EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于小波变换和优化CNN的风电齿轮箱故障诊断

针对传统故障诊断方法过于依赖人为经验的缺陷,提出小波变换和二维密集连接扩张卷积神经网络(WT-ICNN)的风电齿轮箱智能故障诊断方法. 所提方法将一维振动信号通过连续小波变换(WT)转换成二维故障图像;再将二维故障图像输入ICNN中进行训练和测试. 通过齿轮箱开源数据和风场实测数据验证结果表明,与传统故障诊断方法相比,所提方法采用密集连接的结构自适应特征提取时频图,有效加强了故障特征的利用效率;在对风电齿轮箱的故障诊断中,所提方法具有更好的特征复用能力和更高的诊断精度.     

基于子领域自适应的变工况下滚动轴承故障诊断

针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签较难获取的问题,提出了一种子领域自适应的深度迁移学习故障诊断方法.首先,为充分利用卷积神经网络图像特征提取能力,将滚动轴承振动信号采用连续小波变换生成图像数据集;其次,源域与目标域通用特征提取采用改进图像集预训练的ResNet-50网络结构,子领域自...     

LLDE-SVM的滚动轴承故障诊断方法

由于采集到的滚动轴承振动信号含有噪声,以及信号本身的非线性、非平稳特性,为了能够准确的识别出滚动轴承的故障状态,提出了局部线性判别嵌入(LLDE)和支持向量机(SVM)相结合的故障诊断模型。该模型首先采用相空间和流形学习相结合对振动信号进行降噪处理;构建的高维特征空间可以通过LLDE有效的进行降维和特征提取,再通过SVM进行训练构建模型,最后进行故障识别。通过对实验数据进行分析,验证了该方法能够有效地识别出故障类型,可以应用于滚动轴承振动信号的故障诊断。     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

基于EMD和模糊C均值聚类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,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

基于K-L变换和支持向量机的滚动轴承故障模式的识别

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征,采用K-L变换对其提取状态主特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明,K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径。     

基于K-L变换和支持向量机的

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量，而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征，采用K-L变换对其提取状态主特征向量，然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明，K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式，为轴承故障诊断向智能化发展提供了新的途径。     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

一种基于MED和希尔伯特变换的滚动轴承早期故障诊断方法

滚动轴承的早期故障诊断对于设备预测和健康管理具有重要意义,然而受环境噪声、传递路径、信号衰减及源信号本身比较微弱的影响,滚动轴承故障的初期微弱信号特征往往难以提取。为了解决这一问题,提出了一种基于最小熵解卷积(minimum entropy deconvolution,MED)与希尔伯特变换(Hilbert transform,HT)相结合的滚动轴承故障特征提取方法(MED-Hilbert),该方法首先应用MED算法对传感器信号进行处理以提高信号的信噪比,然后通过希尔伯变换提取冲击能量信号,最后用谱分析技术提取故障对应的特征频率,并与理论故障频率比较后成功确定故障。与信号仅仅进行包络分析方法相比,该方法具有很好的降噪效果以及对微弱故障特征的增强作用。计算机仿真与实验验证了该方法在滚动轴承早期故障诊断中的有效性。     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的模拟电路故障诊断方法.采用能量分布特征提取方法和改进BP算法,用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.相对于传统的故障诊断方法,用小波变换对故障信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间,并提高了辨识故障类别的能力.对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高.     

基于虚拟仪器的滚动轴承振动故障诊断系统

介绍了小波变换在滚动轴承故障特征提取中的应用．结合小波变换研制了一套滚动轴承故障诊断虚拟仪器系统．通过对滚动轴承振动信号的小波变换分析，可提取滚动轴承运行状态的特征向量，分析滚动轴承的振动信号，诊断轴承的故障．     

基于EEMD特征提取的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性与非线性的特点,提出将集合经验模态分解（ensemble empirical mode decomposition,EEMD）方法用于轴承信号处理.滚动轴承故障诊断的重要环节是特征提取,其直接关系到轴承故障诊断的正确率.因此,将熵知识应用到轴承特征提取步骤中,应用奇异熵与能量熵知识,提出一种峭度值与以上两种熵进行特征融合的特征提取方法,完成滚动轴承故障诊断.该方法首先对滚动轴承的振动信号进行EEMD模态分解为若干个本征模态函数（intrinsic mode function,IMF）之和,对每个含有故障特征的IMF进行奇异熵、能量熵与峭度值求取;其次,将求得的三种数据输入核主元分析（kernel principal component analysis,KPCA）中进行特征融合与特征提取;最后,将提取的特征作为支持向量机（support vector machine,SVM）的输入参数进行故障分类.试验结果表明此方法能够准确有效地识别出滚动轴承的工作状态,实现了滚动轴承故障分类的自动化.     

基于RSSD和小波变换的滚动轴承故障诊断

滚动轴承故障被视作瞬态冲击成分,在信号共振稀疏分解中一般被分解到的低共振分量当中。由于噪声影响,低共振分量的希尔伯特解调包络谱中依然存在大量的干扰频率,使得故障特征提取有时不明显,或不易观察,因此本文提出了一种基于信号共振稀疏分解(RSSD)与小波变换相结合的故障诊断方法。在滚动轴承早期微弱故障的诊断中,采用小波分析技术对隐藏于低共振分量的故障特征进行提取,可以更加有效地凸显故障特征;通过对滚动轴承内圈和外圈单一故障振动信号的分析应用,成功提取了故障特征,验证了这一方法在滚动轴承早期故障诊断应用的有效性。     

基于PSO-VMD与贝叶斯网络的滚动轴承故障诊断

为解决电机在变负载运行条件下滚动轴承振动信号故障的特征提取困难、故障诊断准确率低的问题,提出一种基于变步长粒子群的变分模态分解与贝叶斯网络相结合的滚动轴承故障诊断模型。通过变步长粒子群算法优化的变分模态分解与Hilbert变换,提取故障信息并离散化处理,构建贝叶斯网络故障诊断模型,对滚动轴承故障发生概率推理,并利用完备、不完备数据集以及噪声试验验证该方法的准确性。仿真结果表明,该方法能高效提取特征信息,实现对不确定信息的推理估计,提高滚动轴承故障诊断的准确率,在滚动轴承的故障诊断预测中具有较好的理论与应用前景。     

基于二维卷积神经网络的滚动轴承变工况故障诊断方法

为了实现滚动轴承变工况运行下仍能进行有效的故障诊断, 提出了一种基于二维卷积神经网络的滚动轴承变工况故障诊断方法。该方法将原始信号以及运行载荷这一工况变量作为输入信号, 无需人工提取特征向量, 减少特征提取过程中的损失, 实现端到端检测, 并将该方法与传统卷积神经网络模型进行了实验对比。结果表明, 相较于传统卷积神经网络, 该方法在故障的识别准确率和诊断的实时性上都有很大程度的提升。     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点，提出基于小波神经网络的模拟电路故障诊断方法。采用能量分布特征提取方法和改进BP算法，用正弦信号仿真模拟电路，应用小波变换对模拟电路的采样信号进行多尺度分解，再进行能量分布特征提取，然后利用神经网络对各种状态下的特征向量进行分类识别，实现模拟电路故障诊断。相对于传统的故障诊断方法，用小波变换对故障信号进行预处理，大大减少了神经网络的输入数目，从而简化了神经网络的结构和减少了它的训练时间，并提高了辨识故障类别的能力。对实例电路仿真结果表明，该方法能正确识别各种故障状态，准确率高。     

卷积神经网络多变量过程特征学习与故障诊断

为提取复杂多变量过程的有效特征,提高故障诊断性能,提出一种基于卷积神经网络（convolutional neural network,CNN）特征学习的多变量过程故障诊断模型. 将高维过程信号归一化处理转为图像信号,多层卷积滤波器与子采样滤波器交替构成的轻量级CNN网络通过多个卷积核与图像进行卷积,采用本地连接和权重共享,滤除过程噪声和干扰信息,从而获得过程数据的高层抽象化表达. 通过Softmax层有监督的微调方式学习故障特征完成故障诊断. 利用以田纳西过程为代表的多变量非线性过程验证了模型的有效性,与经典分类器和近几年流行的深度神经网络进行对比, 结果表明:将高维过程信号转为图像信号输入CNN提高了多变量过程的故障诊断精度;通过t-SNE方法对模型提取的特征进行可视化分析,说明模型强大的特征提取能力;将模型提取的特征作为传统分类器的输入时,故障识别准确率显著提升,进一步说明有效的特征提取有利于提高故障诊断的准确度和可靠性;与无监督学习方式相比,模型通过标签能获取更有效、稳定和抽象化的数据特征.     

MCKD-Teager能量算子结合LSTM的滚动轴承故障诊断

为解决滚动轴承故障时产生的信号具有强背景噪声而导致弱周期冲击特征难提取,以及在对轴承故障模式进行智能诊断时一般的诊断模型对故障振动信号的时序特征识别效果不强这两大问题,提出一种基于最大相关峭度解卷积(MCKD)、Teager能量算子和长短期记忆网络(LSTM)的故障诊断方法。使用MCKD算法对滚动轴承振动信号进行降噪处理,提取出信号中被噪声掩盖的周期冲击特征,并利用Teager能量算子检测信号的瞬态冲击,得到Teager能量序列;将结果分为训练集和测试集,将训练集输入到建立的LSTM故障诊断模型中进行学习,不断更新网络参数并提取出时间维度的特征信息;将训练好参数的LSTM模型应用于测试集,输出故障诊断结果。实验结果表明,提出的方法以端到端模式可以一次性诊断多种类型、尺寸的故障,具有很高的识别精度,是一种可以有效利用强背景噪声信号中时序特征的故障诊断方法。     

基于cRIO的滚动轴承故障诊断系统设计

为解决传统故障诊断仪器功能单一、开发成本高且升级换代困难等问题,本文设计了一种基于cRIO的滚动轴承故障诊断系统.系统开发采用LabVIEW和MATLAB混合编程技术,实现了数据采集、数据分析和时频特征提取,并在LabVIEW中实现了神经网络的故障诊断.系统首先采用cRIO数据采集平台采集滚动轴承的振动信号和噪声信号,对采集的振动信号进行时域特征和EEMD分解后IMF能量特征的提取,并将其作为子网络1的输入;同时,对采集的噪声信号提取时域特征,并进行小波包分解提取各频段能量特征,作为子网络2的输入;两个子网络的局部诊断结果归一化后运用D-S证据理论进行决策级的信息融合得到融合诊断结果.最后,通过振动信号包络谱分析验证融合诊断结果并得到最终的故障诊断结果.系统测试结果表明该系统具有较高的可靠性,能够有效识别滚动轴承的故障类型.