基于IMF频带能量特征和支持向量机的发动机故障诊断

本文对发动机缸盖振动信号进行EMD分解,对选取出的IMF分量进行快速傅里叶变换,对其频谱进行频带划分并将各频段信号的能量累加组成的向量作为故障分类的特征向量,应用支持向量机算法对发动机活塞不同程度的故障进行识别。实验结果表明:基于IMF频带能量特征和支持向量机的方法能够对发动机活塞不同程度的故障进行识别。     

基于小波包和BP神经网络的发动机故障诊断

本文通过对缸盖表面的振动信号进行小波包分解并重构,求出各分量的能量并归一化作为特征参数,输入到BP神经网络中进行诊断和识别。实验结果表明:基于小波包分解和BP神经网络的方法能够实现对发动机气门不同故障程度进行识别。     

基于EMD—Gabor变换的发动机故障诊断

以连杆轴承为研究对象,对振动信号进行经验模态分解(Empirical Mode Decomposition,EMD)分解得到若干本征模态函数(Intrinsic Mode Function,IMF),通过能量占比法选出最优的IMF分量并对其进行Gabor变换,提出了一种基于EMD—Gabor变换的信号分析方法。通过分析频带能量累加曲线随连杆轴承不同故障程度的变化,提取出能够反应连杆轴承不同故障程度的频带能量,以此作为特征向量结合BP神经网络算法进行故障识别。     

滚动轴承故障程度识别与诊断研究

通过滚动轴承模拟故障试验台,获取了滚动轴承外圈、内圈和滚动体不同剥落程度时的振动信号,并对故障程度的识别与诊断进行了探索.采用经验模态分解方法对轴承信号进行分解,得到其固有模态分量,然后将前8阶分量的有效值作为特征向量输入BP神经网络,进行故障程度识别与诊断,滚动轴承3种类型不同程度的故障被准确地区分出来.     

小波神经网络在柴油机异响故障诊断中的应用

由于活塞敲缸响和活塞销响是两种常见的、却难以区分的柴油机异响故障，这里对EQ6BT柴油机这两种故障的缸体振动信号进行Morlet连续小波变换，作出小波变换系数的尺度-能量谱，并提取出尺度为3～20范围内的最大尺度能量作为BP神经网络的输入向量，实现了对该柴油机两种异响故障的诊断。结果表明，利用文中所设计的小波神经网络能非常准确地诊断出EQ6BT柴油机活塞敲缸响、活塞销响两种异响故障及其故障的严重程度。     

EMD和SOM神经网络在燃气发动机故障诊断中的应用

提出了EMD和SOM神经网络相结合的燃气发动机故障诊断方法。将燃气发动机振动信号进行EMD分解,提取前几个IMF分量的能量构成故障诊断的特征向量,输入SOM网络进行聚类,再将测试样本输入训练好的网络模型进行故障识别,网络输出结果采用U矩阵图法进行显示。对燃气发动机正常、气门间隙大、排气阀漏气3种状态的信号分析结果表明,该方法可以有效地提取非平稳信号的故障特征,网络模型结构简单,对大数据量样本的聚类与识别准确率高,输出结果清晰、直观、可视性强,该方法为燃气发动机故障诊断提供了新的途径。     

EMD分解、分形理论和RBF神经网络相结合的轴承智能故障诊断研究

准确快速的诊断并解决机械设备中的常用组成部件滚动轴承的故障对机械设备和生产至关重要。为了对滚动轴承进行准确的智能诊断,将EMD分解、分形理论和神经网络有机结合,通过运用EMD对信号进行提取和分解,得到其IMF分量,然后画出各IMF分量的关联积分双对数曲线图并从中得出信号的关联维数,借助关联维数并运用RBF神经网络对轴承的状态进行分类和识别,达到智能诊断的目的。实例分析表明EMD分解、分形理论和RBF神经网络相结合能够有效的减少非线性分量对故障信号的干扰并准确识别滚动轴承的故障类型,证明了三者结合的智能故障诊断有效可行。     

基于IMF能量矩和神经网络的轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种本征模函数(Intrinsic Mode Function,简称IMF)能量矩的特征向量提取法,并与BP神经网络相结合用于滚动轴承的故障诊断.该方法首先利用经验模态分解(Em-pirical Mode Decomposition,简称EMD)方法.把振动信号分解为若干个IMF,再将重要的IMF分量作基于时间轴的积分,得到IMF能量矩特征向量,最后借助BP神经网络的分类能力对特征向量进行分类.对滚动轴承的正常状态、外圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.     

基于小波包神经网络的发动机振动信号分析

为了有效地对发动机运行状态进行监测,提出了一种基于小波包和神经网络相结合的发动机故障诊断方法。以某微型车用汽油发动机为研究对象,建立基于振动信号分析的测试试验系统,采集发动机正常工况和故障工况的振动特征参数。通过小波包对其进行分解和重构,提取出表征发动机工作状况的特征向量,作为训练样本数据和检验样本数据,输入BP神经网络并对其进行训练, 实现了对所设发动机故障类型进行良好识别的预期效果。     

多重分形去趋势波动分析在滚动轴承损伤程度识别中的应用

为了评估多重分形去趋势波动分析(MFDFA)在滚动轴承损伤程度识别中的性能,采用MFDFA计算了轴承故障信号的多重分形谱,多重分形谱的左右端点和极值点可以近似描述多重分形谱的形状和位置,提取这三个特征点的坐标作为刻画轴承动力学行为的特征参数。将MFDFA、4个常用的时域统计参数、小波变换(WT)方法和经验模态分解(EMD)方法分别用于识别轴承滚动体和外圈损伤的严重程度,然后分别采用马氏距离判别法、BP神经网络和支持向量机对WT、EMD和MFDFA所提取的特征参数进行分类,并比较了这些方法在故障分类中的效果。结果表明,马氏距离判别法与MFDFA的组合以及支持向量机与WT或EMD的组合可以获得较好的轴承损伤程度识别结果。研究结果进一步验证了早期工作的结论。     

运用遗传算法优化神经网络的发动机故障诊断

为了对发动机故障进行正确诊断,可采用BP神经网络方法建立发动机故障诊断模型,但由于BP神经网络存在收敛速度慢及网络泛化能力差的缺点,易影响发动机故障诊断正确率。为了提高网络正确识别能力和泛化能力,采用遗传算法对神经网络的权值和阈值进行优化,网络误差满足要求后,用BP神经网络方法进行修正,从而使网络误差达到最小。将该算法应用于发动机故障诊断中,结果表明,该方法诊断故障误差更小且收敛更快。     

能量法对活塞销力信号的故障诊断

利用Pro/E软件建立单缸发动机参数化模型,导入ADAMS仿真分析不同工况且不同活塞销状态下工作情况,然后对数据进行了基于能量法的分析,得出活塞销故障诊断方法。能量值发生阶跃以及能量处于不稳定状态是活塞销的故障特征之一。     

小波包与改进BP神经网络相结合的齿轮箱故障识别

应用小波包分解技术提取齿轮箱振动信号中的故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立了齿轮箱运行状态分类器,用以识别齿轮箱的运行状态。试验结果表明,小波包分解与神经网络相结合的齿轮箱齿轮故障识别方法是可靠的,可以准确识别齿轮箱的故障。     

基于BP-AdaBoost的耦合碰摩故障特征识别研究

旋转机械故障诊断研究中,采用BP神经网络容易陷入局部极小点而无法得到全局最优解,导致对耦合碰摩故障分类识别率不高的问题。研究了经验模态分解方法和BP-Ada Boost方法,结合二者优点,提出了一个故障识别的新方法,首先为了去除背景信号和噪声信号,选用经验模态分解方法来分解转子的振动信号,得到转子系统碰摩信号的主要故障特征,然后用BP-AdaBoost模型对3种不同工况进行识别。基于实验数据的分析表明方法的识别率要优于BP神经网络。     

基于小波包和ElmanNN的滚动轴承故障识别

针对提取滚动轴承故障特征向量信号和识别故障类型的问题,为了提高诊断准确率,提出了基于小波包分析与BP算法权值修正的Elman神经网络的策略。基于MATLAB强大的数值分析功能,采集到的故障信号经过小波包分解与重构获取能反映不同故障状态的本征模态函数(Intrinsic modal function,IMF)分量。通过Elman神经网络辨识技术,将各频带能量作为Elman网络输入变量,测试样本为输出变量。对Elman神经网络进行大量数据训练,对滚动轴承的故障数据进行识别。实验表明,这种方法比BP神经网络识别更准确、更有效。     

基于CEEMDAN-SQI-SVD的齿轮箱局部故障特征提取

经验模态分解(EMD)及以其为基础发展而来的方法在故障诊断领域中得到广泛应用,对于分解后固有模态函数(IMF)的有效选择及基于有效IMF故障特征的准确提取至关重要。为更高效地解决此类问题,提出一种基于具有自适应白噪声的完整集成经验模态分解(CEEMDAN)结合信号质量指数(SQI)算法与奇异值分解(SVD)的齿轮箱局部故障最优特征提取算法。以具有不同故障级别的齿轮局部裂纹进行试验验证方法的有效性,通过试验获取原始数据并进行CEEMDAN分解,利用SQI进行有效IMF选取,再结合SVD对有效IMF进行分解以获取最优特征向量,并输入至BP神经网络进行训练与测试,最后将测试结果与数种常规方法进行比较。结果表明,针对齿轮箱的局部故障,提出的CEEMDAN-SQI-SVD算法识别精度高,并优于数种常规方法。     

航空发动机试验传感器温漂数据有效性验证

针对航空发动机在台架试车中出现的传感器温漂故障,提出了基于经验模式分解(EMD)和Hilbert变换的航空发动机传感器数据有效性验证方法。首先,介绍了航空发动机传感器常见的失效模式以及EMD分解和Hilbert变换方法,并将其引入航空发动机传感器信号分析领域;然后,利用该方法对传感器故障信号进行分解,提取航空发动机传感器故障信号特征,通过故障信号重构和残差向量分析判断故障的严重程度,将原始信号中的故障信号予以剔除;最后,重构有效的信息成分,实现对数据的有效性验证。实例计算与分析验证了该方法在航空发动机传感器温漂数据有效性验证方面是有效的。     

基于敏感分量与MCPG的轴承故障诊断方法

针对滚动轴承故障难以准确识别问题,提出了一种基于敏感分量与多卷积池化组(Multi convolution pooling group,MCPG)的故障诊断方法。首先,采用经验模态分解(Empirical mode decom?position,EMD)将原始信号分解成为多个固有模态分量(Intrinsic mode function,IMF),使用离散Fréchet距离作为衡量指标,选取出故障敏感分量作为表征不同故障类型的故障数据源;之后,提出了一种MCPG深度神经网络架构,并使用敏感数据源对模型进行训练与测试,从而实现数据驱动的轴承故障诊断。通过实验验证,表明该方法对不同类型的振动数据(不同转速、不同损伤类型、不同损伤程度)均具有较好的识别效果。     

小波—BP神经网络在旋转机械故障诊断中的应用

利用小波分析和BP神经网络相结合的方法对旋转机械的故障进行识别.首先运用小波分析对故障信号进行降噪处理,然后运用小波包对信号进行分解和重构,提取各频带能量值,将该能量值作为BP神经网络输入端的特征向量,训练网络进行故障模式识别.实验表明,该方法在旋转机械故障诊断中切实可行.     

基于EEMD和SOM的轴承故障诊断

EMD算法所存在的端点效应及模态混叠问题会导致故障轴承特征值提取时精度不高等问题。为提高故障诊断系统的准确性,文中选用一种基于EMD的改进算法EEMD,通过提取时域特征参数,衡量故障诊断程度,判断故障类型。运用SOM神经网络进行诊断识别。文中在进行实际实验分析的基础上,总结了实验平台的框架、典型的故障轴承类型,分析了选用的特征参数对故障诊断的不同判别方向,并提出基于集合经验模态与SOM神经网络的轴承故障诊断方法。