磨机减速机滚动轴承特征提取和故障诊断研究

滚动轴承是水泥磨机减速机的核心组件,同时也是故障频发的部件之一,为保证其健康、安全、高效的运行,本文将独立分量分析(ICA)与支持向量机(SVM)方法结合,为磨机减速机滚动轴承的故障诊断提供一个新的思路。首先提取轴承不同故障状态下观测信号的独立分量,再对独立分量(ICA)进行奇异值分解从而得到特征信息,最后联合支持向量机(SVM)将特征信息进行故障识别。数据处理结果表明这种特征提取的方法是有效的。     

小波分析在真空练泥机轴承故障诊断中的应用

针对练泥减速机滚动轴承运转速度低、响应弱、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，提出了一种小波变换的时频分析滚动轴承故障诊断方法。利用小波变换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真空练泥机轴承故障诊断有很好的效果。     

基于皮尔逊相关系数的滚动轴承混合域特征选择方法

为解决单域特征难以全面准确反映轴承运行状态和故障诊断准确率低的问题,提出混合域特征集构建方法,分别提取时域、频域、时频域特征向量构建多元信息特征集。针对构建出来的混合域特征集线性相关性过高、维数高、冗余信息多及空间成本大等问题,运用皮尔逊相关系数（PCC）特征选择方法,对特征进行相关性计算,提取相关性较弱的低维特征输入随机森林分类器进行故障诊断。实验结果表明：基于PCC的滚动轴承混合域特征选择方法,不仅提高了分类性能,而且考虑了特征之间的相互作用,减少了信息的丢失,模型分类准确率可达97.32%,相比其他方法具有较为明显的优势。     

基于CEEMDAN-SVM和时域特征的滚动轴承故障诊断方法研究

针对滚动轴承故障原始信号复杂,以致故障冲击信号被强背景噪声"淹没"的问题,提出一种基于CEEMDAN分解和时域特征分析的故障诊断方法.首先对原始信号进行CEEMDAN分解,得到一系列固有模态分量(IMFs),分析各IMF,选择具有明显故障冲击信号的5个分量进行重构,以剔除噪声等干扰信息,再提取重构信号的时域特征输入支持...     

基于形态滤波和HHT的滚动轴承故障特征提取

应用形态滤波和HHT提取滚动轴承振动信号故障特征。通过形态组合滤波对信号进行预处理,对预处理后的信号进行EMD分解,把信号分解为若干个IMF的和,之后计算IMF的希尔伯特能量谱,提取振动信号的故障特征频率。本算法能够较准确地提取出滚动轴承振动信号的故障特征频率,为滚动轴承振动检测与故障诊断研究提供参考。     

基于PCA-LSSVM算法的矿用空压机故障诊断模型

本文针对压缩机系统故障诊断系统进行研究。根据压缩机系统工作原理和特性分析故障现象与发生根源的联系,提取用于故障诊断的特征信号。建立基于最小二乘支持向量机的故障诊断模型,并使用PCA算法提取数据特征作为故障诊断模型的输入,降低输入维数。使用多种故障诊断模型进行对比分析,验证了本文使用的基于经过PCA算法提取特征的LSSVM故障诊断模型具有较高的识别效率和识别准确性。     

基于CEEMD-SVD和ELM的滚动轴承故障诊断

针对滚动轴承故障特征难以提取和故障难以识别的问题,提出一种基于互补总体平均经验模态分解(CEEMD)与奇异值分解(SVD)和极限学习机(ELM)分类模型相结合的滚动轴承故障诊断方法。该方法首先通过CEEMD对原始采样信号进行分解,得到由高频到低频组成的固有模态分量(IMFS),通过互相关性分析筛选出最能表征原始信号的固有模态(IMF)分量,并对它进行奇异值分解,然后将分解得到的奇异值作为特征参数构造特征向量,最后采用ELM分析提取特征向量矩阵,并建立ELM分类模型,实现对轴承故障类型的识别。仿真结果表明该方法对滚动轴承的故障识别度达到了95.0%。     

基于距离评估的气液二相流流型识别方法

为了克服气液二相流特征融合后不相关特征过多的问题,提出了基于距离评估和支持向量机(SVM)的气液二相流流型识别方法。首先利用经验模式分解和小波包方法对原始的压差波动信号进行分解,分别提取原始信号和各分解信号的时域特征参数组成融合特征,然后采用距离评估方法对融合特征进行评估,根据距离评估因子的大小挑选出敏感特征作为SVM的输入,进而实现对流型的自动识别。水平管内空气-水二相流流型识别结果表明:该方法能够准确获取流型的敏感特征,减小运算规模,提高识别准确率。     

基于PNN神经网络的滚动轴承声发射故障诊断研究

文章针对滚动轴承三种工作状态下即内圈故障轴承、外圈故障轴承以及正常轴承,设计了轴承声发射检测实验,进行了声发射信号采集。对采集的声发射信号首先进行小波包分解提取故障特征向量之后用概率神经网络(PNN)对故障进行识别,分析实验数据表明小波包分解和PNN结合对滚动轴承故障诊断是有效的。     

面向机械故障智能诊断神经网络优化与识别方法研究

在齿轮箱的故障诊断中,将原始故障信号利用小波包变换进行降噪处理。采用时域分析方法提取特征参数,同时进行小波包能量特征提取。利用主元分析法可以对提取的特征参数进行降维处理,根据累计贡献率选取一定量的主元,再带入概率神经网络进行故障诊断分类并进行交叉验证。本文选取了四种不同裂纹等级的齿轮与正常状态下的齿轮进行模拟实验,结果显示主元分析法与概率神经网络的结合可以很好的分辨出不同程度的故障齿轮。     

滚动轴承故障检测与分析

本文主要以哈尔滨轴承厂生产的型号为6200的深沟球轴承为例，介绍了滚动轴承故障诊断中独立分量分析法测试系统的搭建和应用，并应用独立分量分析法来分析和提取滚动轴承故障诊断信号。     

基于双谱分析的滚动轴承故障特征提取

对高阶统计量方法用于滚动轴承故障特征提取进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法。利用高阶统计量方法做出了滚动轴承故障信号的高阶统计量中的双谱特征图谱。研究表明,双谱可以敏感地监测滚动轴承工作状态的模式,因而可以有效地识别滚动轴承不同的故障特征。     

基于GWO-SVM算法的滚动轴承故障诊断

为实现机械设备滚动轴承的实时监测和故障的准确诊断,基于支持向量机(SVM)进行故障分类,提出采用灰狼算法(GWO)优化SVM的惩罚系数c和核函数半径σ;通过小波包对数据进行特征提取;最后以优化的SVM完成故障诊断。实验结果表明:GWO-SVM算法对故障识别的准确性明显提高。     

基于有向无环图相关向量机的捣固车滚动轴承故障诊断

针对捣固车滚动轴承振动故障信号的非线性和非平稳性特点,提出将总体经验模态分解(EEMD)故障特征提取方式和有向无环图相关向量机(DAG-RVM)相结合的故障诊断方法。采用EEMD处理滚动轴承振动信号后得到很多固有模态函数(IMF),并将IMF能量作为特征向量输入DAG-RVM诊断器中识别。此模型与支持向量机(SVM)比较,体现出RVM在故障诊断中的优势。     

化肥厂旋转机械故障诊断的应用探讨

本文在阐述机械故障诊断现状的基础上,总结并分析了机械滚动轴承故障的主要形式,并提出了机械滚动轴承的振动信号分析诊断方法,最后通过一具体例子进行了基于振动信号的故障诊断方法的应用探讨。     

基于LTSA的FS-SVDD方法及其在化工过程监控中的应用

基于支持向量数据描述(SVDD)方法的非高斯过程监控和故障诊断具有众多优点。然而在对SVDD离线建模时需要在整个训练样本集上操作,对大样本集计算量相当大,也不利于在线操作时模型的更新。对此提出一种基于特征样本的SVDD(FS-SVDD),采用特征样本提取方法用少数几个特征样本代替原始数据集进行训练,显著降低了建模复杂度。同时,针对传统的线性降维算法如主成分分析(PCA)存在的提取过程数据非线性结构能力不足的缺点,首先用局部切空间排列(LTSA)方法提取出低维子流形,进行有效的维数约减;接着在这个低维子流形上执行SVDD算法;最后,利用相应统计指标进行过程监控。在TE过程上的仿真表明上述方法的有效性。     

化肥厂旋转机械故障诊断的应用探讨

本文在阐述机械故障诊断现状的基础上,总结并分析了机械滚动轴承故障的主要形式,并提出了机械滚动轴承的振动信号分析诊断方法,最后通过一具体例子进行了基于振动信号的故障诊断方法的应用探讨。     

LDA＿SVM方法在化工过程故障诊断中的应用

针对复杂化工生产过程数据多样性、高维性以及风险重复性的特点,结合网格搜索(GS)与K折交叉验证(K-CV)理论,提出一种基于线性判别分析(LDA)与支持向量机(SVM)相融合的故障诊断方法。首先利用LDA对正常工况和5类故障模式的混合运行数据进行矢量映射,压缩特征空间维度,抽取并重构故障特征信息。将预处理后的数据作为输入样本,利用GS与K-CV得到最佳SVM分类器,实现故障诊断。仿真结果表明,相对于单一SVM和PCA(主元分析)_SVM故障诊断模型,LDA与SVM融合故障诊断方法收敛速度快、诊断准确率高、模型健壮,对化工过程6种运行模式的故障识别准确率达到93.9%。     

基于MSPCA-KECA的冷水机组故障监测及诊断

针对冷水机组同类型不同等级故障的变量变化存在差异会造成误诊断的问题,提出一种基于多尺度主元分析-核熵成分分析(MSPCA-KECA)的故障诊断策略。MSPCA提取故障特征,其输出作为KECA分类器的输入,实现故障的实时监测与自动诊断。首先,改进的MSPCA算法通过将小波多尺度分析与主元分析相结合,筛选故障信息可能存在的尺度直接重构并采用PCA提取故障特征,获取不同类型故障之间差异的同时也保留了同类型但不同等级故障之间的相似性,提高故障诊断的可靠性。之后建立KECA非线性分类器并引入一种新的监测统计量——散度测度统计量,使降维后不同特征信息之间呈现显著的角度差异,易于分类。最后,采用支持向量数据描述(SVDD)算法确定新统计量的控制限,以克服无法获知统计量分布的问题。通过对冷水机组数据的仿真研究,验证了MSPCA-KECA方法的可行性及有效性。     

基于MSPCA-KECA的冷水机组故障监测及诊断

针对冷水机组同类型不同等级故障的变量变化存在差异会造成误诊断的问题，提出一种基于多尺度主元分析-核熵成分分析（MSPCA-KECA）的故障诊断策略。MSPCA提取故障特征，其输出作为KECA分类器的输入，实现故障的实时监测与自动诊断。首先，改进的MSPCA算法通过将小波多尺度分析与主元分析相结合，筛选故障信息可能存在的尺度直接重构并采用PCA提取故障特征，获取不同类型故障之间差异的同时也保留了同类型但不同等级故障之间的相似性，提高故障诊断的可靠性。之后建立KECA非线性分类器并引入一种新的监测统计量--散度测度统计量，使降维后不同特征信息之间呈现显著的角度差异，易于分类。最后，采用支持向量数据描述（SVDD）算法确定新统计量的控制限，以克服无法获知统计量分布的问题。通过对冷水机组数据的仿真研究，验证了MSPCA-KECA方法的可行性及有效性。