基于SVD-AR模型与VPMCD的轴承故障诊断方法

针对强噪声背景下振动信号故障特征难以提取的问题,提出了基于奇异值分解的自回归(SVD-AR)模型,用于提取振动信号的特征,并与变量预测模型模式识别(VPMCD)方法相结合应用于轴承故障诊断.对轴承振动信号进行SVD;然后,利用奇异值差分谱对分量信号进行筛选,对能够反映故障信息的分量信号建立AR模型,提取轴承振动信号的特征信息;采用VPMCD对滚动轴承运行状态进行识别.实验证明了方法的合理性和有效性.     

基于声信号小波包分析的故障诊断

为了避免传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取 故障特征频率的麻烦,提出了一种基于内燃机工作声信号小波包图像处理的方法.通过该方法, 可以得到含有内燃机主轴承间隙磨损状态的时频信息，定义出各个标准故障状态的时-频分布 图,建立了基于图像匹配技术的内燃机主轴承磨损故障诊断模型.通过比较待诊断时频分布图 与所有故障模式时频分布图的欧氏距离,可以判断出轴承的间隙磨损状态.结果表明此方法简 单有效、状态信息利用充分．     

基于EMD方法的煤矿绞车轴承故障诊断

根据煤矿绞车齿轮箱轴承在变速变载工况下振动信号的频率一直发生变化的特征,提出采用EMD方法进行绞车轴承故障诊断。在较大拖动力与较大转频阶段,根据轴承座在正常状态与故障状态下振动信号的IMF分量的能量与总能量的比值及均方根能量来判断轴承工作状态,通过提取故障信号频率的边际谱判断故障位置。实验结果证明了EMD方法能够有效检测出绞车齿轮箱轴承故障。     

基于振动信号能量熵的轴承故障诊断

轴承大量存在于机械设备当中,轴承的故障也是各种机械故障的主要原因。对轴承故障及时和准确的判断,可以有效地预防由轴承故障引起的事故,减少损失。基于此提出一种基于振动信号能量熵的轴承故障诊断的方法。轴承在不同的工作状态下,轴承振动信号的能量熵不同,也就是能量分布也是不同的,可以通过能量分布的不同判断轴承的状态。首先对轴承的振动信号进行总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition),获得若干个本征模函数IMF(Intrinsic Mode Function),然后计算本征模函数能量特征,将能量特征作为输入,可以建立相关向量机判断轴承的状态。通过实验验证,基于振动信号能量熵的故障诊断方法可以有效地应用于轴承的故障诊断。     

基于LCD和改进SVM的轴承故障诊断方法

针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于DHMM的轴承故障音频诊断方法

轴承音频信号包含了大量的运行状态信息,与振动信号相比,音频信号的采集是非接触式的,具有使用方便和成本低廉等优势。通过提取机械轴承音频信号的Mel频率倒谱系数（MFCC）特征参数,并使用具有良好识别和抗噪性能的隐马尔可夫模型（HMM）分析轴承运行状态,首次将HMM对音频信号的分析方法应用于故障诊断。为了能够实现对轴承故障的实时诊断,采用计算量较小的离散HMM（DHMM）模型加快训练和识别速度。实验结果表明,该方法对轴承运行状态的识别正确率接近90%,识别时间约为31 ms,效果较好,有效可行,具有很好的应用前景。     

基于1D-CNN联合特征提取的轴承健康监测与故障诊断

针对特定机械设备构建数据驱动的故障诊断模型缺乏泛化能力,而轴承作为各型机械的共有核心部件,对其健康状态的判定对不同机械的衍生故障分析具有普适性意义.本文提出了一种基于1D-CNN联合特征提取的轴承健康监测与故障诊断算法.算法首先对轴承原始振动信号进行分区裁剪,裁剪获得的信号分区作为特征学习空间并行输入1D-CNN中,以提取各工况下的代表性特征域.为避免对故障重叠信息的处理,优先使用对健康状态敏感的特征域构建轴承健康状态判别模型,若健康状态判别模型识别轴承未处于健康状态,特征域将与原始信号联合重构,通过耦合自动编码器开展故障模式判定.使用凯斯西储大学的轴承数据开展实验,结果表明本文提出算法继承了深层学习模型的准确性和鲁棒性,具有较高的故障诊断精度和较低的诊断时延.     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

基于SVD和TKEO的轴承振动信号特征提取

为了解决滚动轴承振动信号中微弱故障信息难以提取的问题,提出了一种基于奇异值分解（Singular Value Decomposition,SVD）和Teager-Kaiser能量算子（Teager-Kaiser Energy Operator,TKEO）的轴承振动信号特征提取方法。采用SVD将突变信息从背景噪声和光滑信号中分离,提取信号的突变信息;利用TKEO计算突变信息的瞬时能量,对该能量信号进行频谱分析,从而提取出轴承振动信号的能量频谱特征,用于故障检测。将该方法应用于轴承外圈、内圈局部故障状态下的振动信号特征提取,利用特征信息能够准确检测并识别出故障类型,表明了该方法的可行性和有效性。     

基于改进一维卷积和双向长短期记忆神经网络的故障诊断方法

针对工业领域中故障诊断数据存在时序性和夹杂强噪声的特点导致的收敛速度慢以及诊断精度低的问题,提出了一种基于改进一维卷积和双向长短期记忆（1DCNN-BiLSTM）神经网络融合的故障诊断方法。该方法包括故障振动信号的预处理、特征的自动提取以及振动信号的分类。首先,采用自适应白噪声的完整经验模态分解（CEEMDAN）技术对原始振动信号进行预处理;其次,构建1DCNN-BiLSTM双通道模型,将处理后信号输入双向长短期记忆（BiLSTM）神经网络模型和一维卷积神经网络（1DCNN）模型两个通道,从而对信号的时序相关性特征、局部空间的非相关性特征和弱周期性规律进行充分提取;然后,针对信号夹杂强噪声的问题,对压缩与激励网络（SENet）模块进行改进并将其作用于两个不同的通道;最后,输入全连接层将双通道提取的特征进行融合并借助Softmax分类器实现对设备故障的精确识别。使用凯斯西储大学轴承数据集进行实验,结果表明改进后的SENet模块同时作用于1DCNN通道和stacked BiLSTM通道,1DCNN-BiLSTM双通道模型在保证快速收敛的情况下有最高诊断精度96.87%,优于传统单通道模型,有效提高了机械设备故障诊断效率。     

传感器故障检测的仿真研究

该文主要介绍了连续小波变换和BP神经网络在传感器故障诊断中的应用,并就如何将小波变换和神经网络结合起来进行故障检测进行了有益的探讨、研究,最终借助于matlab软件和它自带的simulink工具以及相关的信号处理工具包做了仿真算例,获得了满意的效果,证明了这两种方法的可行性。     

基于空洞卷积神经网络的旋转机械故障诊断方法

由于旋转机械的振动信号具有非平稳、复杂多样、数据量大的特点，传统的方法难以较好地实现旋转机械故障诊断。近年来，基于深度学习的故障诊断算法发展迅速，其中，卷积神经网络(Convolutional Neural Network,CNN)由于可实现自动提取特征、运算效率高等优点受到广泛关注，但在识别准确率等方面仍然存在部分问题。为实现多传感器监测状态下的旋转机械故障诊断，在经典卷积神经网络结构的基础上，引入了多通道数据融合处理、空洞卷积层、批标准化处理、PReLU激活函数、全局平均池化层等改进方法，构造了一种新型的、高效的空洞卷积神经网络（Atrous Convolution-Convolutional Neural Network,AC-CNN），并基于该模型进行了旋转机械故障诊断实验。实验结果表明，提出的故障诊断模型分类准确率可达99%以上，对比其他神经网络方法具有明显优势。     

变工况滚动轴承故障诊断方法综述

智能制造背景下,旋转机械工况更加复杂,运行条件更加严峻,设备的运行状态监测与故障诊断更加重要。变工况条件下,轴承振动信号存在幅值变、脉动冲击间隔、采样相位不恒定和信号噪声污染等特点,传统滚动轴承故障诊断方法的应用受到了限制。针对变工况条件下的轴承故障诊断技术,发展了以阶次跟踪、时频分析、随机振动以及混沌理论等人工提取特征的信号解调与分析方法、以卷积神经网络、自编码器与深度置信网络为代表的深度学习方法以及迁移学习方法。回顾近五年变工况轴承故障诊断领域的进展,从算法原理、算法优化以及算法实际应用等角度,详细介绍几种当前主流的变工况故障诊断方法,讨论各类算法的优势不足及适用场景,为后续的研究指明方向。     

PSO-RBF神经网络在电机保护中的应用

针对电机保护只在被测参数达到或者超过设定动作阈值才动作,缺乏预测控制能力,设计了一种基于粒子群的径向神经网络。利用小波变换的时频分解能力、优异的奇异检测能力进行故障特征分量的提取;用粒子群算法和径向神经网络配合优化权重,从而使网络收敛快,训练时间短。通过电动机故障进行仿真实验,结果表明PSO-RBF神经网络实现了对故障的识别。     

Predictive maintenance decision-making for variable faults with non-equivalent costs of fault severities

Predictive Maintenance is crucial for production systems as it helps maintaining the reliability and availability of components/equipment as well as preventing unexpected shutdowns during production. Traditional maintenance strategies mostly focus on the predictive diagnosis of fault types and identical maintenance decisions would be delivered for the equipment with the same fault type. It often results in “over-maintenance” as the variable fault severities may require non-equivalent costs of maintenance resources. To tackle this problem, this paper aims at developing a fault prediction model firstly predicting fault severity and fault type simultaneously and subsequently providing distinguished maintenance strategy for variable faults accordingly, through which the abnormal faults of equipment can be effectively prevented, and machines can be efficiently and economically maintained based on the model suggested decisions. The main works in this study are 1) The fault features based on monitored vibration signals are extracted from multi-domains, and most significant features are selected by L1-Support Vector Machine (L1-SVM) together with variance filtering method; 2) A parallel fault prediction model based on Back propagation Neural Network and Long Short Term Memory Neural Network (BP-LSTM) is proposed, which is used to predict the fault type and fault degree simultaneously; 3) A Deep Q-Network (DQN)-based maintenance decision-making model is established for different fault types with various fault severities.     

基于压缩感知和深度小波网络的列车故障识别

针对列车走行部故障振动数据无监督特征学习的难点，提出了一种基于压缩感知和深度小波神经网络（CS-DWNN）的列车故障识别方法。首先，对采集得到的列车走行部振动信号利用高斯随机矩阵进行压缩采样；其次，构建以改进小波自编码器（WAE）为基础的深层小波网络，将压缩后的信号直接输入网络进行自动逐层特征提取；最后，用DWNN学习到的多层特征分别训练多个深度支持向量机（DSVM）和深度森林（DF）分类器，并将识别结果进行集成。该方法利用深层小波网络从压缩信号中自动挖掘隐藏的故障信息，受先验知识和主观影响较小，并且避免了复杂的人工特征提取过程。实验结果表明，CS-DWNN方法取得了99.16%的平均诊断正确率，能够有效识别列车走行部的3种常见故障，识别能力优于传统的人工神经网络（ANN）、支持向量机（SVM）等方法和深度信念网络（DBN）、堆栈降噪自编码器（SDAE）等深度学习模型。     

基于振动信号的传感器节点性能测试系统设计

传感器节点用于采集轮轨作用下钢轨的振动信号以分析钢轨振动特性。为了测试传感器节点的工作性能,设计并实现了能提供稳定振动信号的测试系统。测试系统基于MSP430单片机,由控制单元、激振器、简支梁结构以及监控软件组成。实验表明：在给定加载条件下测试系统可稳定提供10N的激振力,产生峰值为93×10－6的动态应变和97 gn 的振动加速度。通过分析采集数据的时频特性,可以有效发现故障节点。     

An SVM—ANN Hybrid Classifier for Diagnosis of Gear Fault

A hybrid classifier obtained by hybridizing Support Vector Machines (SVM) and Artificial Neural Network (ANN) classifiers is presented here for diagnosis of gear faults. The distinctive features obtained from vibration signals of a running gearbox, which was operated in normal and fault-induced conditions, were used to feed the SVM-ANN hybrid classifier. Time-domain vibration signals were divided in segments. Features such as peaks in time domain and in spectrum, central moments, and standard deviations were obtained from signal segments. Based on the experimental results, it was shown that SVM-ANN hybrid classifier can successfully identify gear condition and that the hybrid SVM-ANN classifier performs much better than standard versions of ANNs and SVM. The effectiveness of the hybrid classifier under noise was also investigated. It was shown that if vibration signals are preprocessed by Discrete Wavelet Transform (DWT), efficacy of the SVM-ANN hybrid is significantly enhanced.     

Power transformer differential protection using neural network Principal Component Analysis and Radial Basis Function Neural Network

Many methods have been used to discriminate magnetizing inrush from internal faults in power transformers. Most of them follow a deterministic approach, i.e. they rely on an index and fixed threshold. This article proposes two approaches (i.e. NNPCA and RBFNN) for power transformer differential protection and address the challenging task of detecting magnetizing inrush from internal fault. These approaches based on the pattern recognition technique. In the proposed algorithm, the Neural Network Principal Component Analysis (NNPCA) and Radial Basis Function Neural Network (RBFNN) are used as a classifier. The principal component analysis is used to preprocess the data from power system in order to eliminate redundant information and enhance hidden pattern of differential current to discriminate between internal faults from inrush and over-excitation condition. The presented algorithm also makes use of ratio of voltage-to-frequency and amplitude of differential current for detection transformer operating condition. For both proposed cases, optimal number of neurons has been considered in the neural network architectures and the effect of hidden layer neurons on the classification accuracy is analyzed. A comparison among the performance of the FFBPNN (Feed Forward Back Propagation Neural Network), NNPCA, RBFNN based classifiers and with the conventional harmonic restraint method based on Discrete Fourier Transform (DFT) method is presented in distinguishing between magnetizing inrush and internal fault condition of power transformer. The algorithm is evaluated using simulation performed with PSCAD/EMTDC and MATLAB. The results confirm that the RBFNN is faster, stable and more reliable recognition of transformer inrush and internal fault condition.