基于信息融合的薄壁机器人轴承状态评估

针对薄壁机器人轴承的状态评估,提出了基于信息融合的评估方法。采集声发射(Acoustic Emission, AE)和振动加速度信号,并在时域和频域上分别提取两种信号的特征作为识别薄壁机器人轴承状态的特征参量,利用自组织特征映射(Self Organizing Maps, SOM)神经网络对AE和振动信号的特征信息进行融合。经过实测数据的分析与验证,结果表明,该方法能够有效地判断出薄壁机器人轴承的状态类型。     

变工况下基于信息融合的地铁牵引电机轴承故障智能诊断

针对传统滚动轴承故障诊断方法过于依赖先验知识和专家经验,以及单一信号对某些故障识别率偏低的问题,提出一种变工况下基于信息融合的地铁牵引电机轴承故障诊断方法.首先搭建滚动轴承试验与多信息采集系统;其次对地铁牵引电机轴承进行缺陷预制并采集轴承试验过程中的声发射和振动信号;然后用小波包分解对原始信号进行处理并提取特征,再用卷积神经网络对归一化后的特征信息进行融合;最后建立二维卷积神经网络模型,对不同工况下的地铁牵引电机轴承故障进行智能诊断.试验结果表明:变工况下基于信息融合的地铁牵引电机轴承故障智能诊断方法,可在载荷和转速变化的情况下准确识别轴承的故障类型,当神经网络训练集与测试集涵盖工况相同时,准确度可达100％.     

基于神经网络对轴承故障的智能诊断

已知试验轴承的故障特征参数与非故障特征参数,采用何种方法对采自实际应用场合的轴承信号进行判断和处理是问题的关键。对比感知器网络和径向基函数网络对轴承的诊断结果,证明径向基函数网络具有较多的优越性,便于实际应用。     

基于信息融合的风机喘振智能诊断方法研究

风机喘振问题一直是自控领域内一个人们较为关心的问题,其影响因素十分复杂,很难准确地用某个确切的数学模型来描述,常规的数学模型诊断法存在不可避免的缺陷.本文在分析信息融合技术基本理论及喘振发生机理的基础上,针对常规诊断法的不足,提出了基于神经网络信息融合技术的风机喘振智能诊断方法;重点研究了将神经网络技术应用于风机喘振故障特征的提取,该法充分利用时域内所采集到的数据,通过简单有效的运算,既可准确反映故障的类型,又易于实现.经仿真和实际样本验证,取得了良好效果.在上述研究的基础上,针对电厂风机,设计并开发出了一套智能故障诊断系统,该研究为设备的安全高效运行提供了强有力的保障.     

轴承故障的多源异构数据特征级融合诊断方法

为了实现轴承多源异构故障数据的特征融合,达到提高故障诊断精度的目的 ,提出了基于深度神经网络的多源故障特征融合方法.介绍了堆叠自编码器和卷积神经网络原理;使用堆叠自编码器提取了一维振动数据的故障特征,使用卷积神经网络提取了二维图像数据的故障特征;为了充分发挥多源异构故障数据的关联性和互补性,使用深度神经网络将一维数据特...     

多传感器信息融合的轴承故障迁移诊断方法

在重型装备低速、重载、强噪声环境下,采用单一传感器难以全面获取轴承的故障诊断信息,导致故障识别率低、识别不稳定,致使变工况下轴承故障迁移诊断失效。针对以上问题,提出了一种多传感器信息融合的轴承故障迁移诊断方法。首先,结合传感器的通道数,构建了堆叠卷积神经网络(MCNNs)提取各个通道的故障特征;然后,在MCNNs中引入最小绝对收缩与选择算子(Lasso),并通过网络反向传播完成了特征权值的更新,从而获得了多通道特征的融合;最后,利用源域数据对模型进行了训练,提取了故障特征,并完成了特征融合,采用损失函数完成了模型参数的优化,将源域训练得到的模型结果作为目标域的初始模型,利用目标域样本对初始模型的参数进行了微调,从而完成了模型迁移;并进行了信息融合效果、方法对比以及传感器信息采集属性的性能实验。研究结果表明：传感器的安装位置对信息融合影响较大,MCNNs+Lasso方法具有较好的特征融合效果,平均迁移诊断精度为99.03%,部分精度可达99.97%,在多个变工况的迁移任务中表现出较高迁移精度和良好的泛化性能。     

信息融合技术在托辊轴承故障诊断中的应用

将信息融合技术引入矿用输送机托辊轴承故障诊断中,通过对托辊轴承故障特征信息的提取,利用神经网络技术和Dempster-Shafer证据理论对其进行数据融合,实现对托辊轴承故障的融合诊断,并结合示例进行了详细论述。     

基于神经网络的信息融合故障诊断技术

利用神经网络技术建立信息融合中心 ,对多传感器数据进行融合处理 ,通过多源互补信息减小故障诊断系统的不确定性。文中讨论了神经网络多传感器信息融合方法中数据预处理与特征提取、特征向量维数压缩与关联、归一化处理方法等 ,同时 ,对神经网络的构造以及学习训练等内容 ,也作了较为详细的讨论。通过对柴油机振动监测数据、燃油压力波动信息、以及两者融合信息的故障诊断性能的比较 ,表明神经网络多传感器信息融合方法用于复杂机械的故障诊断是可行和有效的     

基于优化CNN与信息融合的地铁牵引电机轴承故障诊断

针对在单一传感器下轴承故障识别率低的问题,提出一种基于优化CNN与信息融合的地铁牵引电机轴承故障智能检测方法。首先,选取NU216轴承为研究对象,预制故障缺陷;然后,采用正交试验法设计试验方案,采集NU216轴承的振动信号和声发射信号;其次,将原始数据通过连续小波变换,分别提取轴承的振动和声发射信号的时频域特征,并将2类单通道数据进行融合,得到双通道融合数据集;最后,将得到的3类数据集分别划分为训练集和测试集,输入优化后的卷积神经网络模型进行训练、测试。试验结果表明,基于振动信号的故障诊断准确率为95.76%,基于声发射信号的故障诊断准确率为92.33%,基于融合信号的故障诊断准确率为98.59%。     

一种风力发电机轴承故障智能诊断方法

准确识别轴承故障是提高双馈风力发电机运行稳定性的重要手段,声音信号包含大量设备运行状态信息。该文人为预制4种不同的轴承故障,并将故障轴承安装在风力发电机上,在4种转速下对不同故障轴承的运行声音信号进行采集;对采集到的声音信号进行EMD分解,依据相关系数法选取分解的模态分量。基于混沌理论采用相空间重构法将一维数据序列转换为二维序列,利用CNN对二维序列进行特征提取与故障诊断。结果表明该方法对不同转速下滚动轴承故障能够实时准确识别。     

用神经网络技术诊断桥式起重机轴承故障

根据BP神经网络的滚动轴承故障振动诊断技术 ,利用信号的时域特征参数、频域和倒频谱的包络谱等特征参数作为神经网络的输入信号 ,建立起故障诊断系统 ,并进行故障诊断试验     

基于综合信息融合神经网络的轴承故障诊断

因轴承的工作环境恶劣,导致其故障多发,在对轴承故障进行快速诊断和定位时存在困难,为此,提出了一种基于综合信息融合神经网络的轴承故障智能诊断方法.首先,介绍了前置神经网络的工作原理,推导了前置神经网络的链接权值系数训练方法,制定了前置神经网络的算法流程;并基于D-S证据论和Dempster组合规则,设计了后置神经网络的故...     

基于嵌入式多参量传感器的智能轴承

提出了一种新型的基于嵌入式多参量传感器的智能轴承结构。多参量复合传感器包括2个微型振动加速度传感器、2个微型转速传感器和2个微型温度传感器。通过轴承外圈上的槽式结构,将复合传感器与轴承端面进行嵌入式结合,实现对轴承运转过程中水平和垂直地面两方向的振动信号、轴承转速信号、内圈(轴)和外圈温度信号的采集。对其原理样机进行了实验验证,验证结果表明,该智能轴承监测参数准确,其参数监测和故障诊断能力较传统的方式更具优越性。     

基于时域特征的风机轴承PSO-RBF故障诊断

为了提高风机轴承振动信号特征提取的效率和状态识别的可靠性,采用了一种基于粒子群优化的径向基（Particle Swarm Optimization-Radial Basis Function,PSO-RBF）神经网络模型的风机轴承故障诊断方法。从风机轴承的振动信号中提取17个时域特征构造特征向量,并分析特征向量的类可分性,将特征向量输入PSORBF模型,实现风机轴承状态的高可靠性判别分析。实验证明,所提方法具有较高的特征提取效率与识别精度。     

基于多分辨SVD包和MED的柔性薄壁轴承故障特征提取与诊断

柔性薄壁轴承安装到谐波减速器上时内外圈会受迫变形成椭圆,工作过程中会产生周期性的冲击信号,使得柔性薄壁轴承的故障特征信号提取变得更加复杂。为实现对柔性薄壁轴承故障特征信号的有效提取,提出了一种基于多分辨奇异值分解（SVD）包和最小熵解卷积（MED）的柔性薄壁轴承故障特征提取与诊断的方法。利用多分辨SVD包对采集到的振动信号进行分解,分解后选用前4层中信噪比最高的近似信号进行MED冲击特征提取处理,将处理后的信号与前4层的细节信号进行信号重构和频谱分析,得到故障特征频率,最后将得到的故障特征频率与理论计算值进行对比,判断出故障类型。和单独使用多分辨SVD包处理的实验效果相比,该方法对柔性薄壁轴承的故障特征提取效果更好。     

基于FFT-SDAE的地铁牵引电机轴承故障智能诊断

针对地铁牵引电机轴承故障诊断中因工况复杂影响人工提取特征效果的问题,提出了一种基于快速傅里叶变换(Fast Fourier Transform,FFT)和堆叠降噪自编码器(Stacked Denoising Auto Encoder,SDAE) (FFT-SDAE)的地铁牵引电机轴承故障智能诊断方法.首先,使用大量无标签数据预训练深度自编码器的特征提取能力,自适应提取轴承故障特征;然后,通过小样本有标签数据微调网络学习分类性能,搭建地铁牵引电机轴承的FFT-SDAE网络模型;最后,通过试验研究FFT-SDAE网络结构对轴承故障诊断准确率的影响,选取最佳网络参数.试验结果表明,在变转速和变载荷的情况下,所提方法可以很好地提取故障的深层特征,在使用工况较复杂的数据集时,所提方法的诊断准确率优于传统的故障诊断方法.     

基于神经网络信息融合的柴油机故障诊断

本文论述了神经网络信息融合的原理与方法,首先就BP网络训练速度慢,易陷入局部极小点的问题,提出将附加动量项与自适应学习速率相结合的改进BP算法,有效地抑制了网络陷于局部极小并提高了收敛速度。最后,将振动信号与血管压力信号作为特征参数,分别采用传统BP算法,改进BP算法对供油系统的三种故障进行信息融合诊断分析。实践表明,神经网络信息融合方法非常适用于多征兆机械系统的故障诊断。     

融合多传感器的工业机器人故障信息采集系统

由于工业机器人在频繁的运行中受到各种摩擦、振动、温度变化以及负载作用的影响,从而使设备出现故障的概率大大提升。为了更加全面掌握工业机器人的运行状态,采用ZigBee无线传输技术设计了融合多传感器的工业机器人故障信息采集系统。采集节点读取振动传感器、电机转速传感器和温度传感器采集的数据获取工业机器人不同部位的工况信息,然后通过ZigBee无线模块发送到接收装置。接收装置将工业机器人的运行状态信息进行解析,并将提取出来的特征信息与故障特征进行比对,从而对工业机器人进行故障诊断和预测。     

基于信息融合的机械故障诊断技术研究

机械故障诊断技术是一项跨学科的技术。将信息融合思想引入到机械故障诊断领域。基于现有的结论,描述了信息融合的一般过程,并提出了一种基于信息融合的故障诊断模型。     

基于支持向量回归的轴承故障定量诊断应用

针对轴承故障状态特征与故障大小之间存在非线性关系,提出利用支持向量回归机建立轴承故障大小与状态特征之间的定量诊断模型,并给出了基于支持向量回归的定量诊断策略和诊断流程。在获取轴承不同故障大小的特征量的基础上,建立了轴承故障定量诊断的支持向量回归模型,将其用于轴承故障的定量识别。结果表明,该方法能够有效地判断出故障的大小。进一步将该方法与人工神经网络方法比较,结果说明了支持向量回归方法在轴承故障定量诊断方面具有更好的适应性。