对滚动轴承故障信号具有非平稳、非高斯的特点,提出了将时域分析与小波分析相结合的方法对滚动轴承进行故障诊断。在研究不同信号分析方法理论的基础上,以滚动轴承外圈故障振动信号为例,采用多种信号处理方法进行了分析。结果表明,各种分析方法在分析轴承故障时的特点各不相同,在实际使用中,可将时域分析与小波分析综合使用,实现轴承状态的实时监测与故障的准确定位。     

基于小波包和EMD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,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

电牵引采煤机故障诊断分析

为了对电牵引采煤机故障进行及时诊断,提出利用混沌Duffing振子和小波分析法对采煤机故障振动信号进行提取及分析。通过对比故障振动能量及正常振动能量,验证了故障诊断的可行性,为矿山实现智能化控制提供了一定的借鉴。     

改进小波能量分析法在轴承故障诊断中的应用

滚动轴承故障诊断的关键问题之一是如何有效准确地提取故障特征信息,为了更好地刻画各频带能量,提出了改进小波包能量算法,提取分解频带的能量在时间域上的分布,更好地刻画了能量随时间变化的分布。同时引入包络分析,更好地体现信号的间断点,从而提高故障信号分析的准确度。诊断实例验证了利用改进小波包能量法进行故障诊断的有效性。     

基于迁移学习的采煤机摇臂传动故障研究

针对传统故障诊断方法无法有效识别并自动分类实际工况中采煤机摇臂传动故障多的非线性、非平稳信号,提出一种基于迁移学习的采煤机摇臂传动故障诊断模型。基于迁移学习思想,构建基于深度迁移学习的采煤机摇臂传动故障诊断模型;采用多标签分类及sigmoid函数,对模型进行改进,实现对采煤机摇臂传动复合故障的识别与分类;最后,通过仿真实验验证了改进模型性能,并对比了提出模型与传统智能故障诊断模型DCNN、SVM、LSTM、CNN在迁移任务中的分类准确率。结果表明,相较于传统智能故障诊断模型,基于深度迁移学习的采煤机摇臂传动故障诊断模型具有更高的诊断精度,且收敛速度更快,可提高采煤机摇臂传动系统的工作可靠性。