基于倒谱预白化的轨道车辆轴箱轴承故障诊断

轴箱轴承作为轨道车辆的关键旋转部件之一,起着承载、减磨、降阻的作用。基于振动信号的轴承监测方法,将成为轨道车辆轴承状态在线监测的发展方向。在信号预白化的理论基础上,提出了基于倒谱编辑预白化的轴承故障诊断方法,该方法使用实倒谱定位和编辑原始信号的对数幅值,去除不想要的离散频率分量,然后结合原始相位信号和编辑后的幅值重构时域信号,再对时域白化信号进行频谱分析。试验结果表明,倒谱预白化与传统包络谱解调分析都能有效检测轴箱轴承故障,但倒谱预白化不需要进行滤波频带选择,具有简单实用的优点,验证了该方法在轴承严重故障和微弱故障诊断方面的有效性。     

基于阶次跟踪和HHT瞬时相位法的轴承故障诊断

提出了一种基于阶次跟踪和HHT(Hilbert-Huang transform)瞬时相位法的轴承故障诊断新方法。对齿轮箱启动时的振动信号进行角域重采样,并对角域里的信号进行经验模态分析(EMD)分解得到多个固态模态函数(IMF)分量及其各自的瞬时相位谱,最后对包含故障信息的瞬时相位分量进行了快速傅里叶变换(FFT)。结果表明,该方法能对轴承的故障部位和类型进行准确诊断。     

阶次跟踪和时域指标联合分析在齿轮箱故障诊断中的应用

风电机组大多运行在山区、戈壁、近海等环境恶劣地区,其时变工况的特性导致风电机组齿轮箱振动信号非平稳和多路径调制特点,而传统的傅里叶变换在分析此类信号时就力不从心,另外故障的劣化程度也不能及时的跟踪.提出了一种阶次跟踪和时域指标联合分析的齿轮箱故障诊断的新方法,阶次跟踪可以消除转速波动对故障频率的影响,特别在低速重载齿轮...     

适用于轴承故障诊断的数据增强算法

针对在轴承故障诊断中存在的故障数据较少、数据所属工况较多的问题,提出了一种基于阶次跟踪的数据增强算法.该算法利用阶次跟踪中的角域不变性,对原始振动信号进行时域重采样从而生成模拟信号,随后重新计算信号的幅值来抵消时域重采样以及环境噪声对原始信号能量的影响,最后使用随机零填充来保证信号在变化过程中采样长度不变.对比实验表明...     

基于谐波匹配补偿和无键相阶次跟踪的轴承故障诊断

煤矿机械设备轴承在强冲击、大载荷工况下产生的振动信号表现出强烈的瞬态非平稳与局部非线性特性。经典的时域统计分析方法和全局域变换方法难以识别故障特征;传统阶次跟踪方法存在设备安装不便、难以获取瞬时频率的问题;传统的无键相阶次跟踪方法在转速波动剧烈的条件下估计出的瞬时频率精度低,导致故障识别效果差。针对上述问题,提出了一种基于谐波匹配补偿和无键相阶次跟踪的轴承故障诊断方法。首先,利用基于谐波匹配补偿的时频分析方法对轴承振动信号进行处理,准确估计瞬时频率;其次,通过Vold-Kalman滤波方法自适应提取谐波分量信号;再次,采用Hilbert变换计算谐波的瞬时相位,进而获得时间域与角度域的映射关系,完成原始时间域信号在角度域的重采样;最后,对重采样的信号进行快速傅里叶变换,通过分析包络阶次谱,实现轴承故障特征识别。仿真和试验结果表明,该方法估计的瞬时频率与实际值之间的最大相对误差不超过1%,表征轴承故障特征阶次准确且明显,可有效诊断轴承故障。     

S能量谱特征提取在轴承故障诊断中的应用

准确提取振动信号的特征,是滚动轴承故障检测的关键问题,为此提出一种基于S能量谱特征提取的故障诊断方法。该方法对振动信号进行S变换,得到时频矩阵,并构建S能量谱,对S能量谱进行奇异值分解（Singular Value Decomposition,SVD）分析,得到能够反映S能量谱特征的奇异值,利用变量预测模型（Variable Predictive Model based Class Discriminate,VPMCD）方法,通过建立特征值之间的内在关系,构建故障识别模型。将所提方法应用于滚动轴承故障检测,实验结果表明,S能量谱特征提取轴承故障诊断方法具有较高的正判率。     

基于MED和边际谱的自动倾斜器轴承故障诊断

针对直升机自动倾斜器轴承早期微弱故障特征易被强烈背景噪声淹没的问题,提出了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)和边际谱的自动倾斜器轴承故障诊断方法。采用MED对采集的振动信号进行滤波降噪,提高了信号的信噪比,突出了轴承早期微弱故障特征;通过Hilbert变换和经验模态分解(Empirical Mode Decomposition,EMD)获取去噪包络信号的本征模态函数(Intrinsic Mode Functions,IMF)集,并引入峭度筛选准则选取合理IMF集计算局部Hilbert边际谱,有效地提取了故障特征频率,能够通过故障特征频率进行故障类型判别。通过某型直升机自动倾斜器故障诊断试验系统验证了该诊断方法的合理性和可行性。     

基于Matlab的轴承故障诊断系统设计

采用Matlab编程实现了一个轴承故障诊断图形用户界面(GUI)系统.系统功能:(1)轴承故障特征频率的理论值计算;(2)轴承振动信号的波形显示;(3)轴承振动信号的功率谱分析;(4)基于Hilbert变换的故障特征频率检测,据此判断故障类型.利用该系统对实际的轴承振动信号进行检测,结果表明,该系统可准确地识别轴承外圈和内圈故障,且其设计过程可作为DSP课程中的教学案例.     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

粗糙集理论在滚动轴承故障诊断中的应用

粗糙集是一种软计算方法,它不需要任何先验知识和理论推导,仅依赖于原始数据,从数据中发现潜在规律和隐含规则,其核心任务是数据约简,得到最简决策规则。文章基于粗糙集理论的可辨识矩阵算法,对滚动轴承故障信息表进行属性约简和属性值约简,得到了精简的诊断规则,从而方便了信息的机器处理,也为基于规则的滚动轴承智能故障诊断系统提供了一种更为简单的知识库自动构造方法。     

小波理论在滚动轴承故障诊断中的应用

主要研究小波变换消噪的性能,以及循环自相关函数分析算法。在理论分析的基础上,对多组实测信号进行了基于小波阈值消噪的自相关函数分析,通过仿真结果,指出对自相关函数幅值进行谱分析,可有效提取出滚动轴承故障特征频率并抑制其他频率成分的干扰,仿真结果证明了该方法的有效性。     

基于灰关联理论的滚动轴承故障诊断研究

针对实际工程中滚动轴承故障的复杂灰特性以及不确定性问题,提出了基于灰关联理论故障诊断方法。灰关联理论具有"小样本、贫信息、不确定性"问题处理能力强、计算复杂度低等优点。通过对灰关联原理、灰关联系数与分辨系数的关系,以及分辨系数的性质和取值原则的研究,成功地将灰关联理论应用于滚动轴承的故障诊断。仿真实例研究结果表明,灰关联故障诊断方法计算简单、诊断结果与定性分析结论一致,便于形成知识库中的规则,对工程实践具有理论指导作用,且对样本数量及其分布规律没有特殊要求,有较大实用价值。     

极值域均值模式分解在轴承故障诊断中的应用

为了研究滚动轴承信号的非平稳特征,提出了将局域波方法和Parzen窗概率神经网络相结合的故障诊断方法.分析了局域波时频分析中极值域均值模式分解方法的改进方法,并提出了一种筛选停止准则.对分解所得分量,提取平均瞬时频率和能量比作为故障特征向量构造神经网络,进行状态判断.通过对现场采集的滚动轴承信号进行分析,说明了该方法的...     

基于DCT和GA-SVM的轴承故障诊断

针对轴承故障振动信号特点,提出一种基于离散余弦变换(DCT)、遗传算法(GA)和支持向量机(SVM)的轴承故障诊断方法.利用DCT的能量聚集性在广义频域建立原始特征向量集,运用GA以SVM的最低分类错误率为目标函数建立故障特征向量集,使用SVM完成轴承故障诊断.分别对轴承内圈故障、外圈故障、滚动体故障进行故障诊断,结果表明,该方法能够准确诊断轴承故障.     

基于MCNN-BiGRU-Attention的轴承故障诊断

传统的故障诊断方法在对轴承故障进行判定时, 存在特征提取不充分, 时序特性运用不完全且计算较为复杂的问题. 对于此问题, 本文提出一种基于多尺度卷积神经网络(multi-scale convolutional neural network, MCNN)、双向门控循环单元(bidirectional gated recurrent unit, BiGRU)和注意力机制(attention)的组合诊断方法. 该方法首先使用MCNN对信号数据进行多尺度特征提取, 在空间层面上, 实现了对特征的进一步提炼. 其次使用了BiGRU网络, 在时间层面上, 从正反两个方向获取时序关系. 接下来引入注意力机制, 忽略一些与结果不相关的信息并且降低信息丢失的风险以提高精度, 在经过全连接层创建映射后, 最后通过Softmax分类方法完成轴承故障诊断. 本文通过实验, 与LSTM模型、GRU模型、SVM模型、CNN-BiGRU等模型进行对比, 实验结果表明, 本文提出的模型相比以往提出的模型准确率更高, 单一工况下的故障诊断准确率达到了98.1%, 多工况条件下平均准确率达到了97.8%.     

多级神经网络的轴承故障诊断研究

针对工业生产中轴承故障发生率高、危害大、不易察觉等问题,提出一种由改进的感知器、动态路由算法和随机优化算法集成的多级神经网络故障诊断模型。通过随机等间隔无重复采样的方式对轴承振动信号数据库进行扩充,并根据故障类型做好对应标签;通过改进的多层感知器提取故障特征,由动态路由算法对所提取特征进行预测分类,进而由损失函数得出分类误差,在误差反向传播中由自适应学习速率算法筛选学习速率,并由随机优化算法（Adam）更新权值以优化网络模型。最后进行轴承故障分类的数值仿真实验,结果表明该故障诊断模型能实现高精度轴承故障诊断与分类。