基于深度特征提取神经网络的滚动轴承故障诊断

滚动轴承作为旋转机械的重要组成部分,其运行安全性受到大量关注,但传统的基于信号处理的时频分析故障诊断方法较为依赖专家知识从而难以广泛应用。结合应用较广的卷积神经网络和长短时记忆网络模型的优点-自动提取振动信号的深层特征信息以及可识别所提取的长时连续的振动信号时序特征信息,提出一种深度特征提取神经网络模型,将原始的振动信号作为模型输入,进而通过多层卷积与长短时记忆网络对振动信号进行故障特征信息提取,可以有效提取滚动轴承振动信号中的深层时序故障特征信息,进而准确辨识滚动轴承不同的故障模式,并且避免了复杂的信号预处理与人工进行信号特征提取的过程。通过凯斯西储大学滚动轴承故障实验的10类健康状态数据验证了所提方法的有效性,并对实验结果进行分析,解释了在迭代过程中出现精度波动的可能原因。     

PSO VMD结合Teager包络谱的滚动轴承 故障诊断方法

为了解决VMD方法在处理非平稳信号时,人为确定输入参数会影响模态分解精度的问题,提出一种基于PSO算法优化VMD输入参数的PSO VMD方法,用于滚动轴承故障信号的模态分解,并使用Teager能量算子(TEO)对模态分解结果进一步计算,得到各模态分量的Teager包络谱.通过滚动轴承内环单点故障、外环单点故障和滚子单点故障实测振动故障信号的模态分解与故障诊断,验证PSO VMD方法的有效性和实用性.     

滚动轴承故障诊断方法研究

介绍了滚动轴承故障诊断的传统方法和现代方法,如冲击脉冲法、共振调解法、小波分析法等,预测了滚动轴承故障诊断的发展趋势。     

基于残差神经网络的滚动轴承故障诊断方法

针对轴承故障诊断方法在变工况条件下诊断效果不佳的问题,提出了一种基于残差神经网络的滚动轴承故障诊断方法.该方法首先以滚动轴承时域信号数据作为输入,针对信号的时变性改进了数据池化层,改进的数据池化层利用三个连续的卷积层串联构建而成,目的在于能够有效地提取振动信号中的故障特征信息,并减少残差神经网络中参数的计算量;然后设计了一种空洞卷积和残差块相结合的空洞残差块,用于特征信息的学习;最后通过在全连接层后加入Dropout层丢弃一定比例的神经元,能有效避免过拟合的负面影响.使用凯斯西储大学轴承数据集进行仿真实验,与SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱和Resnet三种方法作对比分析,结果表明该方法在变工况下的滚动轴承故障诊断中具有更高的诊断准确率、更强的抗噪性和泛化能力.     

滚动轴承故障诊断系统

滚动轴承表面损伤故障的微机诊断系统主要适用于滚动轴承振动信号数据采集和分析，能实现信号的时域和频域捣治，系统具有良好的人机界面，全部汉字显示菜单，使用十分方便。     

基于VMD-DBN的滚动轴承故障诊断方法

为揭示滚动轴承故障振动信号的典型特征规律,结合变分模态分解(VMD)与深度置信网络(DBN)的优势,提出轴承振动信号特征的提取方法.将信号先进行基于VMD的分解,根据各模态分量频谱图确定其模态参数,得到若干个模态分量.然后,基于DBN强大的特征提取能力,采用DBN无监督特征提取方法,将得到的模态分量映射到一维,并融合各分量的DBN特征形成特征向量,将其作为粒子群优化支持向量机(PSO-SVM)的输入进行故障诊断.实验验证与对比分析证明了VMD-DBN方法的可行性与优越性.     

基于MHSI-MCKD的滚动轴承故障特征提取方法

为了解决滚动轴承的故障信号因受噪声干扰而导致故障特征提取困难,以及最大相关峭度解卷积(MCKD)的解卷积周期T、移位数M和滤波器长度L需要依赖人为主观经验选取的问题,提出了一种基于改进的谐波显著性指标(MHSI)与MCKD相结合的滚动轴承故障特征提取方法(MHSI-MCKD)。首先,提出了一种改进的谐波显著性指标(MHSI)作为评价MCKD降噪效果的依据;其次,以MHSI为适应度函数,采用步长搜索法得到MCKD的最优参数组合;最后,利用参数优化的MCKD对滚动轴承的故障信号进行降噪处理,并通过Hilbert包络谱获取滚动轴承的故障特征。在仿真和实验分析中,利用MHSI-MCKD方法实现了对MCKD关键参数的自适应寻优,增强了信号中故障特征的显著程度,提取出了滚动轴承内外圈的故障特征。仿真及实验结果表明,所提MHSI-MCKD方法可用于提取滚动轴承的故障特征。     

基于小波变换的滚动轴承故障诊断

论述了小波变换在目前滚动轴承故障诊断中的重要性和实用性,介绍了小波变换的定义、特点及故障诊断的基本步骤,并通过实例说明了基于小波变换的滚动轴承故障诊断方法是准确可靠的。     

滚动轴承故障振动信号特征与诊断方法

简述了恒转速条件下滚动轴承故障信号共振解调的优点和基本原理,通过实验和理论分析研究了变转速轴承故障振动信号的特点.指出了轴承损伤点冲击信号的非周期性、轴承共振频率随转速变化的变频特性,以及故障信号的双变频调制特性.建立了由变频转速信号为调制信号、变频共振衰减信号为载波的滚动轴承故障模型.给出了阶比循环平稳自相关函数的计算方法.利用循环平稳分析对旋转机械振动信号的解调功能,结合连续隐马尔可夫模型(CHMM)对动态信号的识别能力,提出了一种适用于变转速运转条件下的滚动轴承故障诊断方法,通过实验验证了方法的可行性.     

改进PSO优化SVM的滚动轴承故障诊断

提出一种基于改进粒子群算法和支持向量机的滚动轴承故障诊断方法.首先分析基本粒子群算法的不足及其关键参数,提出多方面改进的粒子群算法,利用10种基准测试函数对比多种粒子群算法,证明该改进算法的优势.然后结合支持向量机,建立滚动轴承故障诊断模型,并提取滚动轴承振动信号的时域、频域、小波包节点能量和CEEMDAN分量排列熵四种特征,构成单一特征和组合特征作为诊断模型的输入特征向量.最后利用凯斯西储大学滚动轴承数据进行验证,并与网格算法、遗传算法和多种不同粒子群算法进行对比.试验证明,本改进粒子群算法优化支持向量机模型在滚动轴承故障诊断中更具优势.     

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...     

基于小波包联合AR功率谱理论的滚动轴承故障诊断

提出了小波包联合自回归功率谱理论的故障诊断方法.对采集的轴承振动信号采用高、低正交共轭镜面滤波器组,将信号划分到不同频道上.滤波器每作用一次,数据点减半,采样的时间增至两倍.选取轴承缺陷所在频段的数据插零,将其他频带补零重构提高缺陷信号的时频分辨率;然后通过AR功率谱分析轴承运行状态,诊断出轴承对应的故障.对207滚动轴承的早期缺陷作了实际诊断,诊断结果与实际较为符合.证明该方法是一种有效的弱信号缺陷提取与诊断方法.     

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。     

S变换在滚动轴承故障诊断上的应用

为了研究滚动轴承信号的非平稳特征,应用时频分析技术是一种较好的选择．研究了S变换,该方法是将短时傅里叶变换同小波变换结合起来发展的一种新算法．对多种时频分析方法进行了比较,得出S变换优于其他方法的一些特点,提出基于S变换的滚动轴承信号瞬态特征检测方法．结果表明,S变换能够以较高时频分辨率表示轴承振动中的非平稳特征,能反映出信号时频谱真实的物理意义,并且计算速度快．诊断结果验证了该方法可以用于滚动轴承的故障诊断．     

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.