基于小波包和PSO-BP的风机滚动轴承故障诊断

为了识别风电机组运行过程中滚动轴承的运行状态并提高故障诊断率,该文提出了一种基于小波包分解和粒子群算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承4种故障状态下的振动信号为研究对象,首先,采用小波包对振动信号进行分解、重构,提取各故障状态下的故障特征向量,将其作为BP神经网络模型的输入值。其次,针对BP神经网络的缺点,通过粒子群算法优化BP神经网络的权值和阈值构建PSO-BP故障诊断模型,试验结果表明,基于小波包和PSO-BP的方法能够很好地提高风电机组滚动轴承故障模式识别的准确率。     

基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机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变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于量子遗传算法优化RVM的滚动轴承智能故障诊断

提出了基于量子遗传算法(QGA)优化相关向量机(RVM)核函数参数的方法,通过仿真比较了量子遗传算法与其它方法在核函数参数优化方面的性能,结果表明基于量子遗传算法优化出的算法性能优于其它方法的优化性能。将基于量子遗传算法优化的相关向量机(QGA-RVM)应用于滚动轴承的故障诊断;采用总体平均经验模态分解(EEMD)将滚动轴承故障信号自适应地分解成多个内禀模态函数(IMF),将IMF能量作为故障特征输入到QGA-RVM进行最终的故障诊断。结果表明,该方法能够快速准确地诊断出滚动轴承故障,验证了该方法的有效性和稳定性;此外,通过与支持向量机(SVM)的对比分析,显示了RVM在智能故障诊断应用中的优越性。     

基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

卷积型小波变换的实现及其在机械早期故障诊断的应用

为消除Mallat算法存在的频率折叠等固有缺陷对机械故障诊断的不利影响,本文提出采用卷积型小波变换进行机械故障诊断。基于此,本文首先推导了卷积型小波变换快速分解算法,并给出其基于滤波器组的递归分解实现方法。其次,针对滚动轴承早期故障诊断与定量识别的难题以及共振解调法与冲击脉冲法的不足,本文提出一种将卷积型小波变换与共振解调法、冲击脉冲法相结合的新方法来对滚动轴承早期故障进行诊断与定量识别,并给出了其具体实现过程。仿真实验与实例分析表明：卷积型小波变换确实消除Mallat算法的固有缺陷对机械故障诊断的不利影响,比内积型小波变换更适合于机械故障诊断,并且本文提出的新方法可以有效实现对滚动轴承早期故障的诊断与定量识别,具有一定的工程应用价值。     

基于VMD和卷积神经网络的变工况轴承故障诊断方法

针对变工况条件下轴承故障数据无法大量获取以及诊断困难的问题,提出了基于变分模态分解和卷积神经网络的轴承故障诊断方法,使用稳态工况获取的数据训练,能对变工况下的数据实现有效诊断。首先对轴承振动信号进行变分模态分解,以获得有限带宽的固有模态函数;然后构建卷积神经网络模型,采用优化技术提高模型适应性,实现对固有模态函数的自适应特征提取和分类;最后使用台架试验获得的滚动轴承故障数据进行验证,并与深度残差网络和支持向量机进行对比。结果表明,该模型对变工况数据的诊断/识别率达到100%/98.86%,高于对比模型的测试结果,有效实现了变工况轴承故障诊断。     

基于Littlewood-Paley小波支持向量机的故障诊断

提出一种基于Littlewood-Paley小波支持向量机(LPWSVM)的旋转机械故障诊断模型。首先将故障信号EMD分解为平稳IMF分量,再选择表征故障调制特征的IMF分量并构造瞬时幅值Shannon熵作为故障特征矢量输入到LPWSVM中进行故障识别。EMD分解可自适应分离故障调制信号;瞬时幅值Shannon熵矢量的不同拉大了各类故障的互异性;Littlewood-Paley小波核是一种具有平移正交性的多维允许支持向量核函数,可以其正交性逼近二次可积空间上的任意函数,具有良好的非线性映射能力,因而LPWSVM在同等条件下比一般最小二乘支持向量机的学习精度和自适应识别能力要高,更适用于故障诊断等复杂模式识别问题。一个滚动轴承故障诊断实例说明该模型的有效性。     

基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断

滚动轴承故障诊断是提高设备利用率、降低运行及维护成本关键。最小二乘支持向量回归机为有效的故障诊断方法,为解决其参数选取受限于主观经验问题,将萤火虫群算法用于惩罚系数C与核参数σ寻优,提出基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断方法。实验结果表明,该方法能对滚动轴承故障位置及程度进行准确诊断,与常规最小二乘支持向量回归机、BP神经网络相比精度更高,由此验证该方法的可靠性。