基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

基于小波包特征向量与神经网络的滚动轴承故障诊断

基于故障轴承的特征提取,提出了将小波包分析与神经网络结合的滚动轴承故障诊断方法.对滚动轴承信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,试验结果表明,该方法能够有效地诊断出滚动轴承的故障类型.     

MED和分层模糊熵在滚动轴承故障诊断中的应用

针对单一的小波包能量特征难以实现滚动轴承故障准确诊断的局限性,提出了一种新的基于最小熵解卷积(Minimum Entropy Deconvolution,MED)、小波包能量谱和分层模糊熵的滚动轴承故障诊断方法。采用MED算法抑制噪声,突出故障冲击特征;分别提取小波包分解后不同频段能量谱和分层模糊熵融合作为特征向量,通过支持向量机完成了对于滚动轴承的故障分类。将提出的方法应用于滚动轴承实验数据进行分析,通过对比结果验证了所提方法有更高的分类准确性和更大的实用性。     

基于最小二乘支持向量机滚动轴承故障诊断

根据滚动轴承故障时振动信号特点,提出了一种基于小波包变换和最小二乘支持向量机(LS-SVM)相结合的滚动轴承故障诊断方法.通过对滚动轴承振动信号进行小波包分解,得到各分解节点对应频率段的重构信号以及各节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别,然后在滚动轴承故障试验台上实测振动数据.分析结果表明,该方法具有较高的分类速度和较好的故障诊断正确率.     

基于小波包分解和BP神经网络的轴承故障诊断

针对滚动轴承的故障诊断,提出了小波包分解与BP神经网络结合的诊断方法。对轴承振动信号进行3层小波包分解,构造其特征向量,输入神经网络进行训练和测试。Matlab仿真结果表明,该方法能有效地诊断出轴承的故障类型。     

基于小波包分解和频率加权能量算子的滚动轴承故障诊断

针对强背景噪声下故障特征信号提取难的问题,利用小波包分解能重构信号高低频的特点和频率加权能量算子抗干扰性强的优势,提出基于小波包分解与频率加权能量算子相结合的滚动轴承故障诊断方法。首先运用小波包分解对原始信号进行三层小波包分解,通过计算各个分量的峭度得出最优分解系数;再利用频率加权能量算子追踪信号的瞬时能量并求其包络谱;最后分析包络谱中频率成分并与对应故障特征频率进行对比。仿真信号和实验数据都能证明所提方案的有效性和实用性。     

IMF能量和RBF神经网络相结合在滚动轴承故障诊断中的应用研究

针对滚动轴承的故障特点,提出了一种将IMF能量与RBF神经网络相结合的方法用于故障诊断.该方法首先利用经验模态分解(EMD)方法,把振动信号分解为若干个IMF分量,再用重要的IMF分量求得IMF能量特征向量,最后将特征向量输入RBF神经网络进行故障模式分类.通过对滚动轴承的正常状态、内圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.     

基于分段线性分类器的滚动轴承的故障识别

为了解决滚动轴承的特征提取和故障特征的模式分类问题,提出了一种应用小波包变换和线性分类器相结合的滚动轴承故障诊断的识别方法。根据轴承振动信号的频域变化特征,首先对滚动轴承振动信号进行三层小波包分解,提取第三层各个终节点系数的能量作为特征向量,然后将特征向量输入由线性判别式构成的分段线性分类器中进行故障的模式分类和识别,最后在滚动轴承试验台上实测故障。试验表明,分段线性分类器可以有效地识别轴承的故障模式。     

支持向量机和小波包分析下的轴承故障诊断

简要介绍了支持向量机和小波包分析理论,在此基础上提出将故障信号经小波包分解后各子频带信号能量与信号总能量之比作为故障特征并构造特征向量作为SVM分类器的输入,实现故障状态的诊断。设计实验进行验证,在转子实验台上测得滚动轴承各种状态下的振动信号,经小波包分解后计算各子频带相对能量作为实验数据。将数据分为训练样本较多和训练样本较少两组数据集,分别使用四种不同核函数和一对一与一对多两种算法进行故障状态分类计算,以了解其对SVM分类性能的影响,最后与BP神经网络分类结果比较,对比SVM分类器与传统故障诊断方法的优缺点。     

形态滤波优化算法用于滚动轴承故障诊断

为了有效地从非线性、非平稳性的滚动轴承振动信号中提取有用的信息成分,提出了一种优化的形态滤波算法-Elman神经网络相结合的方法。首先,采用局域均值分解(LMD)将轴承振动信号分解成若干PF(product runction,简称PF)分量之和;然后,利用峭度最大准则选取PF分量,再用自适应多尺寸多结构元素形态滤波器对其进行滤波解调,进而提取出能量特征向量,作为Elman神经网络的输入参数;最后,区分滚动轴承故障状态和故障类型。仿真分析和试验研究表明,该方法能够有效地提取出滚动轴承的故障特征,与传统的高频共振解调方法相比效果更加明显,与小波包分析-BP神经网络故障诊断方法对比,显示出其具有更高的识别率,更加表明其可行性和有效性。