基于SSAE的滚动轴承故障的分类预测

本文提出了一种基于堆栈稀疏自编码器(SSAE)的滚动轴承故障类别的自动识别方法.将原始轴承信号进行截断处理,既保留了有用信息,又扩充了样本数量,有利于神经网络的训练.采用双层SAE神经网络模型,结合softmax分类器,完成对轴承故障类别的自动识别,通过对比实验表明,本文所提方法稳定有效,且准确率高.     

滚动轴承故障诊断

针对锅炉引风机轴承存在的故障问题利用状态监测对滚动轴承进行分析，根据轴承劣化程度安排预知维修。     

滚动轴承的故障诊断

本文通过滚动轴承故障诊断的实践,介绍了信号的时域、频域分析,多参数幅值分析,包络解调分析等方法在滚动轴承故障诊断中的实际应用,提出了一些实践性的建议。特别是文中提到的一些实践经验及做法,是作者近年来结合现场的实际情况对滚动轴承故障诊断做的一些有益的探索。     

滚动轴承的故障诊断

在生产实践中,对滚动轴承的故障的诊断分析十分重要。实践表明,轴承故障特征频率是诊断滚动轴承缺陷的有效方法;利用包络谱、倒频谱分析技术可较准确地判断滚动轴承缺陷的部位及损伤程度。附图７ 幅,表１ 个。     

基于EEMD和MFFOA-SVM滚动轴承故障诊断

针对滚动轴承发生故障时,振动信号的时域和频域特征都会发生变化的特点,提出了基于集合经验模态分解（EEMD）、改进果蝇优化算法（MFFOA）和支持向量机（SVM）的滚动轴承故障诊断方法。该方法主要是利用EEMD方法对故障信号进行分解,并计算各IMF分量的均方根值和重心频率,以此进行归一化处理得到特征向量。为了提高诊断精度,采用果蝇优化算法优化SVM参数,建立MFFOA-SVM模型,然后对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。利用该方法对实测信号进行分析与诊断,并与遗传算法的优化结果进行对比,验证了该方法的有效性,说明其具有良好的应用前景。     

基于MED-ITD和CICA的滚动轴承故障诊断

针对滚动轴承故障诊断在实际中受到噪声影响,故障难以识别的问题,提出了一种基于最小熵反褶积(MED)和固有时间尺度分解(ITD),并结合约束独立分量分析(CICA)的方法。首先,通过MED对轴承故障信号进行降噪,以滤除噪声信号,增强信号冲击成分;然后,通过ITD对降噪信号进行分解,选择合适的筛选分量进行重构;最后,采用CICA方法对重构信号进行盲源分离,通过希尔伯特包络谱进行分析提取出准确的故障信号,并经过试验验证了所提方法的有效性。     

基于EMD和信息熵的滚动轴承故障诊断

提出了一种基于EMD和信息熵的滚动轴承故障诊断方法。利用EMD将滚动轴承振动信号分解为多个IMF分量,计算各个IMF分量的信息熵,设定有效的熵阈值来取舍IMF分量,利用保留的IMF分量重构信号,并对重构信号进行Hilbert包络谱分析,提取滚动轴承故障特征频率。对实测滚动轴承振动信号分析表明,该方法能有效提取滚动轴承的故障特征频率。     

基于ESMD和SVM的滚动轴承故障诊断

针对轴承诊断典型样本较少的问题,提出一种基于极点对称模态分解(ESMD)和支持向量机(SVM)的滚动轴承故障诊断方法。其对信号进行ESMD分解,提取含主要故障信息的IMF能量值进行归一化处理,构成能量特征向量并建立SVM,即可准确判断轴承的工作状态。工程实例分析表明,该方法诊断准确率较高(100%),能够有效应用于轴承的故障诊断。     

基于LMD和ICA的滚动轴承故障诊断

针对局部均值分解(Local Mean Decomposition,LMD)在提取故障特征时易受到噪声干扰的问题,提出了一种基于局部均值分解和独立分量分析(Independent Component Analysis,ICA)的滚动轴承故障诊断方法。该方法首先采用LMD方法提取信号PF分量;其次,对PF分量进行ICA盲源分离,得到PF分量的估计信号,有效去除了分量中的噪声成分;然后,提取估计信号的互信息、相关系数和近似熵作为特征向量;最后,采用SVM对特征向量进行故障分类,通过特征提取和故障诊断实验,结果表明LMD-ICA方法的故障识别率明显高于传统LMD方法。     

基于EMD和Hilbert-Huang的滚动轴承故障诊断

采用EMD和Hilbert- Huang相结合的方式开发了故障诊断程序,并在试验台上针对滚动轴承故障工况进行了模拟试验,采集振动信号并做了分析.     

VMD和t-SNE相结合的滚动轴承故障诊断

滚动轴承故障诊断普遍采用有监督学习的方式,针对有标签数据难以获取的问题,提出一种VMD分解与t-SNE流形学习相结合的滚动轴承故障诊断方法。利用VMD分解将滚动轴承原始振动信号分解为若干本征模态分量(IMF);计算每个模态分量的时频特性指标组成高维故障特征,通过t-SNE对故障进行二次特征提取,获取低维敏感特征并将其作为K-means分类器的输入,实现故障类型的识别。将该方法应用到滚动轴承故障诊断中并与VMD+PCA、原始时频特征+t-SNE两种方法进行对比,结果表明VMD+t-SNE方法以无监督学习的方式实现了故障诊断的去标签化和自适应性,同时提高了故障诊断的准确性。     

基于HMM和CS-VMD的滚动轴承故障诊断

针对滚动轴承故障信号非线性和非平稳的特点,为准确识别滚动轴承的故障类型,提出了一种基于隐马尔可夫模型(HMM)并利用布谷鸟搜索(CS)优化变分模态分解(VMD)的滚动轴承故障诊断新方法。首先,利用CS分别优化VMD的模态分解个数K和二次惩罚因子α;然后,设置寻优得到的最佳参数组合,将故障信号经VMD分解为一系列本征模态函数分量(IMFs);最后,依据相关系数重构信号,并从重构信号中提取特征向量输入HMM模型中训练及识别。通过对实验采集的轴承故障振动信号的分析,验证了此方法的有效性和准确性。     

基于CEEMDAN和SCA-MRVM的滚动轴承故障诊断

针对滚动轴承故障诊断的特征分辨性较低、准确度不高等问题,提出了一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和正余弦算法(SCA)优化多核相关向量机(MRVM)的滚动轴承故障诊断方法.首先采用CEEMDAN方法分解原始振动信号,提取本征模态分量(IMF)的能量占信号总能量的比例和能量熵作为故障特征;然后引入混...     

滚动轴承的故障诊断实例

详细介绍利用频谱分析进行滚动轴承故障诊断的全过程,提出维修建议.     

滚动轴承异音的故障诊断

电机故障中差为多80％表现为电机轴承故障。工作中经常有现场人员反映电机轴承有异音,为了解决轴承异音问题,我们经过长期摸索,找到了一个准确解决电机轴承异音的故障诊断方法。 一、轴承异音的界定和原因 轴承异音一般指轴承运行过程中出现的不正常噪     

基于NSP和SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断中难以获得大量典型的故障样本,以及统计参数对于滚动轴承故障的多分类效果不理想问题,提出了一种基于零空间追踪算法和支持向量机的故障模式识别方法。首先,根据轴承振动模型估计出相应的微分算子;然后,利用上述微分算子将轴承故障信号分解为一系列具备轴承故障特征的窄带信号之和;最后,计算各窄带信号的统计参数,构造特征向量并利用SVM进行故障模式识别。与传统SVM的对比分析试验结果表明:该方法的诊断准确率高达95%,比传统SVM提高了15%,可有效实现滚动轴承故障的模式识别。     

基于LCD和排列熵的滚动轴承故障诊断

排列熵（permutation entropy,简称PE）是最近提出的一种检测时间序列随机性和动力学突变行为的方法,可以考虑将其应用于故障诊断。由于机械系统的复杂性,振动信号的随机性和动力学突变行为表现在不同尺度上,因此需要对振动信号进行多尺度的排列熵分析。基于此,提出了基于局部特征尺度分解（local characteristic scale decomposition, 简称LCD）和排列熵的滚动轴承故障诊断方法。首先,采用LCD方法对振动信号进行自适应分解,得到不同尺度的的本征尺度分量（intrinsic scale component,简称ISC）;其次,计算前几个包含主要故障信息的ISC分量的排列熵;最后,将熵值作为特征向量,输入基于神经网络集成建立的分类器。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。     

基于AVMD和二阶FWEO的滚动轴承故障诊断

针对滚动轴承振动信号中常包含有谐波、高斯白噪声和非周期性瞬态冲击成分,导致故障特征提取困难的问题,提出一种基于自适应的变分模态分解（adaptive variational mode decomposition,简称AVMD）和二阶频率加权能量算子（second-order frequency weighted energy operator,简称SFWEO）的滚动轴承故障诊断方法。首先,根据不同的信号自适应地确定模式数和惩罚因子,利用参数优化的变分模态分解（variational mode decomposition,简称VMD）对原始信号进行分解,得到多个本征模式函数（instrinsic mode function,简称IMF）;其次,计算每个IMF的时频加权峭度,根据时频加权峭度最大化准则选择最佳IMF;最后,采用二阶频率加权能量算子对最佳IMF进行解调。仿真和试验结果表明,所提方法克服了传统VMD算法分解精度受参数影响较大导致信号出现过分解或欠分解的问题,同时二阶频率加权能量算子对信号中的干扰成分具有很好的抑制作用,有效提高了诊断正确率。     

基于CNN和XGBoost的滚动轴承故障诊断方法

滚动轴承是旋转机械最主要的零部件之一,针对滚动轴承故障类型的有效识别问题,提出了一种基于卷积神经网络(CNN)和极端梯度提升(XGBoost)的滚动轴承故障诊断方法。对滚动轴承数据进行预处理,利用训练集对CNN进行训练和调参,运用训练好的CNN模型进行特征的提取,并使用XGBoost模型进行故障类型的分类。采用德国帕德博恩大学滚动轴承进行模型的测试,结果表明:该模型交叉验证得分接近满分,并且在测试集上准确率达到了99%,优于仅仅使用CNN、支持向量机(SVM)、XGBoost以及三层神经网络。