基于LMD近似熵和PNN的轴承故障诊断

提出一种基于局部均值分解(LMD)近似熵和概率神经网络(PNN)的滚动轴承故障诊断方法。通过对信号LMD分解,非平稳信号能够转换成若干个平稳的乘积函数分量(PF)之和;轴承在发生不同故障时,产生频谱相异的信号,其近似熵不同,因此可通过提取原始信号的近似熵,来判别轴承的运行状态。实验表明,信号经过LMD分解得到若干PF分量,从中提取近似熵,组成N维特征向量,输入PNN模型,能够准确地判断故障类型;在小数据的情况下,相比于BP和RBF两种传统神经网络,PNN具有更优的故障分类能力。     

基于LMD排列熵和LLE的滚动轴承故障诊断

为解决单一尺度下滚动轴承振动信号非线性、非平稳性、成分复杂以及信息冗余导致故障特征难以提取的问题,提出了一种基于局部均值分解(LMD)、排列熵和局部线性嵌入(LLE)相结合的滚动轴承故障特征提取方法。首先,利用LMD将初始信号分解成若干乘积函数(PF)之和并计算不同尺度下PF分量的排列熵。其次,提取初始信号时域特征并与PF排列熵组成高维特征向量,完成初次特征提取。最后,利用LLE对高维特征降维处理,完成二次特征提取。通过BP神经网络对采用该方法处理的滚动轴承实验数据进行识别,结果表明,该方法能够有效识别滚动轴承故障类型,分类效果优于直接采用原始数据集训练的结果,分类准确率达到98.67%。     

基于LMD模糊熵和概率神经网络的滚动轴承故障诊断

滚动轴承是机械传动系统重要的组成部分,其故障发生率极高,直接影响机械设备的正常、安全运行。基于此提出基于局部均值分解(LMD)模糊熵和概率神经网络(PNN)的滚动轴承故障诊断方法,原始振动信号应用LMD自适应分解为7个PF分量;设定模糊函数,提取每个PF分量的模糊熵,实现各PF分量的特征量化;并利用概率神经网络实现故障类型识别。实验结果证明利用该方法滚动轴承故障诊断识别率可达86.25%,是一种有效的滚动轴承故障诊断方法。     

基于小波降噪和CEEMD的轴承故障诊断

针对滚动轴承故障振动信号难以提取出准确的故障特征的问题,提出了一种基于小波新阈值降噪与互补集合经验模态分解(CEEMD)的轴承故障诊断方法。该方法充分结合了以上2种方法的优点,有效地解决了故障特征提取难的问题。首先构建出新的小波阈值函数,再用此小波阈值降噪,可以有效地消除背景噪声的影响;将降噪后的故障信号用CEEMD方法进行处理,然后重构根据信号的相关系数挑选出的相关性较大的分量;最后将重构信号进行Hilbert变换包络,从包络图中提取故障特征。运用此方法对轴承进行试验分析,结果证实了该方法的有效性和实用性。     

采煤工作面瓦斯涌出量LMD-BP神经网络建模预测

 详细阐述了局部均值分解(Local mean decomposition,简称LMD)非平稳信号处理方法, LMD算法具有高度的自适应性,能够分解得到数据本身所具有的特征参量,也就是它能够将任意一个非常复杂的非平稳信号分解成若干个具有一定物理意义的PF(Product function,生产函数)分量之和,通过对收集得到采煤工作面瓦斯涌出量数据进行LMD分解,得到多个PF分量。而后再用改进的神经网络方法对其分别进行预测,再把不同预测结果进行叠加重构合成,进而获得瓦斯涌出量预测值。通过对瓦斯实际监测数据进行分析,可以得出,此方法预测效果比常规的神经网络方法预测精度更高,因为通过LMD方法分解得到的PF分量更具有一定地规律性,所以能够更大幅度提高瓦斯涌出量的预测精度,实例分析也表明,其预测结果与实际监测结果极高的一致性。     

基于小波包和EMD的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

基于盲源分离的采煤机摇臂轴承故障诊断方法

针对采煤机摇臂轴承故障,介绍了一种基于盲源分离算法的轴承故障识别方法。该方法采用优化滑动平均长度,以最大信噪比为目标函数对振动信号进行盲源分离,分离后的信号进一步加速度包络处理,信号特征可用于识别轴承故障。通过采煤机摇臂加载试验台进行试验验证,采集采煤机摇臂两个不同部位的振动加速度信号,运用该方法对振动信号进行处理后判别故障类型和位置。结果表明：与单纯的加速度包络法相比较,该方法处理后的信号特征更加明显,对轴承部位的识别率较高。研究结果对于采煤机摇臂的故障预测具有较好地效果,能够进一步提高采煤机在故障领域方面的智能化。     

基于ADMM的非凸正则化轴承故障诊断方法研究

旋转机械振动信号往往包含大量干扰,采用传统稀疏表示模型难以准确提取故障信息,针对此问题,提出了一种基于交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)的非凸正则化稀疏表示方法.该方法首先构造一个非凸正则化稀疏表示模型,即在基于l1范数正则化的传统稀疏表示模型上增加非凸惩罚函数,然后运用ADMM算法求解构造的稀疏优化问题,最后将求得的稀疏重构信号进行Hilbert包络谱分析以提取故障特征成分,使用仿真及实测信号验证该方法的有效性,与正交匹配追踪(OMP)算法相比,基于ADMM的非凸正则化轴承故障诊断方法能够显著消除振动信号的噪声干扰,有效增强微弱故障特征,实现轴承微弱故障的准确诊断.     

强背景噪声下滚动轴承轻微磨损故障特征提取方法

针对轴承轻微磨损故障信号容易被强背景噪声淹没，故障特征微弱难诊断的问题，提出了强背景噪声下滚动轴承轻微磨损故障特征提取方法。利用VMD对轴承振动信号进行分解，基于峭度最大准确选择最优本征模态函数，以最优本征模态函数的功率谱熵最小为目标，设定提前终止准则，实现VMD参数自适应优化选择。轴承早期故障信号经参数优化后的VMD方法分解为多个本征模态函数，选择峭度最大的本征模态分量进行包络解调分析，结合快速傅里叶变换得到包络谱，实现故障特征频率的提取。通过对加强背景噪声的不同型号轴承的实测故障信号分析，结果均表明该方法能够在强背景噪声干扰下有效提取轻微磨损故障信号的故障特征，实现轴承轻微磨损故障的准确诊断，验证了该方法的有效性。     

采煤工作面瓦斯涌出量LMD-BP神经网络建模预测研究

文章阐述了局部均值分解(LMD)非平稳信号处理方法,并通过对收集得到采煤工作面瓦斯涌出量数据进行LMD分解,得到多个PF分量。然后再用改进的神经网络方法对其分别进行预测,再把不同预测结果进行叠加重构合成,进而获得瓦斯涌出量预测值。通过对瓦斯实际监测数据进行分析,可以得出,此方法预测效果比常规的神经网络方法预测精度更高,其预测结果与实际监测结果相比具有极高的一致性。     

基于LMD和模式识别的矿山微震信号特征提取及分类方法

针对岩体破裂信号与爆破振动信号难以自动识别的问题,提出了基于局部均值分解(LMD)和模式识别的矿山微震信号特征提取及分类方法。首先采用LMD对微震信号进行自适应分解得到乘积函数(PF)分量,再利用相关系数和方差贡献率筛选得到PF主分量,进而计算各主分量的相关系数和能谱系数,并以此作为模式识别的特征向量。结果表明:LMD、经验模态分解(EMD)和离散小波变化(DWT)的主分量分别为PF1~PF6,IMF1~IMF6和D2~D7,其中IMFi(i=1,2,…,6)为EMD分解的本征模态分量,Dj(j=2,3,…,7)为DWT分解的细节分量;LMD主分量分类识别结果整体上优于EMD和DWT主分量分类识别结果;能谱系数分类结果整体上优于相关系数分类结果,人工神经网络(ANN)和支持向量机(SVM)识别效果明显优于逻辑回归(LR)和Bayes判别法识别结果,且基于LMD能谱系数的SVM分类准确率达到了93.0%。     

一种用于低速重载轴承故障诊断的共振解调法

针对低速重载轴承特点 ,提出了适合于低速重载轴承故障诊断的共振解调方法。通过自制的低频加速度传感器拾取了斗轮式堆取料机回转支承滚动轴承的振动信号 ,利用此方法进行了故障诊断 ,诊断结果可靠     

滚动轴承故障振动信号的分析方法研究

针对滚动轴承故障信号具有非平稳、非高斯的特点,提出了将时域分析与小波分析相结合的方法对滚动轴承进行故障诊断。在研究不同信号分析方法理论的基础上,以滚动轴承外圈故障振动信号为例,采用多种信号处理方法进行了分析。结果表明,各种分析方法在分析轴承故障时的特点各不相同,在实际使用中,可将时域分析与小波分析综合使用,实现轴承状态的实时监测与故障的准确定位。     

基于随机共振理论的低速重载设备故障诊断

基于随机共振理论，结合包络解调分析研究微弱低频幅值调制信号的增强与提取，并应用于低速重载设备的故障诊断.运用信号自含噪声或外加噪声，通过变步长数值算法和调节非线性双稳系统结构参数，来实现微弱低频幅值调制信号的随机共振现象.模拟调幅信号和实测低速重载齿轮箱振动信号的分析结果，证实了本文提出的方法在检测微弱低频幅值调制信号上，明显优于传统的FFT谱分析和包络解调方法.     

基于Hilbert变换的滚动轴承故障诊断

滚动轴承是工业应用系统中的重要部件,其引发的故障是引起机器设备失效的重要原因。Hilbert变换基于滚动轴承故障引发的高频固有振动,提取包络信号。通过包络信号进行频谱分析从而提取滚动轴承的故障特征信息。通过采集内圈故障、外圈故障的滚动轴承振动信号,采用Hilbert变换对轴承的振动信号进行了分析,验证了Hilbert包络解调技术在滚动轴承故障诊断中的有效性。     

煤矿通风机轴承振动故障诊断技术的研究及应用

介绍了基于共振解调技术的滚动轴承故障诊断原理及方法,并研究了煤矿通风机典型故障的轴承特性振动频率。通过采集振动信号和频谱分析,有效、可靠地诊断出某矿通风机轴承的故障、类型和部位,及早发现了故障,避免了事故进一步恶化的危险。案例分析证明了共振解调技术在滚动轴承故障诊断中的可行性。     

基于MFE的滚动轴承故障诊断方法研究

针对滚动轴承故障振动信号含噪声多、复杂程度高的特点,为实现准确的故障诊断,提出一种基于多尺度模糊熵(MFE)的滚动轴承故障诊断方法。由于LCD方法可以起到降噪的作用,故选用LCD分解后的ISC分量作为粗粒序列,计算分量的MFE。将MFE计算得到的特征参数输入到极限学习机(ELM)分类器中,分类识别滚动轴承的4种状态。实验结果表明,该方法可以有效地提取出滚动轴承的故障特征,实现故障诊断。     

基于小波减噪的滚动轴承故障频率的识别

研究了振动信号局部奇异性在小波变换下的特性,定量分析了小波变换方法的减噪特性。根据滚动轴承故障振动信号和噪声的局部奇异性在小波变换下模极大值在不同尺度上的传播特性不同的特点,利用小波分解和重构算法,对轴承振动信号进行了分解、减噪、重构和谱分析。实验表明,小波减噪方法非常适于低信噪比情况下滚动轴承微弱振动信号的故障频率检测。