基于EEMD和能量算子解调的滚动轴承故障诊断

传统的小波分解存在小波基函数难以选择的问题,经验模式分解（EMD）存在模式混叠现象,不能准确地诊断出轴承故障。因此本文将集成经验模式分解（EEMD）和能量算子解调相结合,建立了滚动轴承单自由度模型,仿真故障激励,以获取轴承故障动力学响应。最后利用模型结果对本文方法进行数值验证,以证明本文所提方法的有效性和正确性。     

关于能量算子解调方法的研究

能量算子（ＥＯ）解调法是近年来在国外受到重视的一种新的解调方法,本文在介绍其原理的基础上,把这种新的解调方法与作为标准解调法的Ｈｉｌｂｅｒｔ变换法进行了比较。比较了它们的运算速度和解调精度。结果表明,能量算子解调法在运算速度和解调精度方面具有明显优势。相信能量算子法在信号解调分析中大有可为     

一种采用B样条插值的改进能量算子在电梯电机轴承故障诊断中的应用

针对传统Teager能量解调算子方法对电梯运行系统中存在的强背景噪声较为敏感的不足,提出了一种改进的能量解调算子方法;采用了B样条技术与传统Teager能量算子方法进行结合,其中建立的B样条曲线对信号进行插值起到滤波作用;然后再利用Teager能量算子对滤波信号进行转换;最后利用傅里叶变换得到转换信号的频谱图从而揭示故障特征;所提出的基于B样条插值的能量解调方法不仅保留了传统能量解调算法的优点,如较高的解调精度和优秀的时间分辨率等,并且可以在强噪声背景下提取出微弱轴承故障特征;经实验验证实现了提高强背景噪声下的轴承故障检测的性能,能够在故障退化的早期检测故障,满足了实际工况下故障诊断上的应用。     

基于蝙蝠算法优化相关向量机的轴承故障诊断方法

由于轴承振动信号具有复杂性和非线性,难以有效提取故障特征,影响故障诊断的准确率.为了提高故障诊断准确率,提出一种蝙蝠算法(BA)优化相关向量机(RVM)的轴承故障诊断方法.首先结合变分模态分解和多尺度熵从轴承振动信号中提取出故障特征,作为相关向量机的输入向量;接着采用蝙蝠算法优化相关向量机的核函数参数;然后训练相关向量...     

基于改进的EEMD-Hilbert包络解调轴箱轴承故障诊断

为解决在轴箱轴承故障诊断中,原始振动信号带通滤波器参数选择依靠主观工作经验,EEMD分解技术中多个IMF分量分析效率及准确性较低等问题,提出一种改进的EEMD-Hilbert包络解调方法.该方法采用EEMD对原始信号进行分解,利用双相关系数法及阈值法选取有效本征模态分量,通过对本征模态分量进行Hilbert包络解调,获取包络信号幅值谱作为故障特征量进行轴箱轴承故障诊断.并通过轴箱轴承实验台测试验证了该方法的有效性.     

基于EEMD和自相关函数特性的自适应降噪方法

在机械设备早期故障中,反映故障特征的冲击信号非常微弱,容易被噪声淹没,使得故障诊断有一定难度。集合经验模式分解方法将含噪信号分解为多个固有模式分量,其中包括噪声分量和有用信号分量。根据两者自相关函数特性的不同,提出了利用能量集中比找到噪声分量分界点的自适应降噪方法,并利用改进的软阈值方法拾取噪声分量中的高频有用信号。对不同频率的含噪信号进行降噪处理,结果表明,该方法对中低频信号的降噪具有很好的效果。故障轴承振动信号的降噪效果表明该方法的实用性。     

混沌蝙蝠算法优化相关向量机的轴承故障诊断

针对轴承故障诊断问题,采用相关向量机(RVM)进行诊断分析.为提高诊断正确率,研究如何选择相关向量机输入量及核参数.使用小波包能量熵提取原始信号能量特征值.研究发现各状态提取的能量特征值具有较明显差异,可作为相关向量机的输入量.基于混沌优化的蝙蝠算法研究核参数的最优选择.改进后的蝙蝠算法解决了易陷入局部最优的弊端.通过...     

基于振动信号能量熵的轴承故障诊断

轴承大量存在于机械设备当中,轴承的故障也是各种机械故障的主要原因。对轴承故障及时和准确的判断,可以有效地预防由轴承故障引起的事故,减少损失。基于此提出一种基于振动信号能量熵的轴承故障诊断的方法。轴承在不同的工作状态下,轴承振动信号的能量熵不同,也就是能量分布也是不同的,可以通过能量分布的不同判断轴承的状态。首先对轴承的振动信号进行总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition),获得若干个本征模函数IMF(Intrinsic Mode Function),然后计算本征模函数能量特征,将能量特征作为输入,可以建立相关向量机判断轴承的状态。通过实验验证,基于振动信号能量熵的故障诊断方法可以有效地应用于轴承的故障诊断。     

基于能量函数的故障诊断方法与实验

针对运动系统可能发生多种与驱动装置相关的故障,基于系统执行器提供的力矩监视信号,提出基于能量函数进行故障诊断与类型分类的方法。给出基于能量函数的故障诊断原理,分析应用过程中的关键点,提供详细的诊断过程流程图。通过基于Matlab的软件仿真以及以数控运动平台为对象的诊断进行实验,实验结果表明了该方法的有效性。对不同能量函数及其参数的选择进行详细的分析,给出进行故障诊断的指导性原则。     

基于KNN-EMD算法的机车轴承故障诊断方法

机车滚动轴承发生故障时信号是非平稳的,故障发生在不同部位时,其振动信号能量分布不同.传统KNN算法中,欧式距离主要针对空间中两样本点间的距离计算,对空间中不同位置分布间的相似性度量难以实现有效判断.针对上述问题,将一种相似度度量Earth Mover's Distance (EMD)引入到KNN算法中,代替传统的欧式距离对故障部位进行分类.该上述方法使用'db3'小波对轴承震动信号进行三层小波包分解,并计算第三层各结点能量作为该信号的能量分布特征.计算能量分布间的EMD,根据EMD大小对分布间的相似度进行判断.结合KNN中多数表决分类决策对故障部位进行定位.仿真结果表明,所提方法诊断准确率达到99.23％,相较于传统KNN诊断方法在诊断准确率上提升了0.77％.该方法能够准确有效地诊断滚动轴承故障,可以应用到工业生产中.     

基于深度神经网络的提升机轴承故障诊断研究

为了对矿井提升机的轴承故障进行精确诊断,提出一种基于深度神经网络的双层次故障诊断系统,精准识别提升机轴承的故障类型及故障程度。该系统首先利用滑动窗口重叠采样技术进行数据增强,随后结合自编码器减少噪声影响,通过反向传播算法训练深度神经网络双层分类器识别出故障模式及故障程度,最后用集成学习投票法进一步提高识别准确率。实验结果表明,该系统诊断准确率高于SVM与BPNN算法,可以完成提升机轴承的故障诊断任务。     

基于AR-MED和TEO的滚动轴承早期故障诊断方法

针对强背景噪声下滚动轴承早期故障信号信噪比低、特征提取难度大的问题,提出一种将自回归-最小熵解卷积(autoregressive-minimum entropy deconvolution,AR-MED)与Teager能量算子(teager energy operator,TEO)相结合的滚动轴承故障诊断方法.为了达到...     

基于改进小波去噪和EMD方法的轴承故障诊断

将改进的小波阈值去噪与EMD分解相结合应用于轴承故障诊断中。该方法首先利用改进的小波阈值去噪法对原始信号进行去噪,然后采用EMD方法将去噪后的信号自适应地分解成一系列IMF分量之和,通过能量-相关系数法选取能够反映故障特征的IMF分量进行包络谱分析提取故障频率。实验结果表明该方法能够有效识别故障特征频率。     

基于EMD方法的煤矿绞车轴承故障诊断

根据煤矿绞车齿轮箱轴承在变速变载工况下振动信号的频率一直发生变化的特征,提出采用EMD方法进行绞车轴承故障诊断。在较大拖动力与较大转频阶段,根据轴承座在正常状态与故障状态下振动信号的IMF分量的能量与总能量的比值及均方根能量来判断轴承工作状态,通过提取故障信号频率的边际谱判断故障位置。实验结果证明了EMD方法能够有效检测出绞车齿轮箱轴承故障。     

基于软件共振解调分析的滚动轴承故障诊断系统开发

滚动轴承是机械设备的重要组成部分,很大一部分的机械故障都是由它引起的,共振解调是一种有效的分析滚动轴承故障信号的方法,本文使用办报编程实现共振解调,利用Labwiew软件,在完全依靠软件信号处理方法的基础上,成功实现了故障信息的提取,降低了系统的成本,提高了系统的实用性。     

改进深层小波自编码器的轴承故障诊断方法

针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深度学习处理高维、非线性数据的优势,提出一种基于改进深层小波自编码器的轴承智能故障诊断方法。该方法改进小波自编码器的损失函数并引入收缩项限制,再将多个小波自编码器进行堆叠构成深层小波自编码器,并引入“跨层”连接缓解梯度消失现象,最后利用大量无标签数据对网络进行无监督预训练并利用少量带标签数据对模型参数有监督微调。轴承诊断实验结果表明,该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器等方法。     

基于卷积自编码神经网络的航空发动机轴承故障诊断方法研究

航空发动机轴承早期故障多是由于裂纹、疲劳剥落和保持架损坏造成的,这类型的故障在发动机振动信号中均会产生瞬时的冲击;但是,在早期故障中,振动信号由于夹杂过多部件耦合激励,缺陷冲击信号很难辨识,早期故障诊断十分困难;采用了基于卷积自编码网络的航空发动机轴承早期冲击故障特征提取方法,通过分析信号中冲击成分的周期性,利用卷积自编码网络的平移不变学习特性,自动捕获信号中的周期成分,将信号分解为由卷积核重构的多个特征分量,实现信号特征分量的自学习,考虑到峭度指标对信号冲击成分描述的特点,使用峭度指标作为最优特征分量的选取指标,进而实现早期冲击故障特征的提取;最后利用仿真数据和轴承数据验证了该方法的有效性.     

基于PSO-RBF神经网络的电机轴承故障诊断

提出了一种基于PSO-RBF神经网络的电机轴承故障诊断方法.针对RBF神经网络泛化能力方面的不足,利用PSO算法对RBF神经网络的参数进行优化,然后采用优化后的PSO-RBF神经网络对轴承的故障形式进行诊断.结果表明, PSO-RBF神经网络的分类效果较好,在故障诊断领域有很好的应用价值.     

基于模糊自组织映射神经网络的故障诊断方法

在研究Kohonen自组织映射网络理论的基础上运用模糊理论方法建立了刹车系统模糊故障诊断模型。该模型只需选择足够的具有代表性的故障样本训练神经网络，将代表故障的信息输入给训练好的神经网络，根据神经网络的输出结果，就可以判断发生故障的类型。该模型除能识别已训练过的故障，还能识别未训练过的故障，并且聚类能力强、速度快，因此很符合复杂系统的故障诊断。