基于LCD和改进SVM的轴承故障诊断方法

针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。     

煤机设备轴承故障诊断方法

煤机设备滚动轴承早期故障特征微弱,且易受载荷、工况等因素的影响而被噪声淹没,导致轴承故障诊断困难。现有研究大多采用单一算法处理轴承故障信号,故障特征提取精度和故障诊断准确性有待进一步提高。提出了一种融合局部特征尺度分解（LCD）和奇异值分解（SVD）的煤机设备轴承故障诊断方法：采用LCD方法将煤机设备轴承振动信号分解为若干个内凛尺度分量（ISC）,实现信号初步降噪;计算各ISC的香农熵,选择香农熵最小的ISC进行SVD,并构建SVD信号的奇异值差分谱,针对最大突变分量进行信号重构,实现信号增强去噪;对重构信号进行Hilbert包络解调,得到轴承故障特征频率,进而判断轴承故障。采用现场实测数据对基于LCD-SVD的煤机设备轴承故障诊断方法进行验证,结果表明,该方法可准确提取出轴承故障特征频率,从而实现煤机设备轴承早期故障诊断。     

BP-LCD方法及其在滚动轴承故障诊断中的应用

针对局部特征尺度分解（Local Characteristic-scale Decomposition,LCD）方法中严重的端点效应,将BP神经网络应用到信号的延拓中,提出了一种提出基于BP神经网络延拓局部特征尺度分解（BP neural network endpoint extension Local Characteristic-scale Decomposition,BP-LCD）方法。该方法首先利用BP神经网络将待分解信号进行两端预测延拓,然后对延拓后的曲线进行LCD分解。通过仿真信号的分析,验证了该方法可以有效地抑制LCD方法中的端点效应;将该方法应用到实际滚动轴承的故障诊断中,结果表明了该方法的有效性。     

基于结构分析的局部Gibbs抽样自动推理算法

提出一种基于结构分析的局部Gibbs抽样的贝叶斯网络推理算法(S-LGSI).S-LGSI算法基于联合树算法的概率图模型分析思想,对贝叶斯网络进行精确分解,然后根据查询结点和证据结点生成具有强相关性的局部网络模型,进而对局部网络模型进行Gibbs抽样推理.与当前基于抽样的其它近似推理算法相比,该算法降低推理的计算维数.同时,由于局部抽样模型包含了与查询结点相关的重要信息,因此该算法保证局部抽样推理的精度.算法分析和在Alarm网的实验结果表明,S-LGSI算法较显著降低时间复杂度,同时也提高推理精度.S-LGSI算法应用于上海证券交易所股票网络的推理结果与实际情况基本一致,表现出较强的实用性.     

基于新小波阈值的轴承故障诊断方法

对于滚动轴承的故障分类方法抗干扰性差、准确率低等问题,文中提出一种新小波阈值的滚动轴承故障特征提取方法.通过计算每层分解后数据与原始数据的相关系数,改变调节因子,在不同分解层中选取阈值和阈值函数,达到寻求最优信噪比的目的.以型号为6205-2RS的滚动轴承故障信号为例进行仿真实验,对降噪后的频谱以及LS-SVM诊断结果...     

基于局部特征尺度分解与瞬时频率谱的齿轮故障诊断

齿轮故障振动信号具有非平稳、非线性特征,且可视为多个调幅-调频分量的叠加,单个调幅-调频分量的瞬时频率蕴含了齿轮的故障特征;为了将信号准确分解、获得单分量的瞬时频率,进而根据瞬时频率谱进行齿轮故障诊断,提出了局部特征尺度分解与瞬时频率谱相结合的故障诊断方法;该方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个瞬时频率有物理意义的内禀尺度分量,然后分别应用希尔伯特变换技术求取每个分量的瞬时频率,并对瞬时频率进行傅里叶变换得到瞬时频率谱,最后根据瞬时频率谱进行故障诊断;对齿轮断齿故障实验数据进行了方法有效性分析,分析结果表明:该方法不仅能够准确诊断出齿轮箱故障情况,还能定位发生故障的齿轮,该方法可有效地应用于齿轮故障诊断。     

基于条件局部均值分解与变量预测模型的轴承故障诊断方法

针对局部均值分解(LMD)方法在分解非线性、非平稳振动信号过程中存在的模态混淆现象,从而影响故障识别准确性的问题,提出了基于条件局部均值分解方法(CLMD)与模式识别变量预测模型(VPMCD)的故障诊断方法。该方法将数字图像处理的频率分辨率方法与LMD相结合,首先确定振动信号中所有局部极值点的频率分辨率,将振动信号分为低频率分辨率区域和高频率分辨率区域;然后对高频率分辨率区域进行LMD分解,可得若干乘积函数(PF)分量;最后用折线将所有PF分量连接起来,经滑动平均处理可得PF分量,提取PF分量的偏度系数和能量系数构成故障特征向量,用于VPMCD故障识别。将该方法应用于轴承故障诊断,实验结果表明,与LMD方法相比,识别效率提高了8.33%,表明了该方法的有效性和可行性。     

基于KNN-EMD算法的机车轴承故障诊断方法

机车滚动轴承发生故障时信号是非平稳的,故障发生在不同部位时,其振动信号能量分布不同.传统KNN算法中,欧式距离主要针对空间中两样本点间的距离计算,对空间中不同位置分布间的相似性度量难以实现有效判断.针对上述问题,将一种相似度度量Earth Mover's Distance (EMD)引入到KNN算法中,代替传统的欧式距离对故障部位进行分类.该上述方法使用'db3'小波对轴承震动信号进行三层小波包分解,并计算第三层各结点能量作为该信号的能量分布特征.计算能量分布间的EMD,根据EMD大小对分布间的相似度进行判断.结合KNN中多数表决分类决策对故障部位进行定位.仿真结果表明,所提方法诊断准确率达到99.23％,相较于传统KNN诊断方法在诊断准确率上提升了0.77％.该方法能够准确有效地诊断滚动轴承故障,可以应用到工业生产中.     

一种煤矿机械轴承故障诊断方法

针对现有煤矿机械轴承故障自适应诊断方法易受高频噪声和间断噪声干扰而导致原始信号分解和特征提取精度较低的问题,提出了一种基于改进局部均值分解的煤矿机械轴承故障诊断方法。该方法在局部均值分解方法的自适应分解部分采用噪声辅助分解方法,将高斯白噪声加入原始信号,然后进行局部均值分解,以抑制高频噪声及间断噪声对信号分解的影响;在特征参数提取部分对乘积函数分量进行Hilbert变换,然后进行特征参数提取,以实现在全部取值范围内提取特征参数。仿真及测试结果表明,该方法对轴承故障信号分解和特征参数提取的效果较好,对轴承内外圈故障诊断的准确性较高。     

基于ISCNN-LightGBM的轴承故障诊断

在传统卷积神经网络与分类器相结合的故障诊断方法中, CNN用于故障特征提取时, 存在着提取的特征质量不高与运行时间较长的问题. 针对以上问题, 本文提出了一种基于改进单层卷积神经网络及LightGBM的故障诊断模型. 该模型通过将特征距离函数嵌入CNN的损失函数中, 提升了CNN特征提取的能力, 增强了CNN与后续分类器之间的联系, 从而提升了整体模型的故障诊断能力. 于此同时, 经过改进的单层的卷积神经网络进一步缩短了模型运行的时间, 提升了模型的诊断效率. 通过对两个不同的公共数据集进行对比实验, 其结果表明, 本文所提诊断模型对多种轴承故障的诊断准确率与诊断效率显著高于其他诊断模型.     

基于岭回归的RVPMCD滚动轴承故障诊断方法

针对多变量预测模型模式识别方法中的最小二乘拟合可能出现病态的问题,提出了基于岭回归的多变量预测模型（Ridge regression-Variable Predictive Model based Class Discriminate,RVPMCD）分类方法,该方法通过引入岭参数,降低其均方拟合误差,减小自变量间复共线性关系对参数估计的影响,改善了原方法中最小二乘回归拟合参数失真的现象,从而有望建立更加准确的预测模型。对滚动轴承的振动信号提取特征值,组成特征向量,采用RVPMCD方法对训练样本建立预测模型,利用RVPMCD所建立的预测模型进行模式识别。实验分析结果表明,基于岭回归的多变量预测模型分类方法可以更有效地对滚动轴承的工作状态和故障类型进行识别。     

基于蝙蝠算法优化相关向量机的轴承故障诊断方法

由于轴承振动信号具有复杂性和非线性,难以有效提取故障特征,影响故障诊断的准确率.为了提高故障诊断准确率,提出一种蝙蝠算法(BA)优化相关向量机(RVM)的轴承故障诊断方法.首先结合变分模态分解和多尺度熵从轴承振动信号中提取出故障特征,作为相关向量机的输入向量;接着采用蝙蝠算法优化相关向量机的核函数参数;然后训练相关向量...     

基于改进阈值和小波包的轴承故障诊断方法

为了准确有效地确定滚动轴承的故障部位,提出一种轴承故障诊断的新方法。用改进的小波阈值法对轴承振动信号进行降噪处理,对去噪后的信号进行小波包分解与重构,提取各重构子带内的信号特征作为故障诊断的样本,依据各子带信号的能量分布特征判断轴承的故障部位。在MATLAB环境下对SKF6205-2RS轴承的典型故障进行了仿真研究,结果表明改进的阈值法相比于传统去噪方法有较好的去噪效果,小波包能够准确提取信号的故障特征,能够提高轴承故障检测的准确性和有效性。     

基于SVD-AR模型与VPMCD的轴承故障诊断方法

针对强噪声背景下振动信号故障特征难以提取的问题,提出了基于奇异值分解的自回归(SVD-AR)模型,用于提取振动信号的特征,并与变量预测模型模式识别(VPMCD)方法相结合应用于轴承故障诊断.对轴承振动信号进行SVD;然后,利用奇异值差分谱对分量信号进行筛选,对能够反映故障信息的分量信号建立AR模型,提取轴承振动信号的特征信息;采用VPMCD对滚动轴承运行状态进行识别.实验证明了方法的合理性和有效性.     

基于EMD小波包和ANFIS的滚动轴承故障诊断

为了有效识别出滚动轴承的内圈故障、外圈故障、滚动体故障三种故障类型,提出一种基于经验模态分解EMD的小波包去噪和自适应神经模糊推理系统ANFIS的诊断方法。对故障信号进行去噪预处理,对已处理的信号利用ANFIS进行故障识别。结果表明,采用基于EMD的小波包去噪方法能有效地提高信噪比,在去噪的基础上,采用ANFIS进行故障诊断,诊断结果的误差低,能很好地识别出上述三种故障类型。     

基于动态卷积多层域自适应的轴承故障诊断

现有基于深度学习的轴承故障诊断方法对数据具有一定的依赖性,要求训练数据与测试数据具有相同的分布。在变工况的条件下,网络模型的故障诊断精度会因数据分布发生变化而下降。为保证网络模型能够在变工况条件下对轴承的健康状态进行准确识别,基于无监督域自适应理论,提出一种新颖的智能故障诊断网络模型——动态卷积多层域自适应网络。该网络一方面充分利用动态卷积强有力的特征提取能力,提取更多有效的故障特征;另一方面采用相关对齐实施非线性变换,同时对齐多层故障特征分布的二阶统计量,促进源域的诊断知识向目标域迁移,提高了模型在目标域无故障标签条件下的故障识别准确率。最后,在两个数据集共14个迁移任务下进行实验,实验结果表明,动态卷积多层域自适应网络能够实现较高的故障诊断识别精度。     

基于卷积神经网络的滚动轴承故障诊断方法

为了简单、准确地进行轴承故障诊断,结合深度学习理论,对基于卷积神经网络的滚动轴承故障诊断方法进行了研究;首先,选用了结构相对简单的LeNet5卷积神经网络;然后,对轴承振动信号原始数据进行截取和归一化处理后直接生成生成二维矩阵作为神经网络输入;接着,优选卷积核大小、批大小、学习率及迭代次数等网络模型参数;最后,应用sigmoid函数进行多标签分类;实验结果表明,该方法能有效识别正常状态及不同损伤程度下的内圈、外圈、滚动体故障状态,识别准确率达到99.50%以上水平;基于卷积神经网络的滚动轴承故障诊断方法不仅在一定程度上可以简化故障诊断的过程,而且可以充分利用卷积神经网络模型的优势实现高效准确地故障诊断。