基于状态加权合成的HMM滚动轴承故障诊断

在故障诊断基本原理的理论基础上,使用具有良好识别和抗噪性能的连续高斯混合密度隐马尔可夫模型(CGHMM)进行建模,针对多样本观察值序列问题,详细地描述了一种新的算法状态加权合成的CGHMM训练算法,并将其应用于轴承故障诊断。试验结果表明,平均训练时间为12.859 s,诊断时间为0.189 s,诊断精度为96%。该方法确实有效可行,具有良好的应用前景。     

基于LabVIEW的滚动轴承故障诊断系统

设计了一种基于LabVIEW的滚动轴承故障诊断系统,将测振仪输出的振动信号通过BNC-2120附件和NI-USB6009数据采集卡进行A/D转换后送至计算机,然后采用LabVIEW语言设计的软件平台在时域和频域内对振动信号进行了故障诊断,并实现了测量结果的实时显示、存储和打印等功能。     

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。     

基于改进GADF-SeResNet滚动轴承故障诊断方法

针对传统故障诊断方法对滚动轴承进行故障诊断准确率较低且时效性较差的问题,提出了一种基于格拉姆角场(Gramian Angular Field, GAF)编码技术与改进SeResNet50模型对滚动轴承的故障诊断方法。采用格拉姆角场技术将一维振动信号重编码为二维特征图像,将二维特征图像作为模型的输入,结合ResNet算法在图像特征提取和分类识别方面的优势,实现自动特征提取与故障诊断,最终达成对不同故障类型的分类。为验证方法的有效性,选用凯西斯储大学的滚动轴承数据进行验证,并与其他常用智能算法进行对比,结果表明,所提方法较其他智能算法分类准确率更高且时效性较好。     

基于统计学方法的滚动轴承故障诊断

提出了滚动轴承故障诊断的统计学方法应用,基于概率分布原理,该方法能够解决滚动轴承局部损伤模式识别的问题。实验室模拟几种滚动轴承工作状态,利用DLF-4电荷电压滤波积分放大器和INV306U智能信号采集分析仪分别采集相应的数据,然后进行相关处理与分析,分析结果以图标的形式给出。结果表明:基于概率分布原理的方法在轴承故障信号的处理中能够消除噪声影响,提取故障特征信息,从而识别出滚动轴承的实际工作状态,取得了较好的效果。     

基于小波分析的滚动轴承故障诊断

针对滚动轴承故障的非平稳振动信号,提出了一种结合峭度和小波函数的时-频分析方法.该分析方法应用Matlab软件对包含滚动轴承故障信息的信号进行了小波分解和重构,并通过Hilbert变换进行了解调和细化频谱分析.实验结果显示,该分析方法可以有效地把轴承中的故障信息成分检测出来,从而快速地判断出轴承的故障类型.     

基于HMM-EMD的滚动轴承故障诊断方法

针对滚动轴承早期微弱冲击性故障信号特征难以提取及诊断的问题,提出了一种基于HMM-EMD的滚动轴承故障诊断新方法。该方法首先对滚动轴承故障振动信号进行经验模态分解,将其分解为多个IMF之和,其次对分解后的信号进行能量特征提取,得到相应的故障特征,再对故障特征进行归一化处理得到故障能量特征向量,最后通过建立HMM进行故障诊断。     

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。     

基于神经网络的滚动轴承故障诊断方法的研究

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

滚动轴承故障诊断虚拟仪器系统

针对目前国内轴承振动测量仪不能识别轴承异常声的问题，设计了一种新的轴承故障诊断仪器系统。该系统除集成了现有轴承振动测量仪的所有功能，并进行了功能扩展，介绍了噪声与振动之间的关系、仪器系统的设计方案和系统的应用前景。     

基于小波分析的滚动轴承故障诊断研究

通过典型信号的MATLAB仿真,针对滚动轴承故障信号的非平稳性特点,结合峭度直方图和小波函数的时频分析方法,对包含滚动轴承故障信息的信号进行了小波分解和重构,对重构后的细节信号作Hilbert包络并进行谱分析,从而有效地把轴承中的故障信息成分识别出来.     

基于小波包的滚动轴承组合故障诊断

给出了一种新的滚动轴承故障诊断方法,将小波包和EMD方法、AR模型法相结合,实测信号分析表明,此方法不但正确检测到了轴承的状态,而且优于EMD和AR模型法.     

基于1DCNN的滚动轴承故障诊断方法

针对传统故障诊断方法在轴承故障诊断中的局限性,提出了基于一维卷积神经网络(1DCNN)的智能故障诊断方法。研究构造出一个1DCNN网络结构,该结构以轴承振动信号作为输入,实现了"端到端"的智能诊断。利用该网络结构对仿真信号和实测信号都实现了很好的分类效果。     

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.     

基于BP网络的滚动轴承故障诊断方法

据统计，旋转机械的故障，30%是由滚动轴承故障引起的。因此，滚动轴承的故障诊断方法的研究得到各国专业技术人员的重视。对此，本文提出了一种新的关于滚动轴承故障的BP网络诊断方法，即通过建立相应的BP网络模型，并用BP算法对该网络进行训练，利用神经网络的智能性来判断轴承所属的故障类型。仿真结果表明，该方法实用有效。     

基于包络谱分析的滚动轴承故障诊断分析

介绍了包络谱分析方法的基本原理,它是一种基于滤波检波的振动信号处理方法,也是诊断设备零件损伤故障的一种有效的手段,尤其对初期故障和信噪比比较第的故障信号,识别能力很强。重点分析了包络谱分析方法在轴承故障诊断中的应用。通过对滚动轴承故障诊断的实例分析,验证了包络谱分析运用于诊断设备零件损伤故障所取得的效果。     

基于数据融合的滚动轴承故障诊断研究

以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别,经过一定的信息融合分析处理,能够较为准确地识别设备的故障.     

基于蚁群神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,将蚁群算法与神经网络相结合,根据轴承故障产生的机理,建立其BP神经网络的诊断模型,以网络的误差为目标函数,通过蚁群算法进行BP网络的权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该方法具有较高的故障诊断准确度,具有较强的实用性。     

基于WPD-HHT的滚动轴承故障诊断

在分析小波包分解(WPD)和HilbertHuang变换(HHT)的基础上,通过将WPD和HHT相结合,引进了一种故障诊断方法(WPDHHT)。仿真和实验表明,此方法能有效提取周期性脉冲成分并抑制噪声。     

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