基于多域特征及多传感器网络融合的滚动轴承故障诊断

将幅值域无量纲参数和时频域信息熵作为概率神经网络的特征向量,构建多传感器系统概率神经网络的初级诊断网络,并利用概率神经网络累加层输出结果构建Dempster-Shafer证据理论的mass函数,通过Dempster-Shafer证据理论进行决策级融合诊断。将该方法用于滚动轴承故障模式分类,并通过实验室及现场实例验证了该方法的可行性与有效性。     

基于最优熵与EEMD的滚动轴承微故障诊断方法

滚动轴承是易损件,为了更好并及时检测出在信噪比低的情况下的轴承早期微故障振动信号,提出了小波包最优熵和EEMD相结合的方法。运用小波包最优熵对采集信号实现信噪分离,突出了小波包降噪效果明显;通过EEMD将信号分解成多个分量;最后以互相关、峭度准则提取故障信号分量以避免分量选择的盲目性。结果表明:该方法对轴承初期故障具有良好的降噪效果,可以准确快速地检测出轴承故障,从而表明该方法是有效且可行的。     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

基于阶次跟踪和总体经验模式分解相结合的滚动轴承升速过程的故障诊断方法研究

对于某些旋转机械(转炉、轧机)来说,一直处于变速运动,因此对变速过程的振动信号进行分析具有重要意义。滚动轴承作为其重要部件,对其升速过程的振动信号进行研究,有助于滚动轴承的故障诊断。提出了一种基于阶次跟踪和总体经验模式分解相结合的诊断方法。首先将升速过程的时域信号转化为角域信号,然后对角域信号进行总体经验模态分解,再用互相关、峭度准则对IMF分量进行提取,最后对提取到的信号进行阶次谱分析。通过实验案例的分析,能够有效的识别滚动轴承故障,进而表明本方法的有效性。     

基于阶次跟踪和小波包分析相结合的滚动轴承升速过程的故障诊断方法研究

滚动轴承在实际工况下并非全部都是恒速运转,在某些工况下一直处于变速工作,因此对变速过程的振动信号进行研究同样具有重要意义。在其变速工作过程中,振动信号包含大量的特征信息。并且由于此类信号所表现出非平稳性的特点,如果采用传统的频谱分析法分析,结果就会出现严重的"频率模糊"现象,很难提取到故障信息。所以提出了一种基于阶次跟踪和小波包分析相结合的诊断方法。首先对升速过程时测得的原始时域信号进行等角度重采样,然后对重采样后的角域信号进行小波包分解和重构,最后对重构信号进行阶次谱分析。通过仿真信号验证和实例分析,能够对滚动轴承故障进行有效诊断,从而表明本方法的有效性。     

基于改进小波包和EEMD的轴承故障诊断

针对轴承振动信号非平稳性及工作情况下难以获得故障频率,提出一种基于改进小波包和总体经验模态分解(EEMD)的轴承故障诊断方法。首先运用改进小波包对振动信号进行分解,得到按顺序排列的子带频带。然后提取故障频率范围的子带信号并进行EEMD,以互相关系数和峭度准则提取故障分量,避免了固有模态函数(IMF)分量选择的盲目性。仿真和试验分析结果表明,该方法能有效且准确地检测出轴承故障。     

小波包和峭度在轴承早期故障分析中的应用

为实现轴承故障的精确诊断,提出一种基于小波包与峭度准则的包络解调方法。当信噪比较小时,该方法可以剔除含噪信号,与现阶段经常使用的细节系数能量方法相比,可更为有效地提取轴承的故障信息。该方法首先利用小波包将振动信号分解,突出小波包降噪效果的明显性;然后以峭度准则提取降噪后信号所需的细节系数并对其重构;最终进行包络谱分析,准确地检测出轴承故障,提高轴承故障诊断的精确度。