CEEMDAN辅助快速谱峭度的滚动轴承故障诊断方法

为解决集合经验模态(EEMD)存在分量重构误差大和提取的故障特征不明显问题,课题组提出一种自适应噪声完备集合经验模态分解(CEEMDAN)辅助快速谱峭度的故障诊断方法。首先采用CEEMDAN将故障信号分解为多个IMF分量,计算分量的谱峭度值,选择峭度和相关度最大的分量进行重构;然后通过快速谱峭度图确定最大共振频带,进行带通滤波分析,获得故障信息;最后采用某滚动轴承实验数据分别对内圈故障和外圈故障进行实验分析。结果表明：与原始故障信号相比,该方法获得的包络谱更清晰,故障频率更明显,内圈故障频率为162 Hz,外圈故障频率为107 Hz。该方法提取故障特征突出,可以得到有效的故障频带。     

基于谱峭度Morlet小波变换法和经验模态分解的滚动轴承故障诊断研究

本研究针对轴承早期故障信号微弱不易检测的缺陷,提出了一种基于谱峭度Morlet小波变换法和经验模态分解的轴承早期故障信号检测与增强的方法.该方法把谱峭度引入到Morlet小波中,根据谱峭度变化寻找Morlet小波的最佳匹配参数,最大限度地增强故障弱信号;然后对信号进行经验模态分解,以信号相关系数大小确定重构信号的基本模态分量,对重构信号进行包络分析完成故障诊断.实验结果验证了此方法在滚动轴承早期故障诊断中的良好应用效果.     

基于Hilbert共振解调法的滚动轴承振动故障诊断

采用基于Hilbert变换的共振解调技术,从共振信号中解调出故障特征信号,对故障特征频率进行分析,并经过实验诊断出轴承故障类型和部位,验证了该损伤诊断方法的优越性。     

基于小波-频谱分析的滚动轴承故障诊断的应用研究

对于实际工作中的轴承发生故障时,其故障冲击的能量小,干扰噪声多。直接采用频谱分析得到的频谱图谱线比较密集,有时很难鉴别出故障。本文利用小波多分辨分析能对信号进行不同频段分解特点,研究了小波-频谱分析在滚动轴承故障诊断中的应用。通过对滚动轴承外圈、内圈和滚动体三种不同的早期故障的实验信号进分析,结果证明该方法可以有效的鉴别出滚动轴承的不同故障。     

基于EMD平均能量法的滚动轴承故障诊断

文中提出了一种用于滚动轴承故障诊断的系统一基于EMD和BP神经网络相结合的诊断系统。该方法首先对原始振动信号进行小波包预处理,提高信噪比,从而得到更适合研究的故障振动信号。然后再对信号进行EMD,分解得到IMF分量,对几个感兴趣的IMF进行分析,获得每个IMF分量的平均能量,作为BP神经网络的输入向量,由此训练神经网络,实现了对滚动轴承故障的智能诊断,并用实际的滚动轴承故障数据进行了验证。图6表2参12     

倒频谱在造纸机压榨轴承故障诊断中的应用

探讨了倒频谱技术在造纸机压榨部滚动轴承故障诊断中的应用.研究表明,倒频谱技术在识别滚动轴承振动频谱的边频、消除系统传递函数影响等方面具有显著的优越性.针对压榨部滚动轴承振动信号的特征,利用倒频谱技术可简化谱图的特征分析,提高压榨部滚动轴承在线故障诊断的准确性.     

基于小波包分解和卷积神经网络的滚动轴承故障诊断

针对旋转机械滚动轴承在恶劣工作环境中易于损坏,而目前故障诊断过于依赖人工特征提取的问题,提出了一种基于小波包分解和卷积神经网络(CNN)的滚动轴承故障诊断方法(WPDEC-CNN):通过小波包分解对振动时域信号进行处理,获得表征信号相似的小波系数,再将其进行预处理后输入CNN进行分类识别.试验结果表明,WPDEC-CN...     

基于改进DenseNet和迁移学习的变负载滚动轴承故障诊断

由于在实际工作环境下滚动轴承故障样本不足,而且受到环境噪声以及负载变化的影响,故障样本分布存在差异性导致诊断泛化性差,对此课题组提出一种基于改进DenseNet与迁移学习结合的滚动轴承故障诊断方法。对原DenseNet中的ReLU激活函数,使用LeakyReLU函数替代,并在全连接层后添加Softmax层进行分类,使提取故障特征更为丰富;为了使轴承信号接近工厂采集的数据,对凯斯西储大学轴承数据集中添加了信噪比为-2 dB的高斯白噪声并进行模拟,经Z-Score归一化处理后转化为二维灰度图作为样本数据。实验结果表明该方法在小样本变负载下的跨域诊断准确率都达到了90%以上,与其他模型对比具有更好的泛化性。     

小波分析在纸机压榨部轴承故障诊断中的应用

针对纸机压榨部滚动轴承尺寸大响应弱、运转速度低、低频信号容易淹没、调制源多、振动信号非平稳性等特点而导致常规的傅立叶分析诊断故障效果不佳的情况，提出了一种应用小波变换的时频分析方法，对振动信号进行分解和重构处理，获得了振动信号在不同的频段的分量，提取相应特征频段重构分量的功率谱的频域统计值作为特征参数。从而实现对轴承故障诊断。试验结果显示该方法对纸机压榨部故障诊断有很好的效果。     

小波变换理论在粮机故障诊断中的应用

着重介绍了小波变换的理论及其特点，通过分析粮机中旋转机械的特点，结合实例说明了小波变换理论在粮机旋转机械设备故障诊断方面应用的可行性。     

极谱法在氧含量分析中的应用及前景

本文介绍了一种快速,简便而又准确的分析方法,即利用极谱法来测量液体的氧溶解量和气体的氧含量。并探讨其广泛应用前景。     

浅谈小波方法在模拟电路故障诊断中的应用

模拟电路的故障诊断一直以来就是电路领域的一个研究热点和重点。当前,基于小波分析方法为模拟电路故障诊断提供了一条新的途径。首先提出了小波方法的理论知识,重点阐述了小波变换和基于小波变换的模拟电路故障特征提取,说明了小波方法在模拟电路故障诊断中的应用优越性。     

谱分解在储层预测中的应用

地震谱分解实质上就是通过离散傅里叶变换或最大熵等方法,将地震资料从时间域转换到频率域,利用振幅谱及相位谱对地震资料在频率域进行地质解释。谱分解技术提供了比常规地震属性更加丰富的地质信息,是进行砂体预测的有效手段。文章用谱分解技术对X9井区薄砂体进行预测,以分频数据体为基础,利用神经网络技术,预测薄砂体厚度较为可靠。     

基于CEEMD和3点对称差分能量算子的滚动轴承故障诊断方法

为解决传统信号处理方法提取滚动轴承故障特征不精确和Teager能量算子解调信号的解调频率和幅值误差较大的问题,课题组提出一种基于互补集合经验模态分解和3点对称差分能量算子结合的轴承故障特征提取方法CEEMD-DEO3S。课题组首先对滚动轴承进行CEEMD分解前进行去噪处理来增强信号的故障脉冲;然后利用CEEMD将去噪后信号分解为一系列固有模态函数,并依据相关系数原则选择最能表征故障的敏感分量,重构后进行DEO3S解调,依据解调后得到的幅值和频率计算信号的包络谱。实验分析表明:所提方法解调信号的误差更小,提取轴承故障频率更精确。     

基于bReLU激活函数改进的滚动轴承故障CNN-LSTM模型

针对基于修正线性单元(ReLU)的滚动轴承故障诊断方法导致分类不准确的问题,本文提出了一种基于bReLU激活函数改进的卷积神经网络(CNN)和长短时记忆神经网络(LSTM)的滚动轴承故障模型。该网络模型首先在CNN网络使用bReLU激活函数完成自适应特征提取,并在卷积层和激活函数之间加入批量标准化层(BN),最后叠加LSTM网络对时序特征进行学习。该模型在凯斯西储大学的故障数据集的准确率可以达到99%以上,较于其它类型的CNN-LSTM故障模型准确率更高,训练时长减少66.7%。实验表明所提出的模型更加适用于工业设备轴承的故障诊断。     

紫外光谱法在芡实种子品种和产地鉴别中的应用

以两种品种(天长刺芡和苏芡)和产地(天长和湖北刺芡)芡实为材料,分别制备4种提取液(乙酸乙酯、无水乙醇、50%乙醇、70~80℃热水),分析其紫外光谱吸收强度的差异性。同时,对芡实种子结构特性(百粒重、种子及种仁直径、种壳厚度)和功能组分含量(总酚、原花青素及黄酮)差异性进行分析。研究发现,除不同产地芡实种壳乙酸乙酯和无水乙醇提取物之外,两种品种(产地)芡实种壳提取物最大吸光值之间均存在极显著差异(p≤0.01),其种子和种仁直径、种壳厚度、种仁原花青素、种壳总黄酮和总酚含量差异极显著(p≤0.01)。结果表明,紫外光谱分析在芡实品种和产地方面有一定区分度,为芡实品种和产地鉴别提供了一种思路。      

基于邻域相关性小波去噪的滚动轴承包络解调及故障分类

将邻域相关性的冗余第二代小波应用于滚动轴承信号降噪,用Hilbert包络解调法提取的故障特征频率,比较不同转速和载荷下的提取效果,提出包络幅值峭度指标,并将其输入BP神经网络进行故障诊断。结果表明:基于邻域相关性的冗余第二代小波降噪方法能很好的抑制噪声,保留原信号的信息;降噪后的故障信号经过Hilbert包络解调能找到特征频率及其倍频,其效果优于原始信号的包络解调分析。工况会影响分析效果,且速度对提取效果的影响大于载荷。包络幅值峭度指标能很好区分不同工况的故障信号,结合BP人工神经网络诊断正确率为100%。     

示波极谱法在食品合成食用色素测定中的应用

目的探讨示波极谱法对食品合成食用色素测定的应用效果。方法采用示波极谱法测定了常见的苋菜红、胭脂红、日落黄、柠檬黄和亮蓝5种合成食用色素的最低检出量和检出浓度、标准曲线线性范围、加标回收率。结果5种食用色素的回收率在88.6%～101.3%之间;结合样品进行示波极谱法与高效液相色谱法(HPLC)两种测定方法的对比实验。通过F检验与t检验,验证了示波极谱法和HPLC法两种测定结果的差异无统计学意义。结论示波极谱法测定食品中合成食用色素,灵敏度高、精密度好、操作简便快速,适合在基层疾控检测工作中普及应用。     

一种面向大负载低转速轴承的故障诊断方法

造纸生产线上,有很多大负载、低转速的旋转设备,其轴承在承受较重载荷时,极易受到损伤,导致设备故障,甚至造成停机。因此,大负载低转速轴承的在线故障诊断非常重要。本课题在对大负载低转速轴承振动的诊断难点及当前故障诊断常用方法分析的基础上,提出了一种基于快速谱峭度包络解调分析的轴承故障诊断方法。首先采用快速谱峭度法计算振动信号的最大谱峭度值,确定最优的带通滤波器系数,然后利用带通滤波器对振动信号进行降噪处理,最后利用希尔伯特变换方法对降噪信号进行处理,分析包络谱,得到诊断结果。借助团队自行设计的轴承故障实验台,对本课题所提方法的优缺点和适用性等进行了实验研究,验证了本课题算法的有效性,并为工程应用提出了建议。     

基于频谱分析的通风扇故障诊断方法研究

空中客车公司A320FAM飞机电子舱通风扇故障是该机型的一个典型常见故障,该故障容易导致航班延误,甚至飞机返航、紧急备降的事件发生。在研究通风扇结构基础上,给出了一种基于振动信号频谱分析的方法,经过仿真分析,该方法可用于诊断电子舱通风扇的早期故障。