基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法

针对共振解调方法需要选取包含较多故障信息的共振频带这一特点,提出了一种基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法。首先,使用鲸鱼优化算法,以峭度和包络谱峭度构造的复合峭度作为优化目标,对带通滤波器参数中心频率和带宽进行自适应选择。然后,使用寻优得到的最优中心频率和带宽对轴承故障信号进行滤波分析。最后,对滤波后信号进行包络解调处理,提取出故障特征频率,判断轴承故障类型。通过对仿真信号和轴承内、外圈故障信号的分析诊断,可以证明该方法能够满足共振解调方法中对共振频带选取的要求,完成轴承信号故障频率的提取,是一种有效的轴承故障诊断方法。     

基于小波分析和共振解调的故障诊断方法

介绍小波分析和共振解调技术的原理及在机械设备故障诊断中的应用。讨论小波分析和共振解调技术之间的内在联系与应用。     

基于DTFT的共振解调技术及其在滚动轴承故障诊断中的应用

把离散时间傅立叶变换用于共振解调技术中共振解调信号的谱分析,利用信号的离散时间傅立叶变换可以得到任意高频率分辨率的谱线图,而不受采样点数的限制.对滚动轴承在外圈剥离、内圈剥离两种故障状态下的振动信号的分析表明,与基于FFT的共振解调技术相比,这种方法可以更有效、更准确地诊断出滚动轴承的故障部位.     

基于HHT和FKNN的动调陀螺仪故障诊断研究

动调陀螺仪是一种重要的、典型的和复杂的机载机电设备。针对动调陀螺仪的故障结构特征,提出一种基于希尔伯特-黄变换(HHT)和模糊Kohonen神经网络(FKNN)的动调陀螺仪故障诊断模型。首先,在对动调陀螺仪进行故障模式与影响分析的基础上,明确了故障模式及特征参数;针对特征参数中的随机信号,采用希尔伯特-黄变换进行特征提取;然后,在分析Kohonen神经网络结构、原理及不足的基础上,提出一种模糊Kohonen神经网络诊断模型;最后,通过诊断算例进行分析验证。结果表明所提出方法在动调陀螺仪故障诊断中具有较高的正确诊断率。     

EMD共振解调在滚动轴承故障诊断中的应用

针对人为加工的滚动轴承点蚀故障数据难以模拟真实疲劳失效过程的问题,提出将滚动轴承强化寿命试验的轴承疲劳失效过程数据作为故障诊断数据,结合经验模态分解(Em-piricalMode Decomposition,EMD)与共振解调技术对真实疲劳失效的滚动轴承进行故障诊断.依托经验模态分解的自适应性,有效的将携带故障信息的高频调制信号从原信号中分离出来,实现了信号的带通滤波;利用H ilbert变换进行解调分析得到包含故障特征信息的低频包络信号,经过频谱分析后实现对疲劳失效滚动轴承故障特征提取和故障辨识.实验结果表明:该方法能诊断真实情况的滚动轴承疲劳失效故障.     

机械故障诊断中常用解调方法的比较及应用

在介绍了解调在机械故障诊断中应用的基础上,对基于Hilbert变换的包络解调法和检波解调法的原理及实现方法进行了比较,并且给出了用包络解调法对滚动轴承进行诊断的实例,取得了满意的效果。     

希尔伯特-黄变换在轴承故障诊断中的应用研究

该文通过运用希尔伯特-黄变换（Hilbert—HuangTransform,简称HHT）对轴承的故障信号进行分析,用以诊断故障类型,并取得了较好的效果,为轴承故障诊断提供了一项可行方法。     

希尔伯特-黄变换轴瓦异响故障诊断

根据汽车发动机信号非线性、非平稳性特点,分别对正常以及轴瓦异响发动机信号进行HHT,得到希尔伯特谱与时频分布三维图。将引起异响的高频成分从异响信号中分离,再通过对高频成分的分析找出故障原因。结果表明,正常发动机固有频率为210Hz,轴瓦异响发动机频率主要集中在500,1 500和2 700Hz,通过对比加速度谱分析结果,判断出轴瓦异响的原因是轴瓦磨损。     

泥浆泵轴承的故障诊断

为了掌握泥浆泵工作状态,测取3NB1300C泥浆泵正常工况和一些故障工况下动力端轴承的振动信号,对其进行共振解调处理后,进一步对所得的时域信号进行频域分析,得到了有价值的检测部件振动规律、一般特征以及故障特征,可用于泥浆泵的故障诊断.     

电力物联网背景下基于HHT-CNN的智能变电站故障诊断

在电力物联网的背景下,为提高传统智能变电站故障诊断能力,提出基于希尔伯特-黄和卷积神经网络相融合的智能变电站故障诊断方法.将智能变电站中的故障录波数据作为故障诊断数据,利用希尔伯特-黄变换提取综合电流的故障特征,通过训练好的卷积神经网络实行故障定位.以典型的110 kV智能变电站为例进行仿真测试,测试结果表明：增加数据增强模块能有效提高卷积神经网络模型的泛化能力;选择合适的卷积神经网络模型参数能有效提高故障诊断正确率和降低训练时间;相对于其他2种方法,该方法有较高的故障诊断正确率.     

基于小波包和解调分析的多类故障综合诊断方法研究

提出了一种基于小波包分解和解调分析相结合的旋转机械故障综合诊断方法.它能诊断复杂机械的多类故障,针对振动信号的非平稳和调制特点,首先采用小波包将信号进行分解,再分别以不同的方法分析不同的分解频段.利用解调技术分析小波包分解的高频段(调制频段),用来诊断轴承、齿轮等零部件的各类故障;利用FFT频谱分析小波包分解的低频段,用来诊断转轴的各类故障.理论分析和仿真结果表明该方法优于仅做FFT频谱分析或Hilbert解调分析.实例分析也证明了该方法的实用性和有效性.     

IFD与KELM结合的滚动轴承故障诊断方法

针对滚动轴承振动信号非线性、非平稳的特点,提出基于迭代滤波分解(iterative filtering decomposition, IFD)提取各分量特征,结合核极限学习机(kernel extreme learning machine, KELM)的故障诊断方法.通过对原始信号进行IFD分解,得到一组本征模态函数(intrinsic mode functions, IMF).计算包含主要故障信息在内的IMF分量能量与排列熵组成的故障特征向量,将特征向量作为KELM输入识别轴承的故障类型.实验分析结果表明,以IFD作为预处理器的特征融合方法比经验模态分解(empirical mode decomposition, EMD)为预处理器的特征融合方法有更高的故障识别率,并且该方法在少量样本情况下仍能有效识别故障类型.     

解调分析在机械设备故障诊断中应用的三个局限性研究

在具有齿轮、滚动轴承的机械设备故障诊断中,广泛使用解调方法分析诊断故障．从理论上分析．现有的解调分析方法存在的三个局限性：将不包括调制信息（故障信息）的两时域相加信号,也以其频率之差作为解调信号而解出;广义检波滤波解调分析中,由于取绝对值或检波过程可能产生混频效应;几种细化解调分析算法中,无法在细化分析的选抽时进行数字低通滤波,有可能会出现调制频率的高次谐波发生频率混叠而反折到低频部分的现象,提出了基于复解析带通滤波器的优化希尔伯特变换解调方法,将解调分析频率与滤波带宽建立严格的数学关系,可以克服三个局限性,将带通滤波、希尔伯特变换及选抽合为一体．运算速度快,是最佳的解调分析方法．     

云模型和集成极限学习机相结合的滚动轴承故障诊断方法

针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法.将经预处理之后的信号进行云化,产生滚动轴承在不同状态下的信号云;提取出决定信号云分布的期望、熵和超熵三个参数作为表征轴承状态的特征量并依此构造出原始的轴承状态数据集;再将故...     

基于深度学习和经验模态分解的 双列圆锥滚动轴承故障诊断

双列圆锥滚动轴承在列车走行部应用广泛,由于该类轴承结构比较复杂,传统的故障诊断方法难以识别该类轴承的早期微弱故障.为此,提出基于深度学习的双列圆锥滚动轴承早期微弱故障诊断方法.首先,对轴承的振动信号进行经验模态分解,提取信号的瞬时能量构造特征向量;最后,利用深度学习方法对特征向量进行无监督学习,生成故障诊断分类器,完成故障的分类识别.实验中对某型号双列圆锥滚动轴承的正常状态、内圈故障和外圈故障进行信号分析与故障识别.结果表明,所提方法能有效识别双列圆锥滚动轴承的早期微弱故障,分类准确率达到98%.     

基于EEMD与形态滤波的滚动轴承故障诊断方法研究

为从滚动轴承故障信号中提取出包含故障信息的特征频率,提出集合经验模式分解法(EEMD)与形态滤波相结合的解调方法。该方法首先利用EEMD自适应地将信号分解成多个IMF分量,然后计算各IMF分量与原信号的相关系数,选择合适的IMFs进行信号重构,再对重构后的信号进行形态滤波,滤除脉冲干扰,提取出故障特征信息。将该方法应用于滚动轴承故障诊断实例中,并将分析结果与直接对原信号进行包络谱分析解调的结果进行对比。结果表明,该方法提取故障信息的效果较包络谱分析解调的效果要好。     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

HHT方法在轴承故障诊断中的应用

为研究滚动轴承故障问题,将HHT(Hilbert-Huang transform)分析方法应用于轴承信号故障的提取。用HHT对复合信号进行了仿真分析,表明此方法分析信号的有效性。将HHT方法应用于轴承内外圈的故障诊断,结果表明,所求出的轴承故障的信息特征与理论计算吻合,表明了HHT方法能够有效的提取轴承故障的特征信息,提高轴承故障诊断率。这为类似机械零部件的故障诊断提供了参考。