滚动轴承故障信号处理方法与诊断试验研究

分析了滚动轴承故障振动信号的非线性、非平稳性特征,基于经验模态分解法（EMD）在处理此类信号中的优势,研究了滚动轴承故障信号的时频分析处理方法。通过EMD法将滚动轴承故障原始振动信号分解为多个平稳的IMF分量之和;选取前8个IMF能量值作为频域特征并结合时域特征构成故障振动信号特征集合,作为BP神经网络的输入;建立了滚动轴承故障诊断的BP神经网络模型,利用BP网络的自学习机制进行网络训练,得到了输入特征与故障模式之间的映射关系;通过对滚动轴承不同类别的故障诊断试验,验证了该方法的可行性。     

EMD分解与多特征融合的齿轮故障诊断方法

为解决齿轮振动信号在现实中难以获取大量典型故障样本和分类的精确度低的问题,提出基于EMD分解与多特征融合的齿轮故障诊断方法。首先,提取反映信号特征的各项参数指标作为特征向量;其次,利用经验模式分解(EMD)对原始信号进行分解,进而提取分解后各本征模式分量(IMF)的能量指标组成特征向量;然后,将其与信号特征各项参数融合成特征向量组合,并将其作为SVM多故障分类器的训练样本进行训练,实现齿轮的智能诊断。通过实验室轴承的故障诊断研究表明:该方法对于齿轮的各种状态具有很好的分类精确度,更加有效地识别齿轮故障类型。     

基于峭度排序的特征构造在行星齿轮箱故障诊断中的应用研究

针对行星齿轮箱故障诊断中存在的故障诊断样本数少、故障诊断精度低等问题,提出一种经验模态分解(EMD)、峭度排序和BP神经网络相结合的故障诊断方法.该方法首先对原始振动信号进行EMD,然后对分解获得的固有模态函数(IMF)进行峭度排序;根据训练样本数自适应地选择对应的IMF,将对应IMF的能量值作为特征向量输入BP神经网...     

基于DPSO-BP的机械转子故障诊断北大核心

信号特征提取的方式直接影响故障诊断的结果,因此提出一种新的特征向量组合方式从而进行有效故障模式识别,以从原始信号中提取出能够最大程度地表征其所包含信息的信号特征。将经过经验模态分解后得到原始信号的有效IMF分量的能量以及信号的能量熵相结合作为特征向量。由于机械转子故障诊断缺失情况时有发生,提出采用DPSO算法优化BP神经网络的方法。该方法主要通过优化神经网络的初始权值和阈值的方式对BP神经网络进行改进。结果表明:与传统的BP神经网络模型相比,改进后的BP神经网络模型迭代次数大幅度减少,训练时长也相应缩短,模型的训练精度以及故障诊断的正确率也得到提高。     

基于VMD与发育网络的滚动轴承故障检测

针对传统的轴承故障诊断过于依赖专家经验和故障特征提取困难的现状,同时为了适应故障诊断的大数据处理及实时监测的需求,提出了一种基于变分模态分解(variational mode decomposition, VMD)与发育神经网络(developmental neural network, DNN)相结合的故障诊断方法。先将原始信号分组处理,再对分组后的信号进行VMD分解,得到若干个模态分量(IMF),根据相关系数对信号进行重构,随后提取重构信号的各个模态分量(IMF)的能量占比组成特征向量组,输入发育神经网络中进行训练和测试,进而对故障类型进行识别与分类,并与支持向量机(SVM)进行了对比。实验表明该方法的识别准确率可高达98.3%。     

基于EMD降噪的递归图分析方法在齿轮故障诊断中的应用

为从齿轮振动信号中提取包含故障信息的特征量,提出了一种基于经验模态分解(EMD)降噪的递归图分析方法。该方法用EMD方法将振动信号分解为有限个固有模式函数(IMF)分量,选取包含故障信息的IMF分量建立递归图,从递归图中提取特征向量,运用高斯混合模型进行模式识别。将该方法运用于故障齿轮振动信号的识别,结果表明该方法具有较高的识别率,对齿轮故障能够有效地进行分类与诊断。     

基于提升小波变换与EEMD的神经网络齿轮故障诊断方法

针对单一的信号处理诊断方法难以实现齿轮故障准确诊断的局限性,文章将提升小波变换、集成经验模态分解(ensemble empirical mode decomposition,EEMD)与相关系数相结合,提出一种新的信号消噪方法,并在此方法的基础上,分别利用BP、Elman和RBF神经网络完成了齿轮故障诊断。首先采用提升小波变换对故障信号进行初步消噪,然后对其作EEMD分解,得到一组固有模态函数(intrinsic mode function,IMF)分量;然后计算各分量的相关系数,剔除相关性较小的伪分量后进行重构,完成二次消噪;最后计算剩余分量的能量特征,并将其作为神经网络的输入向量,进而完成齿轮断齿、裂纹和磨损状况下的故障诊断。仿真分析和应用实例表明:基于提升小波变换与EEMD分解并结合相关系数筛选的消噪方法,比仅用提升小波方法消噪的效果更好。三种神经网络均成功辨别出了齿轮的故障类型,但不同方法各有优劣之处;就诊断效率和准确性而言,BP神经网络的诊断效果最好。     

基于EMD和改进Teager能量算子的轴承故障诊断

为实现在非线性非平稳的轴承振动信号中提取出故障特征频率,提出了一种经验模态分解(EMD)和改进的Teager能量算子(NTEO)相结合的故障诊断方法。首先通过EMD将振动信号分解为若干阶本征模态分量(IMF),计算各阶IMF的峭度和与原信号的相关系数,利用峭度和相关系数均较大的IMF进行信号的重构,然后利用NTEO计算重构信号的瞬时Teager能量序列,最后对能量序列进行FFT变换,提取轴承的故障特征频率。分别对轴承内圈和外圈故障的振动信号进行分析,清晰地提取出了故障特征频率,并通过与传统Hilbert包络谱和Teager能量谱进行对比,验证了方法的有效性。     

数据驱动算法在旋转机械故障诊断中的应用研究

传统故障诊断方法依赖于先验数据与模型，具有局限性。为解决此问题，提出一种基于数据驱动的旋转机械故障诊断方法。利用经验模式分解（EMD）算法拆分原始故障信号，得到有限个IMF分量，优化现有EMD算法得到最优的截断阈值，并有效分离系统噪声干扰；从多域量化角度提取故障信号的时域、频域特征，并基于EMD样本熵实现对去噪旋转机械故障信号中故障点特征的分类与识别。仿真结果表明：所提出的数据驱动算法能够准确地识别出不同载荷条件下的故障信号微弱特征，具有更高的训练精度和故障诊断精度     

基于全矢NA-MEMD的滚动轴承故障诊断方法

针对EMD分解多通道信号得到的IMF分量在数量和频率成分出现的不匹配现象和单通道分析方法存在信息利用不充分的问题,提出了一种基于噪声辅助多维经验模式分解(NA-MEMD)与全矢谱结合的滚动轴承故障诊断方法——全矢NA-MEMD。利用NA-MEMD对同源双通道信号和噪声辅助信号构成的多通道信息自适应分解成一系列IMF分量;根据相关系数从同源双通道中选取包含故障主要信息的IMF分量进行重构;将重构信号进行全矢信息融合来提取故障特征。通过仿真信号和实验信号分析验证该方法的有效性。     

基于多特征融合与GA-BP模型的滚动轴承故障识别

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。     

基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法

提出一种基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法。通过对完整齿轮、裂齿齿轮和缺齿齿轮3种齿轮工作状态的声信号进行小波分析并建立特征数据库,构建深度自编码网络与模糊推理系统相结合的诊断系统,实现了齿轮故障诊断与辨识。实验结果表明:这种基于声信号的故障诊断方法能够有效检测矿用齿轮箱的运行状况;与传统神经网络诊断方法以及奇异值分解诊断方法相比,该诊断方法对故障状态的辨识准确度分别提高了3.8%和8%。与传统基于振动信号的故障诊断方法相比,基于声信号的诊断方法对故障状态的辨识准确度无明显差别。表明深度自编码网络模糊推理系统同样适用于基于振动信号的矿用齿轮箱的故障特征提取与分析。     

基于优化VMD和BP神经网络液压管路故障诊断研究北大核心

针对航空发动机液压管路故障信号易受噪声干扰、管路故障诊断准确率不高等问题,提出基于优化变分模态分解和BP神经网络的故障诊断方法。利用遗传算法自适应确定变分模态分解K、α的最优参数,然后采用优化后的变分模态分解方法对航空液压管路的振动信号进行分解,最后将故障特征明显的故障分量输入BP神经网络模型中进行训练和分类。结果表明:提出的基于变分模态分解与BP神经网络的航空液压管路故障诊断方法能够精准识别出航空液压管路多种不同的故障状态。     

基于VMD与正交局部保持投影的齿轮故障诊断

为了提高齿轮非平稳、非线性振动信号故障特征的可辨识性提出一种变分模态分解方法与正交局部保持投影的齿轮故障状态识别模型。该模型首先利用VMD对齿轮故障振动信号分解,接着对含有敏感信息的本征模态函数进行特征初步提取并构造高维观测样本,再用流形学习OLPP算法对高维观测样本特征进行压缩和二次提取,最后选用随机森林与概率神经网络算法实现模式识别。结果表明:该模型可以有效的抑制噪声对数据内在本质结构的破坏,提高了故障诊断的准确率且具有很好的泛化学习能力。     

小波包神经网络在齿轮泵故障诊断中的应用

采用小波包技术提取齿轮泵的振动信号的小波包能量谱及其谱熵,作为改进的BP网络的输入特征,进行齿轮泵的故障诊断.实验结果表明,该方法大大地提高了诊断的可靠性.     

基于CEEMDAN样本熵与PNN的行星齿轮故障诊断

为对行星齿轮进行故障诊断，采用自适应噪声完备总体经验模态分解（CEEMDAN）方法对采集的信号进行分解。对分解得到的各IMF分量进行相关系数计算，优选出与原始信号相关性较大的前4阶分量进行样本熵计算，得到特征值，构成特征向量。将特征向量输入到概率神经网络系统中进行诊断，且与基于局域均值分解的样本熵特征提取方法的诊断结果进行对比。结果表明：利用CEEMDAN样本熵提取的特征值能更精准地反映系统的故障特性，故障诊断的正确率高。