共查询到20条相似文献,搜索用时 0 毫秒
1.
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. 相似文献
4.
5.
6.
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。 相似文献
7.
8.
9.
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。 相似文献
10.
《机械强度》2016,(5):922-926
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。 相似文献
11.
12.
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。 相似文献
13.
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。 相似文献
14.
15.
16.
滚动轴承异音的故障诊断 总被引:1,自引:0,他引:1
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 相似文献
17.
18.
基于LCD和排列熵的滚动轴承故障诊断 总被引:1,自引:0,他引:1
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。 相似文献
19.
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。 相似文献
20.
《中国工程机械学报》2021,(3)
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。 相似文献