共查询到20条相似文献,搜索用时 31 毫秒
1.
针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。 相似文献
2.
3.
4.
在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明:SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。 相似文献
5.
针对泵车液压泵早期故障特征信号微弱、故障特征难以提取的问题,提出了一种基于符号动力学信息熵与支持向量机(support vector machine,简称SVM)的泵车液压泵故障诊断方法。分别模拟了液压泵9种故障状态,测取了各状态下多测点的振动信号样本值。利用时间序列的符号动力学信息熵,计算各振动信号的符号动力学信息熵Hk,确定了各状态下相应的信息熵特征向量。建立了不同状态特征向量训练集,再结合支持向量机对液压泵故障模式进行诊断与识别,测试结果准确率为98.71%。将该方法与改进的BP(back propagation,简称BP)神经网络诊断结果进行了对比,结果表明该方法的识别率更高,诊断时间更短,适用于现场液压泵故障的在线诊断。 相似文献
6.
为提高齿轮故障诊断的准确率,提出了基于内禀尺度分量符号熵和ANNC的齿轮故障诊断方法。该方法利用局部特征尺度分解(LCD)对齿轮振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据符号熵能有效区分不同故障信号的复杂度,计算ISC分量的符号熵,获得原始信号多个尺度下的复杂度特征作为齿轮故障的特征参数;将该特征参数输入ANNC分类器中判断齿轮故障,实现故障诊断。齿轮故障诊断实验结果表明,所提方法能够有效地识别齿轮的典型故障,相比其他一些方法,具有一定的优势。 相似文献
7.
在分析了主元分析法的基础上,提出了PCA的故障诊断方法,利用小波变换对原始信号进行了预处理,提取了包含时域和频域特征参数构成的特征向量,应用PCA进行了故障诊断。对液压泵进行故障诊断,试验结果表明,时域和频域特征参数构成的特征向量很好反映了故障特征,该方法对液压泵故障诊断有良好的效果。 相似文献
8.
针对液压泵振动信号复杂且难以提取有效特征量的问题,提出一种基于局部保留投影(LPP)算法的故障特征提取方法。采用集总经验模态分解(EEMD)法对液压泵振动信号进行分解,从得到的内禀模态分量(IMF)中选取敏感分量,对敏感分量进行分析并从中提取液压泵故障高维特征向量,利用局部保留投影法对高维特征向量进行融合降维,提取隐藏在高维特征空间中的故障本质信息,即敏感特征向量。基于变量预测模型的模式识别(VPMCD)算法实现模式识别的良好性能,提出采用VPMCD算法实现液压泵故障模式识别。基于提取的敏感特征集,建立各状态敏感特征的变量预测模型,进而实现液压泵的故障识别,实测液压泵振动信号分析结果验证了所提出液压泵故障模式识别方法的有效性。通过对比分析验证了所提出方法的良好性能。 相似文献
9.
10.
液压泵振动信号具有非平稳性,需要一定的先验知识和专家经验从而实现故障诊断。为了实现对液压泵的智能故障诊断,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)和卷积神经网络(Convolutional Neural Network,CNN)的智能故障诊断方法。首先对振动加速度信号进行经验小波变换得到若干不同模态的内禀模态函数(Intrinsic Mode Function,IMF);其次,基于峭度的评价指标,筛选出故障特征丰富的6个IMF分量作为诊断用的数据源;然后利用CNN融合IMF分量,并自动提取相关特征;最后,将特征应用于分类器识别,从而实现液压泵故障的自动故障诊断。试验结果表明:该方法能够准确、有效的对液压泵的工作状态和故障类型进行分类。 相似文献
11.
基于小波包分析的液压泵状态监测方法 总被引:12,自引:0,他引:12
液压泵是液压系统中的关键部件,对其运行状态的监测与故障诊断对整个液压系统的可靠性具有重要意义。基于小波包分解和小波系数残差分析方法,提出一种利用液压泵出口压力进行液压泵故障诊断的方法。通过分析液压泵出口处压力信号的特征,利用小波包对压力信号进行频谱分解,提取液压泵的故障特征,建立不同频率范围的特征信号与液压泵不同故障因素的对应关系,为液压泵的故障诊断与定位提供依据。利用小波包能量残差判别液压泵的运行健康状态,并比较不同小波基函数在故障诊断时的敏感度。为减小小波分析时边界效应所引起的信号畸变,引入“滑动双窗口”的分析方法。试验结果表明,与快速傅里叶方法相比,基于小波包分解的残差分析方法可有效提高故障诊断的准确率,实现对液压泵的状态监测与故障诊断。 相似文献
12.
13.
14.
15.
《机械传动》2017,(4)
提出了一种基于本征模式分量投影图像分析的滚动轴承故障诊断方法,实现了滚动轴承故障的状态识别与程度识别,首先,依托经验模式分解方法(Empirical Mode Decomposition,EMD)对轴承故障信号进行分析,获取故障本征模式分量(Intrinsic Mode Function,IMF);其次,构建各个本征模式分量的时频三维灰度投影图像,引入基于灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)的纹理特征对三维投影图像进行分析;最后,通过主成分分析进一步压缩特征维度,并结合支持向量机(Support Vector Machine,SVM)实现了滚动轴承的故障诊断。研究从图像特征角度实现故障诊断,丰富了现有振动信号故障特征获取方法,实现了滚动轴承故障的状态识别与程度识别。 相似文献
16.
17.
刘振宇 《机械设计与制造工程》2018,(6)
液压泵由于自身的结构特点,故障信息微弱,依托单一信源进行故障诊断效果不佳。为此引入融合思想,探索一种面向多层级信息融合的液压泵故障诊断系统设计方法。首先对液压泵工作原理和故障模式进行研究,从不同层面对信息融合必要性进行具体分析;然后以此为基础,设计面向多层级信息融合的液压泵故障诊断系统基本框架,从数据层、特征层以及决策层研究、设计多层级信息融合模式,为改善液压泵故障诊断效果提供技术支持,为设备状态监测提供一种新的思路和方法。 相似文献
18.
《机械传动》2017,(11):173-177
针对滚动轴承的故障诊断问题,提出了基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)互近似熵(Cross Approximate Entropy,CAE)和相关向量机(Relevance Vector Machine,RVM)的滚动轴承故障诊断方法。该方法首先利用LCD将轴承振动信号分解成若干个具有不同频率成分的内禀尺度分量(Intrinsic Scale Component,ISC);然后通过能量筛选出包含主要故障信息的ISC分量,计算其CAE并作为故障特征向量以体现不同的运行状态;最后将故障特征输入RVM进行故障识别。滚动轴承不同类别和不同损失程度故障实验验证了该方法的有效性。 相似文献
19.
针对大型风力发电机组齿轮出现不同劣化故障时对应频率范围内能量会发生变化的特点,提出了利用经验模式分解(EMD)能量分布作为故障特征向量,灰色相似关联度作为故障模式识别算法的大型风力发电机齿轮劣化故障诊断方法。首先,对采集到的原始信号进行EMD分解,运用相关系数法对获得的本征模式函数(IMF)进行筛选,剔除无意义的IMF分量;然后计算有效IMF的能量及能量比,构造故障特征向量;最后,根据待识别状态特征向量和已知标准状态故障特征向量的灰色相似关联度大小判断齿轮劣化故障类型。通过实验对所提方法进行了验证,结果表明,该方法能有效用于大型风力发电机齿轮常见的劣化故障诊断。 相似文献
20.
针对自动机故障诊断过程中振动信号的非线性、非平稳性、非周期性导致的故障特征较难提取,以及故障识别率偏低这一问题,提出了一种基于多尺度样本熵和多变量预测模型(variable predictive model-based class discriminate,简称VPMCD)的自动机故障诊断方法。首先,对采集到的信号进行小波阈值降噪处理;其次,利用小波包分解的方法对振动信号进行分解,得到多个尺度下的信号分量;然后,计算不同尺度下信号的样本熵值,并提取对故障特征较为敏感的尺度因子,组成故障特征向量;最后,利用多变量预测模型对故障特征向量进行训练和识别,进而实现自动机的故障诊断。自动机故障诊断试验分析结果表明,利用多尺度样本熵和多变量预测模型的方法可以准确识别多种典型的自动机故障类型。 相似文献