基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可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频域变化特征,采用小波包变换对其提取频域能量特征向量,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,支持向量机可以有效、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.     

数据融合和Manhattan距离在液压泵故障诊断中的应用

对液压泵的信号经特征提取后,构造了时域和频域两个证据体,并利用Manhattan距离方法建立了证据体的基本可信度分配函数,对得到的可信度通过数据融合进行液压泵的故障诊断.实例表明该方法计算量小,故障诊断准确率高.     

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明：与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。     

基于云平台的旋转机械轴承监测系统设计

针对旋转机械监测中无法随时随地查看其运行状态，监测产生的数据量逐渐加大，以及故障特征提取困难的问题，以轴承作为关键部件，提出一种基于云平台的旋转机械轴承监测系统。系统采用温度和加速度传感器、STM32单片机获得轴承监测所需的数据；然后利用窄带物联网完成数据远程传输，并将其存储到云端数据库中；在云平台利用相关时域频域分析对轴承状态进行监测，并利用设计的一种多尺度一维卷积神经网络模型实现轴承的故障诊断；然后由Web浏览器显示轴承的运行状态和故障诊断结果。实验结果表明提出的故障诊断方法诊断准确率高、效果好，系统能够良好地运行。     

基于时频域改进型胶囊网络的轴承故障诊断

为提高噪声工况下轴承故障诊断的准确性,结合振动信号时频域特征规律,提出了一种时频域改进型胶囊网络的诊断方法,采用振动信号低频段短时傅立叶变换实现时频域特征构建,搭建具有直线性感受野的胶囊网络LR-Capsulenet模型,模型前端采用直线性卷积核实现时频域特征识别,再通过三次动态路由方法构建数字胶囊层,动态路由过程采用向量乘法体现线与线空间位置关系,实现故障类型区分。为验证方法的可行性和有效性,选用西储大学轴承数据集验证,与常见卷积神经网络进行对比,结果表明文中提出的方法,具有更高的准确性和稳定性,诊断准确率97%左右。     

基于频域特征和支持向量机的汽车水泵轴承故障诊断研究

为了在线监测与识别汽车水泵轴承的故障类型,以WR3258152型汽车水泵轴承为研究对象,分析了其内部结构和常见故障。根据常见故障,预设了汽车水泵轴承的4类缺陷。在搭建的信号采集实验平台上,利用加速度传感器,分别采集了4类缺陷轴承在运转过程中的振动信号。利用Matlab软件对振动信号进行快速傅立叶变换和频域特征值计算,选用径向基核函数和粒子群参数优化方法建立支持向量机模型,并进行测试验证,结果表明:支持向量机分类方法能精确识别汽车水泵轴承常见的4类缺陷。为汽车水泵轴承的在线监测与故障诊断提供了参考。     

基于同步挤压S变换和深度学习的轴承故障诊断

针对传统轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,提出了一种基于同步挤压S变换(synchrosqueezed S transform,SSST)和深度曲线波卷积神经网络(deep curvelet convolutional neural network,DCCNN)的轴承故障诊断方法。首先,对采集到的轴承振动信号进行SSST变换,得到时频图像并进行灰度化和归一化操作;其次,在深度卷积神经网络基础上建立DCCNN,并引入类内距离和类间距离约束的能量函数;最后,将时频图像直接输入DCCNN进行自动特征提取和故障识别。轴承诊断实验结果表明,该方法能有效地对轴承进行多工况和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器和标准卷积神经网络等方法。     

基于CMCPSO-SVM的轴承微弱故障诊断方法北大核心

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明:该故障分类模型的识别准确率高于其他分类模型。     

频域特征量的故障敏感性实验研究

有效地提取故障特征向量,找到故障敏感因子是进行液压泵故障诊断的关键.采集轴向柱塞泵松靴、滑靴磨损、斜盘磨损以及中心弹簧失效等故障情况下的端盖振动信号,采用合适的信号预处理方法得到有价值的低频信号,从低频信号中提取出频域特征参量,分析频域特征量对每种故障的敏感性,找到各故障的频域敏感因子.为液压泵的故障诊断提供了可靠的敏感特征信息,增加了故障特征信息的完备性,对提高故障诊断系统的故障确诊率具有重要的意义.     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

基于堆栈降噪自编码的轴承故障诊断方法

针对传统轴承故障智能诊断中特征学习困难,且需要掌握大量的信号处理方法和诊断经验,提出直接从原始数据出发对轴承故障状态进行分类识别的新方法。该方法通过深度学习利用原始振动数据训练堆栈自编码网络,由于免除了智能诊断的显式特征提取阶段,从而能够减少人工参与因素,摆脱了对大量信号处理技术与诊断经验的依赖。试验结果显示:所提出的方法能对轴承故障识别率达到97%,具有较好的识别能力,能够完成故障特征的自适应提取,增强了机械故障诊断的智能性。     

基于图卷积网络的滚动轴承智能故障诊断

基于非欧几里德空间的数据包含着数据点以及数据点之间的关系信息，而基于深度学习模型的故障诊断方法通常忽略了数据点之间的关系信息。对此，通过结合可视图算法和图卷积网络，将基于非欧几里德空间的不规则数据应用到轴承故障诊断领域。首先，将原始信号利用可视图算法转换为图数据，以图数据显示时域特征，极大丰富了输入信息；其次，利用构建的图卷积网络对故障特征进行学习，以达到故障诊断的目的。实验结果表明，图卷积网络在单一轴承故障分类任务上能够达到97%以上的准确率，这表明利用可视图算法提取的关系信息对轴承故障的识别具有重要作用。     

基于FFT与CS-SVM的滚动轴承故障诊断

针对滚动轴承故障信号强噪声背景和非线性等特点,为精确识别滚动轴承的故障特征频率并精准分类,提出了一种基于Hanning窗插值快速傅里叶变换并利用布谷鸟算法优化支持向量机的滚动轴承故障诊断新方法。采用Hanning窗对得到的频域信号进行加窗处理并求得样本特征的均方根特征值;经过布谷鸟算法优化后的支持向量机(CS-SVM)对样本数据进行故障诊断分类。通过凯斯西储大学的轴承故障振动信号数据进行的实验,验证了该混合智能诊断方法的有效性和优势,结果表明:所提出的方法可以对轴承故障准确进行分类。     

基于信息融合的稀疏自编码故障诊断

针对目前大多数机械故障诊断中单一振动加速度信号特征提取对先验知识要求高和对时域、频域信息利用不充分等问题，提出了一种基于信息融合的稀疏自编码故障诊断方法。首先，对振动加速度信号进行频域积分得到速度和位移信号，同时计算加速度信号的频谱；其次，将频谱、速度、位移三种信号融合成一个复合信号；最后，将复合信号作为稀疏自编码网络的输入进行深度特征提取，利用SoftMax分类器进行状态识别。通过调整不同比例的输入信息来调整模型，并与传统的稀疏自编码故障诊断模型相比，结果表明，所提方法能有效识别滚动轴承故障和RV行星轮故障，且在减少网络层数的同时能够提高识别准确率。     

ELMD与排列熵在滚动轴承故障诊断中的应用

针对轴承故障信号往往被强背景噪声淹没,采用传统包络解调方法难以提取故障特征的问题,提出总体局部均值分解(ensemble local mean decomposition,ELMD)与排列熵(permutation entropy,PE)相结合的轴承故障诊断方法。首先,对轴承振动信号进行ELMD分解并得到一系列窄带乘积函数(product function,PF),然后,计算各PF分量排列熵以构造高维特征向量,最后将高维特征向量作为多故障分类器的输入来识别轴承故障类型。实验结果表明ELMD方法可以有效地抑制模态混叠;PF分量的排列熵分布可以反应轴承不同工作状态下的信号特征;基于ELMD与排列熵的智能诊断方法可以准确地识别轴承的工作状态和故障类型。     

多核的LSSVM的轴承故障诊断算法研究

针对滚动轴承故障诊断中出现的多故障类型识别与诊断问题,在LSSVM和多核学习的基础上,提出了多核的LSSVM的轴承故障诊断算法。多核的LSSVM实现的关键是如何确定多核函数的每个基本核函数的权系数,采用核度量标准——核极化来解决此难题。首先,选择基本核函数及其核参数值;然后,用核极化求解基本核函数的权系数,组合多核函数;最后,创建多核的LSSVM算法模型,进行轴承故障诊断。美国西储大学的滚动轴承的实验结果表明,与5-fold SVM和LSSVM相比,多核的LSSVM算法具有更优的故障识别率,验证了所提算法的有效性。     

LCD模糊熵和SOM神经网络在液压泵故障诊断中的应用

针对液压泵故障诊断问题,提出了一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)、模糊熵和SOM神经网络三者相结合的故障诊断方法。对液压泵振动信号进行LCD分解,得到若干个内禀尺度分量(Intrinsic Scale Component,ISC);将ISC分量分别与原信号进行相关分析,筛选出包含主要故障信息的前几个ISC分量,计算其模糊熵并组成特征矩阵;将特征矩阵输入SOM神经网络进行分类识别。液压泵故障诊断实例表明,该方法能够准确识别液压泵典型故障,具有一定优势。通过与BP神经网络分类结果相对比,显示了SOM神经网络在特征分类方面的优越性。     

基于主成分分析的多域特征融合轴承故障诊断

针对复杂工况下难以区分轴承故障状态的问题,提出一种基于主成分分析的多域特征融合轴承故障诊断方法。采集轴承振动加速度信号,提取轴承时域新量纲一化特征、频域幅值谱特征和时频域经验模态分解特征共13维特征用于完整表征轴承状态;利用主成分分析方法对所提取特征融合与降维,降低诊断模型复杂度与数据分析难度;最后,选择合适的卷积神经网络进行分类,通过石化机组故障诊断实验平台进行验证。结果表明：多域融合特征相对于单域特征诊断效果更好,卷积神经网络分类模型相对于其他经典分类模型诊断准确率更高,融合诊断分类方法整体诊断准确率达到86%。     

基于MRMD的滚动轴承损伤程度识别方法研究

为解决滚动轴承损伤程度难以识别的问题,提高故障诊断的准确率,将特征选择方法应用到滚动轴承故障诊断中。在建立多域特征集的基础上提出一种基于MRMD(Max Relevance Max Distance)评价准则的特征选择方法完成对轴承损伤程度的评估。首先从原始信号中提取能够表征轴承运行状态变化的时频域统计特征并建立多域特征集;然后利用MRMD特征选择方法去除特征集中的无关特征和冗余特征,筛选出敏感特征;最后将筛选出的故障特征样本输入到概率神经网络(PNN)中得到损伤程度的评估结果,利用该特征选择方法可以实现轴承裂纹损伤程度的识别。以分类器正确率为依据,验证了基于MRMD特征选择方法的有效性和优越性。     

基于小样本下改进ChaosNet的轴承故障诊断

为解决在训练样本不足条件下,轴承故障特征提取困难的问题,提出一种基于改进神经混沌学习(neurochaos learning+AdaBoost, NL-AdaBoost)的轴承故障诊断新方法。首先,对时域振动信号进行快速傅里叶变换(fast fourier transform, FFT)提取频域特征,拼接时频域信号获得一维特征样本;其次,输入信号产生对混沌GLS神经元的激励,形成ChaoFEX特征,馈送至集成学习分类器(AdaBoost);随后,选取轴承故障特征样本,对样本集做k折交叉验证,获得模型最优超参数值,将其应用于测试集进行模型分类能力验证;最后,在小样本对比实验中,与4种常见深度学习算法比较模型的macro F1-score。实验结果证明,在低训练样本条件下,NL-AdaBoost模型具有良好的准确性和泛化能力。