基于内部伺服信息和EMD-PNN网络的滚珠丝杠副故障诊断试验研

提出了一种利用光栅尺和编码器采集丝杠内部伺服信息的方法;针对滚珠丝杠副故障信号的非线性、非平稳性特征,引入经验模态分解法(EMD),对丝杠4种故障状态下的内部伺服信息进行时频域分析,并将峰度、频率、方差等时、频域特征组成原始特征集,以该特征集为输入,建立概率神经网络(PNN)模型,对滚珠丝杠副的故障状态进行模式识别。通过分析比较EMD-PNN与EMD-BP两种网络模型的性能和诊断结果,验证了EMD-PNN网络模型对滚珠丝杠副故障诊断的优越性及可行性。     

数控机床滚珠丝杠副性能退化评估技术

为准确评估滚珠丝杠副性能的退化程度,提出基于量子遗传算法和灰色神经网络的滚珠丝杠副性能退化评估方法。以CINCINNATIV5-3000加工中心的滚珠丝杠副为研究对象,设计了丝杠在线监测系统,利用动态聚类数据处理技术对采集的海量数据进行预处理,提取信号的时域、频域及时频域特征,通过主分量分析方法压缩特征数量,构建了丝杠振动信号特征向量,采用量子遗传算法优化灰色神经网络的初始化参数,将特征向量输入到灰色神经网络进行训练,进而得到丝杠性能退化模型。实践运行结果表明,所建立的丝杠性能退化模型能够有效评估数控机床的丝杠的性能,研究成果具有重要的工业推广价值。     

基于EEMD-GRNN网络的滚动轴承故障诊断试验研究

提出了一种基于总体平均经验模态分解和GRNN神经网络的滚动轴承故障诊断方法。首先通过EEMD方法将非平稳、非线性的滚动轴承振动信号分解为若干个平稳的固有模态函数(IMF)之和,提取前8个IMF分量作为频域特征,同其他14个时频域特征指标组成特征集输入到GRNN神经网络中,建立起GRNN网络模型,对滚动轴承三种故障状态进行模式识别。通过分析比较BP和GRNN两种网络模型对故障的诊断结果,验证了GRNN网络的优越性和可行性。     

基于振动信号的数控机床丝杠副性能退化研究

为研究数控机床丝杠副性能退化机理,对丝杠副性能进行评估。首先采用小波包对丝杠副螺母座、轴承座的振动信号进行分解,提取小波包分解后的各阶功率谱作为特征参数,分析丝杠进给速度、切削深度对丝杠副振动特性的影响。利用BP神经网络建立丝杠副性能退化评估模型。通过振动信号、电机驱动电流信号、进给速度、切削深度以及加工方案等评估丝杠副性能退化状态,实验证明该性能退化评估模型准确率较高。     

基于短时傅里叶变换的滚珠丝杠副丝杠滚道故障定位研究

针对滚珠丝杠副丝杠滚道故障定位困难问题,对存在单一点蚀故障的滚珠丝杠副进行了研究,提出了一种基于短时傅里叶变换(STFT)的滚珠丝杠副丝杠滚道故障定位方法,通过理论分析确定了针对滚珠丝杠副振动信号STFT理想的窗函数及其参数。利用STFT分析了滚珠丝杠副仿真与实验振动加速度信号,根据丝杠滚道出现故障时的频率响应特性以及信号瞬时频率随时间的变化,以瞬时频率为特征确定了故障位置。仿真与实验研究结果对比表明,STFT时频分析方法能够用于有效地识别出滚珠丝杠副的故障位置。     

基于EMD及FFT的滚珠丝杠副振动信号分析

为了监测滚珠丝杠副的健康状况,对采集到的滚珠丝杠副振动信号做EMD分解,得到包含原始信号固有特征的若干IMF分量,对选定的IMF分量做FFT得到对应的频谱图,从频谱图中可以提取出滚珠丝杠副的特征频率,根据特征频率可以初步判断出滚珠丝杠副的健康状态。由分析可知,利用EMD和FFT对分析非平稳、非线性的滚珠丝杠副离散振动信号是有效的。     

基于蠕滑理论的精密滚珠丝杠副摩擦力研究

考虑不同相位角处滚珠所受离心力及摩擦力的影响,建立了双螺母预紧式滚珠丝杠副多自由度动力学模型,该模型不再基于所有滚珠受力相等和运动相同的假设,使用蠕滑力模型来表征滚珠与滚道接触界面间的摩擦力;利用经验模态分解（EMD）包络分析方法进行了滚珠丝杠副振动信号撞击频率的提取,与理论计算结果进行对比,对动力学模型进行了验证;分析了丝杠转速、轴向载荷、滚道曲率比和导程对滚珠丝杠副摩擦力的影响规律。     

自适应的EEMD及其在滚动轴承故障诊断中的应用

为解决总体集成经验模态分解(EEMD)算法中存在的白噪声参数需要人为选择的问题,同时考虑到现实中难以获得大量典型故障样本的实际情况,提出了一种基于自适应总体集成经验模态分解(AEEMD)与支持向量机(SVM)的滚动轴承故障诊断法。首先在信号处理上使用AEEMD将原始振动信号分解成具有不同特征时间尺度的本征模态分量(IMF),对于不同的轴承故障来说,在不同频带内的信号能量会发生改变,因此可通过计算各个IMF的能量来实现故障特征提取;然后把IMF的能量特征值作为输入来构建支持向量机分类器模型;最后利用建立的模型对轴承的状态类型做出判别。在轴承故障实例中将AEEMD算法与EEMD算法进行对比,证明了AEEMD的分解效果更好;选用BP神经网络与SVM的诊断效果进行对比分析,表明本文中提出的方法能够更加快速准确地诊断出轴承的故障。     

一种BP神经网络的汽车齿轮箱故障诊断方法及实验验证

在小波神经网络算法的基础上,从时域和频域两方面对汽车齿轮箱的振动信号进行分析并提取时频域的多个表征值,设计了一种应用于汽车齿轮箱故障诊断的BP神经网络算法。采用经验模态分解法对齿轮箱时频域下的多维故障特征值进行分析和提取,导出了BP神经网络算法步骤和诊断模型;进一步以JZQ! 250齿轮箱为研究对象,对该算法进行数据训练和验证,其状态实验数据结果表明,该算法能够在考虑汽车齿轮箱复杂故障下实现正确诊断,其用于汽车变速箱故障诊断具有较好的实用性,对汽车齿轮箱的故障诊断提供了一定借鉴。     

端块式滚珠丝杠副振动特性分析

为了分析高速下滚珠丝杠副的振动特性,以端块式滚珠丝杠副为研究对象,考虑螺母移动下的动态特性,建立了滚珠丝杠副的振动模型。首先基于可考虑螺母滚道与丝杠滚道接触界面润滑作用的刚度和阻尼矩阵,建立了柔性滚珠丝杠副的混合模型;其次在滚珠丝杠振动与噪声测试实验台上对振动数据进行了采集与分析;最后利用振动模型并结合实验,分析了不同转速和螺母位置的改变对其振动的影响。分析结果表明,螺母在整个振动系统中扮演着移动支撑的角色,螺母的移动对滚珠丝杠副的振动特性有显著影响。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

BP神经网络技术在雨刮电动机故障诊断中的应用

在电动机故障诊断技术中,最能全面反映电动机运行状态的唯独有振动信号。因此,提出一种基于小波分析和BP神经网络的电动机故障诊断方法。首先该方法采用小波包分析对振动信号消噪滤波并计算频带能量,随后根据振动信号大小提取其能量特征值,并以此建立电动机故障诊断的BP神经网络模型,再以Matlab软件的仿真模块为平台,最终开发了雨刮电动机故障诊断的智能检测系统。试验表明该系统的建立能够提高雨刮电动机故障诊断的效率和准确性。     

多振动信号的时频相干多分形特征提取

为充分利用多个同步采样的振动信号进行机械设备的故障诊断,提出了搭建多振动信号时频相干网络并提取其多分形特征的方法。首先,将每个振动信号作为一个节点,根据所关心的物理问题,按适当的方式将各个节点连接成网;其次,对网络中相邻的每对节点做交叉小波变换,得到时频相干谱,借助小波领袖来估计时频相干谱的多分形谱,用曲线拟合的方法来提取多分形谱的形态特征;最后,利用特征融合与维数约简方法,对已得到的所有特征进行融合和降维,从而得到整个网络的最终特征。该方法给出了一个提取多振动信号时频相干多分形特征的框架,并在某高射机枪自动机的裂纹故障诊断中取得了成功应用,具有广泛的适用范围。     

基于改进EEMD方法的工程机械液压系统冲击振动信号研究

工程机械液压系统发生冲击故障时,振动信号会出现相应的时频特性的变化,准确捕捉液压缸冲击振动信号,提取信号的典型特征是故障诊断的关键。该文首先运用SVM延拓解决EEMD方法的端点效应,然后通过改进的三次样条插值方法拟合包络线,再利用互相关分析与频谱分析对特征模态分量进行筛选,选取出能够代表信号特征的IMF分量。最后使用改进的EEMD方法对液压系统突然换向引起的冲击振动信号进行分析,选取出能够代表信号特征的IMF分量,为以后的智能诊断故障特征提取提供依据。     

基于总体平均经验模式分解近似熵和混合PSO-BP算法的轴承故障诊断方法

针对机械系统的非平稳、非线性特性,提出了一种基于总体平均经验模式分解(EEMD)近似熵和混合PSO-BP算法的轴承故障诊断方法。EEMD能够解决EMD的端点效应,改善处理非线性信号时的局限性;引入随机权重和压缩因子来改进粒子群算法,优化BP神经网络的权值和阈值,解决BP网络的全局收敛问题。将信号经EEMD得到的IMF分量与近似熵结合,组成特征向量,再将构造的特征向量输入到PSO-BP神经网络中进行模式识别。实验及工程应用实例证明了该方法的有效性和优越性。     

基于模糊神经网络的高阶频段振动信号故障诊断研究

将模糊神经网络技术应用于机械故障高阶频率振动信号的研究,参考齿轮和转子故障模式并结合专家经验建立了螺杆压缩机转子故障诊断专家系统知识库,利用振动频谱特征就螺杆压缩机的几种故障模式结合一种模糊神经网络故障诊断模型进行了模糊神经网络识别。算例诊断结果为压缩机阴阳转子型线加工误差,与试验结果一致。     

基于自动编码器数据降维的滚动轴承故障诊断研究

针对滚动轴承振动信号多域特征数据维数较高的问题,采用自动编码器(Auto-Encoder,AE)对特征数据进行降维处理,实现故障诊断.该方法首先提取滚动轴承振动信号中的特征数据,其次通过自动编码器对特征数据进行降维,最后将降维后的数据用于训练BP(Back Propagation)神经网络,并进行故障诊断.为验证自动编...     

人工神经网络在机械故障诊断中的应用

针对传统的机械故障诊断方法的局限性,提出将人工神经网络应用于机械故障诊断中。由于BP算法存在收敛速度慢及易陷入局部极小等缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中。通过对机械设备振动信号的预测,可以及早发现故障,及时消除故障隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率。     

基于卷积神经网络的时频图像识别研究

变速器作为汽车动力传递系统中的关键部件,其振动和噪声直接影响着汽车的性能。由发动机输入到变速器的转速很多情况下是变化的,这使得这种工况下的变速器故障诊断更加复杂。针对这个问题,提出了基于卷积神经网络（convolutional neural network,CNN）的变速器变转速工况下的故障分类识别方法:在变转速下,采集了变速箱多种故障状态下的振动信号,对各类信号进行时频变换得到时频矩阵,并利用CNN实现多类故障的分类。并研究了CNN结合不同时频方法时的识别性能,结果表明,连续小波变换(continuous wavelet transform,CWT)与CNN结合的方法对变转速下的时频图识别性能最好。     

基于SVM信号延拓改进的EEMD方法

为了抑制经验模态分解(empirical mode decomposition,简称EMD)中出现的端点效应和模态混叠现象,在信号组综合经验模态分解(ensemble empirical mode decomposition,简称EEMD)的基础上,从抑制信号干扰和噪声污染影响以及三次样条函数插值拟合误差逐级传播方面,提出利用信号支持向量机(support vector machines,简称SVM)延拓改进EEMD.通过对仿真和实测信号研究,比较了EMD和EEMD的分解,提出改进的EEMD方法不仅减少了虚假模态分量、避免了模态混叠,而且有效抑制了端点效应.与基于镜像延拓改进的EEMD方法比较表明,本研究方法的时频谱更加清晰,虚假模态分量更少,有效解决了端点效应引起的分解失真问题.