基于高价值小样本的石化装置旋转机械故障诊断NN模型

针对石化装置旋转机械故障特征之间呈现模糊性和耦合性导致故障类型识别难的问题,提出基于高价值小样本的石化装置旋转机械故障诊断NN模型.依据故障特征拟合情况,提取高价值小样本故障特征;运用高价值小样本故障特征建立高效的NN模型,利用梯度搜索技术,使网络的实际输出值和期望输出值的误差最小,达到最佳分类效果.研究结果表明:高价值小样本故障特征的训练数据与测试数据具有高度的一致性,故障类型识别的准确率达到98.3％.该方法应用于石化大机组旋转机械表明方法简单有效,高价值小样本特征提取准确,故障识别能力强,可为石化大机组及其他大型设备旋转机械故障诊断提供指导.     

基于云模型与LSTM算法的旋转机械故障诊断研究

针对旋转机械故障率偏高,而人工参与故障诊断工作量大、效率偏低等问题,提出一种基于云模型与LSTM算法的旋转机械故障诊断方法。采用实验台采集振动故障原始数据,统一进行EEMD数据预处理,利用云模型进行故障特征数据提取,输入LSTM神经网络模型进行故障诊断。通过云模型和能量法进行特征提取,分别输入支持向量机和LSTM神经网络模型进行诊断结果对比。结果表明：云模型与LSTM算法的故障诊断准确率最高,达到98.75%,证明该方法能够有效应用在旋转机械故障诊断中。     

基于极限学习机的滚动轴承故障诊断方法

针对传统智能故障诊断方法所需调整参数多且难以确定、训练速度慢,致使滚动轴承故障分类精度、效率差的问题,提出了一种基于极限学习机的滚动轴承故障诊断方法。首先,将采集的信号经EMD后,提取与原信号相关度较大的IMF能量指标。其次,建立滚动轴承的极限学习机故障分类模型;最后,将能量指标组成的特征向量作为模型输入进行滚动轴承不同故障状态的分类识别。实验结果表明:与基于BP、SVM、PSO-SVM与GA-SVM故障分类方法相比,基于极限学习机的滚动轴承故障诊断方法具有更快的运行速度、更高的分类精度。     

基于EMD与卷积神经网络的滚动轴承故障诊断

为增强滚动轴承故障诊断过程的智能性,提高故障诊断的准确率,并适应大数据故障诊断的需求。文章提出了一种基于经验模态分解(EMD)及卷积神经网络(CNN)的滚动轴承故障特征提取的方法。即将滚动轴承振动信号进行经验模态分解后得到若干个模态分量(IMF),与原始振动数据一起构成二维的特征图,输入卷积神经网络中进行学习训练。最后通过与其他多种方法进行对比验证可以得出,该方法对滚动轴承多种类型多种严重程度的故障有着很高的识别准确率,并且识别过程更具智能性。且增加训练样本的数量可以提高该方法的鲁棒性,更加适合处理针对大数据的故障诊断。     

基于EMD和支持向量机的滚动轴承故障诊断研究

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,提高诊断准确率,进行了经验模态分解(EMD)和支持向量机(SVM)的研究,给出了相应的决策流程。基于改进的EMD分解的特征提取算法,选取故障特征明显的IMF分量进行特征提取,最大限度地滤除了低频噪声干扰,捕捉到信号的故障特征,然后将特征集输入到SVM分类器中进行识别,结果表明:该方法对于轴承故障识别具有较高的准确率,为确保轴承安全运行和快速故障诊断提供了理论支持。     

基于EMD-MPE与HMM的滚动轴承故障诊断

针对故障轴承的特征难以提取以及状态识别困难的问题,提出了基于经验模态分解(EMD)-多尺度排列熵(MPE)与隐马尔科夫模型(HMM)的滚动轴承故障识别方法。首先,运用EMD滤波降噪原理对滚动轴承振动信号进行降噪,而后将已降噪的信号进行多尺度排列熵分析并提取不同尺度下排列熵的较大值作为信号特征。最后,将特征信号向量输入已训练好的HMM模型进行故障类型判别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于EMD-MPE与HMM的滚动轴承故障诊断方法对滚动轴承的故障状态能够进行有效地识别。     

基于SSA-VMD和SVM的滚珠丝杠副故障诊断

针对滚珠丝杠副故障特征提取困难的问题,提出一种基于麻雀搜索算法优化变分模态分解算法（SSA-VMD）结合支持向量机（SVM）的滚珠丝杠副故障诊断方法。以最小包络熵作为SSA的适应度函数,对VMD参数进行自主寻优;运用IMF能量值对分解信号进行筛选重构,去除噪声和无关成分的干扰;最后提取重构信号的8类时域特征参数和5类频域特征参数作为特征向量集,导入SVM进行故障识别模型的训练。通过搭建滚珠丝杠副故障诊断实验平台采集振动信号,分别采用SSA-VMD、VMD、EMD方法进行信号分解提取故障特征。实验结果表明:与VMD和EMD相比,SSA-VMD能针对不同的信号自主选择最优的VMD参数进行信号分解,能准确识别滚珠丝杠副故障类型,证明了基于SSA-VMD的滚珠丝杠副故障诊断的可行性和准确性。     

基于GAF与GoogLeNet的轴承故障诊断研究

为提高滚动轴承故障识别准确率,同时避免繁琐的频谱分析,提出基于GAF与GoogLeNet的轴承故障诊断模型.在实验室中采集滚动轴承正常、内环故障、外环故障和滚动体故障4种工况下的振动信号,利用EMD对振动信号进行分解并提取累积贡献90％的分量;基于重叠采样原理,利用格拉姆算法将选择的EMD分量和原始振动信号处理为二维图...     

基于混合编程和结合特征提取方法的转辙机故障诊断系统开发

针对基于EMD、WPT的特征提取方法各自存在的问题,采用将EMD与WPT结合的信号分解方法用于包络特征的提取,保证信号的分解不仅具有较高的分辨率,并且能够避免虚假IMF分量带来的错误信息。在包络特征的提取及结合之后,采用了基于PCA的特征选择方法对缺陷信号的特征数据集进行最有效特征的分类识别。根据以上特征提取及识别方法,使用Matlab以及Labview的混合编程进行了面向S700K-C型电动转辙机的故障诊断系统操作,并通过应用试验证明了该系统能够准确、快速地提取出故障信号。     

EMD分解与多特征融合的齿轮故障诊断方法

为解决齿轮振动信号在现实中难以获取大量典型故障样本和分类的精确度低的问题,提出基于EMD分解与多特征融合的齿轮故障诊断方法。首先,提取反映信号特征的各项参数指标作为特征向量;其次,利用经验模式分解(EMD)对原始信号进行分解,进而提取分解后各本征模式分量(IMF)的能量指标组成特征向量;然后,将其与信号特征各项参数融合成特征向量组合,并将其作为SVM多故障分类器的训练样本进行训练,实现齿轮的智能诊断。通过实验室轴承的故障诊断研究表明:该方法对于齿轮的各种状态具有很好的分类精确度,更加有效地识别齿轮故障类型。     

基于云平台的旋转机械轴承监测系统设计

针对旋转机械监测中无法随时随地查看其运行状态，监测产生的数据量逐渐加大，以及故障特征提取困难的问题，以轴承作为关键部件，提出一种基于云平台的旋转机械轴承监测系统。系统采用温度和加速度传感器、STM32单片机获得轴承监测所需的数据；然后利用窄带物联网完成数据远程传输，并将其存储到云端数据库中；在云平台利用相关时域频域分析对轴承状态进行监测，并利用设计的一种多尺度一维卷积神经网络模型实现轴承的故障诊断；然后由Web浏览器显示轴承的运行状态和故障诊断结果。实验结果表明提出的故障诊断方法诊断准确率高、效果好，系统能够良好地运行。     

Continuous wavelet transform technique for fault signal diagnosis of internal combustion engines

A fault signal diagnosis technique for internal combustion engines that uses a continuous wavelet transform algorithm is presented in this paper. The use of mechanical vibration and acoustic emission signals for fault diagnosis in rotating machinery has grown significantly due to advances in the progress of digital signal processing algorithms and implementation techniques. The conventional diagnosis technology using acoustic and vibration signals already exists in the form of techniques applying the time and frequency domain of signals, and analyzing the difference of signals in the spectrum. Unfortunately, in some applications the performance is limited, such as when a smearing problem arises at various rates of engine revolution, or when the signals caused by a damaged element are buried in broadband background noise. In the present study, a continuous wavelet transform technique for the fault signal diagnosis is proposed. In the experimental work, the proposed continuous wavelet algorithm was used for fault signal diagnosis in an internal combustion engine and its cooling system. The experimental results indicated that the proposed continuous wavelet transform technique is effective in fault signal diagnosis for both experimental cases. Furthermore, a characteristic analysis and experimental comparison of the vibration signal and acoustic emission signal analysis with the proposed algorithm are also presented in this report.     

基于证据推理的旋转机械故障诊断模型

针对实际工况运行下的旋转机械各故障对应的量纲一的指标的范围难以严格区分的问题,提出了一种基于量纲一的指标和证据推理（Evidence Reasoning,ER）的旋转机械融合故障诊断模型。该模型利用ER算法在处理概率不确定性、模糊不确定性及非线性融合等方面的优势,通过信息变换技术将输入信号变换成信度分布结构,应用解析ER算法对输入数据进行融合,最后通过一种简单的决策规则得到诊断结果。实证分析结果表明：该方法可以有效地提高旋转机械设备故障诊断的识别率。     

基于EMD的滚珠丝杠振动信号滤波技术研究

针对磨削加工中滚珠丝杠振动信号低信噪比、非平稳特性,提出基于经验模式分解(EMD)的振动信号滤波方法。通过EMD将滚珠丝杠振动信号分解为多个平稳的固有模态函数(IMF),并选择包含振动信号特征的若干IMF分量重构,提高了振动信号的信噪比,实现了对振动信号的平稳性分析,得到了振动信号的本质特征,为磨削滚珠丝杠实时监测和故障诊断提供了有效的理论基础。并通过仿真及实验数据分析,验证了EMD滤波技术是表征振动信号的非平稳特征及提高信号信噪比的有效工具。     

基于深度LSTM残差网络的旋转机械故障诊断研究

伴随制造加工业对可靠度与精准度的需求不断提升,及时而有效地获取旋转机械的故障信息能够保证设备的正常运行。采用深度LSTM残差网络完成旋转机械的故障诊断,主要包含3个模块：初始数据处理层、SP-LSTM残差网络信号诊断层与GAP-ELM网络下的故障分类层。该方法能够完成初始数据的深层特征发掘,利用LSTM元中的记忆与遗忘门获取故障数据的细微变化。所采用的GAP-ELM网络可规避传统Softmax方法分类准确度不高的问题,从而有效完成故障诊断。通过CWRU集完成该方法与文献方法的实验对比,结果表明该方法的鲁棒性较好,诊断正常信号、滚动体与内外圈的故障信号准确率均优于文献方法,此外,所提方法可在较少的epoch中实现稳定,并随着epoch的增加,损失值会逐渐减小。     

基于峭度排序的特征构造在行星齿轮箱故障诊断中的应用研究

针对行星齿轮箱故障诊断中存在的故障诊断样本数少、故障诊断精度低等问题,提出一种经验模态分解(EMD)、峭度排序和BP神经网络相结合的故障诊断方法.该方法首先对原始振动信号进行EMD,然后对分解获得的固有模态函数(IMF)进行峭度排序;根据训练样本数自适应地选择对应的IMF,将对应IMF的能量值作为特征向量输入BP神经网...