EEMD-IGSA-BP的电机轴承故障诊断方法研究

为了提高轴承故障诊断的准确性与快速性,提出一种集合经验模态分解(EEMD)、BP神经网络与改进引力搜索算法(IGSA)相结合的故障诊断方法。以电机轴承故障诊断为例,对电机轴承的故障信号采用EEMD分解,利用经过IGSA优化BP神经网络的权值、阈值对故障特征进行诊断。试验结果表明所提方法具有更快的诊断速度和更高的诊断率,能够有效地对电机轴承故障进行诊断。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于CEEMDAN-Hilbert-CNN的滚动轴承故障诊断

在故障诊断方面,针对希尔伯特黄变换信号分解存在模态混叠和人工神经网络面对高维数据收敛性差、特征分类误差大等问题,提出一种改进的希尔伯特黄变换与卷积神经网络相结合的滚动轴承故障诊断的新方法:将希尔伯特黄变换的经验模态分解替换为自适应白噪声的完整经验模态分解,并与卷积神经网络相结合.提出的滚动轴承故障诊断新方法进行故障诊断...     

改进的CNN-LSTM轴承故障诊断方法

为了克服卷积神经网络(Convolutional Neural Network, CNN)轴承故障诊断方法特征提取过程困难以及难以捕获时间序列数据之间的长期依赖关系的问题,提出一种改进的卷积-长短时记忆网络(Convolutional Neural Network-Long and Short Term Memory, CNN-LSTM)滚动轴承故障诊断方法。将二维轴承加速度振动信号输入CNN提取局部特征,再将轴承特征信息加载到LSTM长期记忆单元中,引入遗忘机制提取时序数据的全局特征。利用轴承振动信号的局部深层特征和全局时序特征,学习不同区间长度的序列特征,从而提高故障诊断精度。实验结果表明,该方法可用于轴承故障诊断,且具有较高的分类精度和较强的稳定性。     

基于卷积神经网络的风电机组轴承机械故障智能诊断方法

在风力发电机组运行中轴承机械故障发生概率较高,而传统诊断依靠人工专家来进行故障特征识别,难以实现风电机组自动化故障检测和智能运维。基于振动信号检测、信号变换、卷积神经网络识别的轴承故障智能诊断思路,设计了具有三对卷积-池化层和两层全连接层的深度卷积神经网络模型和诊断算法。基于公开数据集对所提出方法进行了实验验证,并对基于振动信号经过振动灰度图、短时傅里叶变换时频图和连续小波变换时频图三种不同信号变换方式对诊断模型准确率的影响进行了比较和分析。实验结果证明所提出轴承机械故障智能诊断方法的有效性,为风电机组机械故障诊断和智能化运维提供了新的思路。     

卷积神经网络多变量过程特征学习与故障诊断

为提取复杂多变量过程的有效特征,提高故障诊断性能,提出一种基于卷积神经网络（convolutional neural network,CNN）特征学习的多变量过程故障诊断模型. 将高维过程信号归一化处理转为图像信号,多层卷积滤波器与子采样滤波器交替构成的轻量级CNN网络通过多个卷积核与图像进行卷积,采用本地连接和权重共享,滤除过程噪声和干扰信息,从而获得过程数据的高层抽象化表达. 通过Softmax层有监督的微调方式学习故障特征完成故障诊断. 利用以田纳西过程为代表的多变量非线性过程验证了模型的有效性,与经典分类器和近几年流行的深度神经网络进行对比, 结果表明:将高维过程信号转为图像信号输入CNN提高了多变量过程的故障诊断精度;通过t-SNE方法对模型提取的特征进行可视化分析,说明模型强大的特征提取能力;将模型提取的特征作为传统分类器的输入时,故障识别准确率显著提升,进一步说明有效的特征提取有利于提高故障诊断的准确度和可靠性;与无监督学习方式相比,模型通过标签能获取更有效、稳定和抽象化的数据特征.     

基于改进稀疏滤波与深度网络融合的轴承故障诊断

针对滚动轴承故障时特征提取依赖人工经验,以及故障类别难以自动准确识别的问题,提出了一种改进稀疏滤波和深层空洞门卷积网络相结合的故障诊断模型. 采用滑动窗对具有时序特征的轴承振动信号进行采样处理以避免过拟合;通过改进目标函数的稀疏滤波消除数据中的异方差并提取数据特征,达到缩短计算时间和提高分类准确率的效果;利用空洞门卷积和双向LSTM网络对噪声进行滤除,同时进行故障分类识别. 对比凯斯西储大学和动力系统装置的轴承实验数据,显示该模型故障诊断准确率可达98%. 不同负载和不同信噪比的轴承振动信号实验,表明该模型具有泛化性和抗噪性.     

EEMD两级神经网络的数控机床伺服系统故障诊断

首先通过集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)得到含有核心故障信号IMF分量作为特征量,按故障部件确定故障定位总神经网络,然后以电机、轴承、滚珠丝杠和联轴器故障类型分别建立故障类型分神经网络。     

基于自动编码器和SVM的轴承故障诊断方法

支持向量机(support vector machine,SVM)应用于轴承故障诊断前,首先要提取轴承的特征信号.在以往的特征信号提取中,往往是依据已有的知识模型进行特征筛选.随着近年来深度神经网络(deep neural network,DNN)的应用与推广,自动编码器(auto-encoder,AE)在特征提取方面的优势尤为突出.作为一种无监督的学习方式,AE能够基于数据驱动提取信号的特征值,使得特征提取不再依赖于先验知识,从而让整个故障诊断过程更具智能化.本文运用改进的AE、去噪自动编码器(denoising autoencoder,DAE),进行轴承信号特征提取,并用SVM进行故障诊断.最终与基于经验模态分解(empirical mode decomposition,EMD)能量熵的SVM对比,反映具有无监督学习方式的DAE-SVM在轴承故障诊断方面的优越性,诊断准确率接近100%.     

基于EMD和包络谱分析的轴承故障诊断研究

提出了一种基于经验模态分解(EMD)和包络谱分析的轴承故障诊断的新方法．EMD是把时间序列信号，分解成不同特征时间尺度的固有模态函数(IMF)，具有自适应的分析能力，然后通过选取表征轴承故障的IMF分量进行包络谱分析，就可提取轴承故障信号的特征．轴承故障实验信号的研究结果表明：该方法能有效地识别轴承故障．     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

一种基于EEMD的异常声音识别方法

为了优化组合特征在异常声音识别中的效率,提出一种用集合经验模态分解（EEMD）对异常声音帧信号进行有效性检测和提取多层特征的算法.首先对异常声音帧信号进行集合经验模态分解,得到固有模态函数;然后根据给定的固有模态函数层数阈值,对该帧信号进行有效性检测;再对有效帧信号的每一层固有模态函数提取梅尔频率倒谱系数、翻转梅尔频率倒谱系数、线性预测倒谱系数、短时能量和能量比,并将它们归一化后拼接成多层特征.根据提取的特征,用深度卷积神经网络实现异常声音识别分类.仿真结果表明,提出的新方法在4类异常声音识别中的识别率可以达到98.65%.     

基于 EMD-CNN 的光伏逆变器开路故障诊断

绝缘栅双极型晶体管（IGBT）是光伏逆变器的核心部件,其若发生开路故障,不但会影响光 伏逆变系统的稳定运行,且可能会损坏系统设备。从减少传感器使用数量和融合多尺度特征的角度出发,对 开路故障诊断问题进行了研究,提出了一种基于经验模式分解（EMD）和二维卷积神经网络（2D-CNN）的 光伏逆变器故障诊断新方法。该方法利用 EMD 提取电流信号的本征模函数分量和原始信号组成二维特征数 据,然后将该数据输入 2D-CNN 模型中进行训练,最后实现 IGBT 开路故障的诊断。实验结果表明,该方法 不仅能提高故障诊断的准确率,而且在噪声环境下具备有效性和鲁棒性。     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

基于CEEMDAN⁃SPSO⁃ELM的旋转电机滚动轴承故障检测方法

由于旋转电机滚动轴承振动信号存在不平稳、非线性的特征,传统时频分析法、小波分解法存在在信号分解过程中能量泄露、自适应能力差的问题,经验模态分解（EMD）法存在模态混叠等问题。提出一种基于噪声自适应完备总体平均经验模态分解方法（CEEMDAN）,利用具有麻雀捕食预警机制的粒子群算法（SPSO）优化极限学习机神经网络（ELM）的CEEMDAN?SPSO?ELM算法。利用所提方法对滚动轴承单一与多种损伤故障进行分析诊断,结果表明,所提算法具有有效性及诊断准确性。     

EMD遗传神经网络方法

针对BP(back propagation)神经网络搜索速度慢、容易陷入局部最小的缺陷,提出了经验模态分解(EMD)遗传神经网络方法,首先用对带噪的信号进行分解,得到信号的各阶本征模函数分量,每个本征模函数分量对应着一个能量不同的频段,即一种故障特征,将各频段能量的特征向量作为优化神经网络的输入样本;其次用遗传算法对神经网络的初始权值和阈值进行优化.利用EMD遗传神经网络方法对滚动轴承多类故障信号进行分析,可提高故障识别能力.     

基于一维卷积神经网络的钻杆故障诊断

为了在钻杆故障早期诊断出钻杆的故障类型,提出一种基于一维卷积神经网络的钻杆故障诊断模型,对模型的结构和参数进行详细地设计与分析. 参考现有的卷积神经网络模型,结合钻杆的工作特性以及感受野的原理,设计模型的卷积层和池化层的层数、卷积核的大小以及滑动步长. 该模型省去了对故障信号特征提取的过程,比先前的钻杆故障诊断有更高的诊断准确率. 该模型在不同转速工况下和不同土质工况下均具有较强的适应性和抗噪能力.     

基于二维卷积神经网络的滚动轴承变工况故障诊断方法

为了实现滚动轴承变工况运行下仍能进行有效的故障诊断, 提出了一种基于二维卷积神经网络的滚动轴承变工况故障诊断方法。该方法将原始信号以及运行载荷这一工况变量作为输入信号, 无需人工提取特征向量, 减少特征提取过程中的损失, 实现端到端检测, 并将该方法与传统卷积神经网络模型进行了实验对比。结果表明, 相较于传统卷积神经网络, 该方法在故障的识别准确率和诊断的实时性上都有很大程度的提升。