小波和RBF神经网络在轴承故障诊断中的应用

分析了基于径向基神经网络的故障诊断方法和原理,采用小波包分析对其建立频域能量特征向量,利用径向基函数神经网络完成滚动轴承故障模式的识别.试验结果表明,系统不仅能够检测到轴承故障,而且能够比较准确地识别轴承的内、外圈故障模式,可以满足工程中的需要.     

改进小波包与RBF网络在轴承诊断中的应用

基于故障轴承的特征提取,提出一种基于小波包与径向基RBF神经网络相结合的故障诊断方法,克服了以往常用诊断方法中的小波BP神经网络网络收敛慢、训练时间长、而且常常陷入局部极小点的缺点。采用小波滤波技术对采集到的滚动轴承振动信号进行滤波处理,利用小波包分解获得滚动轴承振动信号的特征向量作为故障样本对RBF网络进行训练,进行了详细的故障诊断试验研究。实验结果表明训练好的RBF网络能够很好地诊断出轴承故障类型,故本方法在旋转机械故障诊断方面具有良好的应用价值。     

小波变换在滚支轴承故障诊断中的应用

采用小波变换能够快速有效地对滚动轴承振动信号进行带通滤波。通过选用多尺度的小波变换，能较好地分离出所要分析的高频固有振动信号，然后对高频振动信号进行包络分析，从包络谱图中提取故障特征频率分量，就能诊断出滚动轴承故障发生在哪个元件上。实验结果表明，这种诊断方法是有效的。     

小波分析在滚动轴承故障诊断中的应用

介绍了小波包分析的基本理论,并探讨了基于小波包分解与重构的包络解调的滚动轴承故障诊断方法.通过MATLAB仿真试验,表明基于小波包络解调的故障诊断方法可以减小噪声影响,且故障信息得以凸现.     

小波分析在滚动轴承故障诊断中的应用

本文阐述了基于小波分析的快速傅里叶变换应用轴承故障诊断的原理，介绍了该方法在减速器滚动轴承故障诊断中的应用，给出了几种频谱图。     

连续小波变换在滚动轴承故障诊断中的应用

采用连续小波分析的方法对滚动轴承振动和速度信号进行处理,提取滚动轴承故障特征。通过对滚轴承在正常、内圈剥落、外圈剥落及滚动体落情况下的振动加速度信号进行分析,验证了这种方法的有效性。     

基于压缩感知和卷积神经网络的机车受电弓故障诊断研究

为保障机车的运行安全,本文提出了一种基于压缩感知（compressed sensing, CS）和卷积神经网络(convolution neural network, CNN)的故障诊断模型,针对离线机车运行数据,利用CS算法提取数据特征降低CNN输入维数,形成CS-CNN模型进行机车受电弓故障诊断,实现对故障原因的有效定位。将该模型应用于离线机车运行数据分析记录中,研究结果表明,CS-CNN模型在机车受电弓故障诊断中表现出较高的识别效率和识别准确率。     

小波分析在滚动轴承故障诊断中的应用

本文阐述了基于小波分析的快速傅里叶变换应用于轴承故障诊断的原理,介绍了该方法在减速器滚动轴承故障诊断中的应用.给出了几种频谱图.     

小波变换在滚动轴承故障诊断中的应用

采用小波变换能够快速有效地对滚动轴承振动信号进行带通滤波。通过选用多尺度的小波变换,能较好地分离出所要分析的高频固有振动信号,然后对高频振动信号进行包络分析,从包络谱图中提取故障特征频率分量,就能诊断出滚动轴承故障发生在哪个元件上。实验结果表明,这种诊断方法是有效的。     

改进的小波神经网络在异步电机故障诊断中的应用

根据异步电机的复杂故障特点,结合小波变换技术,提出了一种改进的小波神经网络用于异步电机的故障诊断。利用小波变换技术提取异步电机特征信号作为小波神经网络的输入向量,并对小波神经网络算法进行优化,提出了动量系数和学习率自适应调整的小波神经网络算法,给出了动量系数和学习率的调整方法。通过实际测试数据的诊断结果说明该方法的有效性和可行性,具有诊断准确率高、收敛速度快、泛化能力强等优点。     

基于改进小波包和EEMD的轴承故障诊断

针对轴承振动信号非平稳性及工作情况下难以获得故障频率,提出一种基于改进小波包和总体经验模态分解(EEMD)的轴承故障诊断方法。首先运用改进小波包对振动信号进行分解,得到按顺序排列的子带频带。然后提取故障频率范围的子带信号并进行EEMD,以互相关系数和峭度准则提取故障分量,避免了固有模态函数(IMF)分量选择的盲目性。仿真和试验分析结果表明,该方法能有效且准确地检测出轴承故障。     

基于压缩感知与改进的深度极限学习机的轴承故障诊断方法

大数据时代下的轴承故障监测存在海量数据处理实时性和故障特征选取的主观性问题,为了实时、智能的实现轴承故障诊断,提出了压缩感知(Compressed Sensing,CS)与改进的深度极限学习机(Multilayer Extreme Learning Machine,ML-ELM)相融合的轴承故障诊断新方法.该方法首先通过压缩感知理论从大量轴承监测数据中获取能够表达特征信息的少量数据,然后用轴承信号在压缩感知变换域中的测量值进行由PSO改进的深度极限学习机分类识别,实现故障智能诊断.此方法大幅减少了轴承诊断信号的数据量并省去了智能诊断时特征选取的步骤,充分利用了深度极限学习机从少量测量值中挖掘轴承信号的特征信息,实现了智能、准确的分类.实验分析表明:该方法对不同位置、不同损伤程度的故障能够准确的识别,为轴承状态监测和故障诊断提供了新方法.     

基于小波包分解和BP神经网络的轴承故障诊断

针对滚动轴承的故障诊断,提出了小波包分解与BP神经网络结合的诊断方法。对轴承振动信号进行3层小波包分解,构造其特征向量,输入神经网络进行训练和测试。Matlab仿真结果表明,该方法能有效地诊断出轴承的故障类型。     

谐波小波滤波与HHT在轴承故障诊断中的应用

谐波小波具有良好的盒形频谱特性,可以将非平稳振动信号既不交叠又无遗漏地分解到相互独立的频带上。将谐波小波作为滤波器,可以将特定频段的成分与信号的其他频率成分分离,进行重构后就能够提取出强背景噪声干扰下的特定信号频段成分,实现谐波小波滤波。然后,对故障敏感段信号进行HHT边际谱分析,并以边际谱的最大峰值作为特征向量判断轴承的工作状态和故障类型。     

瞬时功率小波包分解法在轴承故障诊断中的应用

针对感应电动机轴承故障特征提取的不足,提出了瞬时功率小波包分解的方法。分析电动机单相瞬时功率,发现瞬时功率中故障信息更为丰富,且对故障特征干扰较大的基波可转化为直流分量;滤波后,进行小波包分解,求取故障特征对应子频带小波包分解系数的均方根值及其变换率,并用以表征故障特征,以此作为轴承故障的依据。仿真表明该方法诊断灵敏度高,可用于感应电动机轴承的故障诊断。     

过完备有理小波变换在轴承故障诊断中的应用

利用过完备有理离散小波变换的滤波器特性和近似平移不变性,提出了一种按一定规则对3路高频小波分量进行拼接,以获得具有更高时间分辨率小波分量信号的方法.仿真结果表明,该方法消除了小波分解中下采样对信号分析的影响,较好地克服了频率混叠现象.在此基础上,提出了一种基于过完备有理离散小波变换的故障诊断方法,并将其应用于滚动轴承早期故障诊断.与二进离散小波变换的比较试验结果表明,有理离散小波变换能更有效地提取出滚动轴承的早期故障特征.     

小波分析在滚动轴承故障诊断中的应用

滚动轴承是机械系统中非常关键的部件,它的运行好坏直接关系到整个机械系统的性能优劣,因此滚动轴承的故障诊断研究是非常具有实际意义的。本文对轴承早期损伤引起的故障信号进行了分析,通过比较频谱分析和小波分析的特点,采用小波分析技术对检测的信号进行处理,利用小波变换的分解和重构算法,对具有故障特征的信号进行重构,再通过希尔波特变换进行解调和细化频谱分析,有效地提取出噪声掩盖下的滚动轴承故障特征信号,从而实现对滚动轴承的故障诊断。     

小波变换在滚动轴承故障诊断中的应用

采用小波包分解和信号重构的方法,提取滚动轴承振动信号中被噪声所掩盖的由滚动表面剥落磨损所引起的冲击成分,并且加以分析。通过对滚动轴承出现内圈剥落、外圈剥落和正常情况下振动信号的分析,说明了这种方法可以有效地用于滚动轴承的故障诊断。     

自适应遗传小波网络在发动机故障诊断中的应用

由于包含丰富故障信息的传感器信号是由多振源和背景噪声的混合,小波变换良好的时频域局部化特性可以有效地滤除噪声,并且通过对重构的小波系数求取均方根值来有效提取故障的特征向量,根据采集数据的故障工况,建立学习样本.通过网络训练建立神经网络的输入和输出良好的非线性映射,进而通过特征向量输入来诊断系统的故障.由于神经网络具有收敛速度慢和容易陷入局部最小点的缺陷,对神经网络进行改进和优化.仿真结果误差分析表明,该网络具有良好的诊断效果.     

小波分析在轴承故障诊断中的应用

以小波分析为基础,以滚动轴承为实验对象,通过对包含故障信息的信号进行重构,应用西尔波特(H ilbert)变换进行解调和细化频谱分析,可以快捷有效地把轴承中的故障信息成分检测出来,从而判断轴承故障。