基于改进果蝇优化算法优化RVM的电机轴承故障诊断

针对相关向量机(RVM)在电机轴承故障识别中的性能受参数选择影响较大的问题,提出了基于反向认知果蝇优化算法(RCFOA)优化RVM的电机轴承故障诊断方法。为提高FOA算法的寻优能力,引入反向学习策略,对原始果蝇优化算法进行了改进。利用RCFOA进行RVM参数的优化,可以有效地提高RVM的分类性能。电机轴承不同类型、不同程度故障诊断的实例表明,RCFOA算法能够获得更优的参数,提高了RVM的故障诊断准确率,相比于其他一些方法更有优势,可有效应用于故障诊断。     

基于AMD和小波阈值去噪的电机轴承故障诊断

轴承是异步电机常见故障类型中发生故障概率最大的部件.谐波法是目前轴承故障诊断的常用方法,想要准确的获取故障特征谐波分量,需要对故障信号进行去噪预处理.针对故障信号提取特征频率的噪声干扰问题,结合电机轴承故障机理分析,提出运用解析模态分解(AMD)算法和小波阈值去噪算法相结合的谐波检测方法来提高电机轴承故障特征谐波分量提取的准确性.实验结果表明,所提方法能够准确的提取故障信号的特征分量,可有效提升故障诊断的准确性和可靠性,降低了电动机故障发生概率.     

变工况下基于信息融合的地铁牵引电机轴承故障智能诊断

针对传统滚动轴承故障诊断方法过于依赖先验知识和专家经验,以及单一信号对某些故障识别率偏低的问题,提出一种变工况下基于信息融合的地铁牵引电机轴承故障诊断方法.首先搭建滚动轴承试验与多信息采集系统;其次对地铁牵引电机轴承进行缺陷预制并采集轴承试验过程中的声发射和振动信号;然后用小波包分解对原始信号进行处理并提取特征,再用卷积神经网络对归一化后的特征信息进行融合;最后建立二维卷积神经网络模型,对不同工况下的地铁牵引电机轴承故障进行智能诊断.试验结果表明:变工况下基于信息融合的地铁牵引电机轴承故障智能诊断方法,可在载荷和转速变化的情况下准确识别轴承的故障类型,当神经网络训练集与测试集涵盖工况相同时,准确度可达100％.     

小波和RBF神经网络在轴承故障诊断中的应用

分析了基于径向基神经网络的故障诊断方法和原理,采用小波包分析对其建立频域能量特征向量,利用径向基函数神经网络完成滚动轴承故障模式的识别.试验结果表明,系统不仅能够检测到轴承故障,而且能够比较准确地识别轴承的内、外圈故障模式,可以满足工程中的需要.     

循环平稳分析方法在交流电机轴承故障诊断中的应用

通过分析电机轴承故障时的振动信号特性.证明这个非平稳信号具有周期平稳性,讨论循环平稳信号的循环自相关函数特性;并经循环平稳解调性的分析,提出利用循环谱对电机轴承故障振动信号进行模拟仿真诊断,证明利用循环平稳分析方法能够快速有效地识别出轴承故障.     

基于小波去噪的机车牵引电机轴承故障诊断仿真研究

轴承是牵引电机重要的传动部件,其性能直接影响机车的运行状态,机车运用时间过长,运行环境恶劣往往导致轴承不同程度的磨损、烧结,为降低牵引电机轴承故障率和机车维护成本,方便获取牵引电机轴承运用信息,本文提出基于小波去噪提取轴承特征的分析方法,利用LabVIEW编译软件对采集到的仿真试验台轴承振动信号进行小波包去噪处理,结合Hilbert包络分析提取去噪后信号的故障特征频率进行故障识别,为机车牵引电机故障诊断提供理论依据。     

基于朴素贝叶斯方法和权值分析方法的电机轴承故障诊断

为了分析电动机轴承故障类型,首先采用小波包分析对轴承振动信号进行了高低频分解及重构,然后以各频带的能量值构成了轴承振动信号的特征向量,最后通过朴素贝叶斯网和提出的权重分析两种方法进行了电机轴承故障分类;采用朴素贝叶斯网对已知电机轴承故障类型的样本数据进行训练,获得参数后识别未知样本的故障类型,利用权重分析法计算未知与已知类型的电机轴承振动样本的相关系数,然后构建权重,并按照权值和的大小获取未知样本的故障类型。仿真结果表明,朴素贝叶斯网能较好地实现电机故障诊断,所提出的权重分析方法也能较好地对电机故障进行诊断。     

基于压缩感知与改进的深度极限学习机的轴承故障诊断方法

大数据时代下的轴承故障监测存在海量数据处理实时性和故障特征选取的主观性问题,为了实时、智能的实现轴承故障诊断,提出了压缩感知(Compressed Sensing,CS)与改进的深度极限学习机(Multilayer Extreme Learning Machine,ML-ELM)相融合的轴承故障诊断新方法.该方法首先通过压缩感知理论从大量轴承监测数据中获取能够表达特征信息的少量数据,然后用轴承信号在压缩感知变换域中的测量值进行由PSO改进的深度极限学习机分类识别,实现故障智能诊断.此方法大幅减少了轴承诊断信号的数据量并省去了智能诊断时特征选取的步骤,充分利用了深度极限学习机从少量测量值中挖掘轴承信号的特征信息,实现了智能、准确的分类.实验分析表明:该方法对不同位置、不同损伤程度的故障能够准确的识别,为轴承状态监测和故障诊断提供了新方法.     

基于LMD与改进SVM的轴承故障诊断方法

针对轴承振动信号故障特征信息实际提取困难的问题,基于局部均值分解(LMD)与改进支持向量机(SVM)提出了轴承故障诊断方法.对所采集的轴承振动信号进行局部均值分解,得到若干乘积函数的分量.计算各乘积函数的能量,选取能量百分比值作为识别故障的特征值.针对支持向量机不能自适应选择核函数参数和惩罚因子的问题,利用细菌觅食优化算法对支持向量机进行参数优化.将特征值输入改进支持向量机模型,对轴承故障状态进行识别.试验结果表明,相对于传统支持向量机模型和隐马尔可夫模型,采用所提出的轴承故障诊断方法,对轴承故障的识别准确率提高7个百分点以上,由此验证了所提出的轴承故障诊断方法的可靠性.     

低信噪比下的滚动轴承早期微弱故障识别

低信噪比下的滚动轴承早期微弱故障识别是轴承故障诊断领域的一个难点问题，基于希尔伯特变换解调的包络谱分析法虽是得到广泛工程应用的轴承故障检测经典方法，但其对信噪比过低的轴承早期微弱故障诊断能力不足。针对这一问题，采用时频域高阶统计量——谱峭度开展滚动轴承早期微弱故障识别研究。利用滚动轴承从完好逐渐发展到外圈损伤失效的全寿命周期试验数据进行分析，结果表明：对于轴承出现的早期微弱故障，谱峭度法能够通过识别提取位于高信噪比共振频带的微弱故障信号，实现轴承早期微弱故障识别，相比直接采用包络谱分析法提前了200 min检测出微弱故障。