电机滚动轴承故障诊断中BP与RBF神经网络的比较

针对电机滚动轴承故障检测的复杂性,采用了理论成熟且应用较多的BP神经网络和RBF神经网络两种故障诊断方法。首先通过经验模态分解的方法对滚动轴承的振动信号进行故障特征提取,并将故障特征向量输入到BP神经网络和RBF神经网络进行达标训练,最后对两种神经网络在滚动轴承故障诊断方面进行了比较分析,结果表明,两种神经网络的故障诊断效果均理想,但是RBF神经网络故障诊断结果较准且训练速度快,具有一定的优越性。     

考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法

针对现有深度学习方法对非平稳的滚动轴承故障诊断过程中,先验故障信息利用不充分和故障样本不完备,导致诊断精度不高甚至无法诊断的问题,充分发掘轴承故障位置和损伤程度与振动数据特征间的映射关系,提出一种考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法.该方法首先将原始振动信号矩阵化,构建二维灰度图像数据集,然后...     

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.     

基于EMD与多重分形去趋势法的轴承智能诊断方法

引入经验模态分解(EMD)方法去除故障信号的趋势项,提出EMD-MFDFA(multifractal detrended fluctuation analysis)的多重分形分析方法,并通过仿真分析EMD方法去趋势效果的有效性。然后将采用EMD-MFDFA方法提取的电机滚动轴承振动信号的多重分形特征向量作为训练集,利用混合遗传算法搜索全局最优的能力优化支持向量机(SVM)模型参数,建立电机滚动轴承的智能诊断模型。最后,通过对电机滚动轴承不同状态的振动信号进行分析。研究结果表明:EMD-MFDFA方法能很好地揭示滚动轴承的振动信号多重分形特性,对滚动轴承正常状态、单一故障与多故障耦合等状态具有很强的辨识能力;所建立的智能诊断模型可以有效地诊断滚动轴承不同的故障状态,能够作为滚动轴承故障在线监测的有效工具。     

基于小波域威布尔分布模型的电机滚动轴承故障诊断

电机轴承的运行状态是否正常，通常可以通过分析电机的滚动轴承的振动信号得到诊断结果.因此，分析和研究电机轴承振动信号是滚动轴承研究的热点.首先对电机滚动轴承振动信号进行降噪等预处理，并对预处理的振动信号进行小波分解，再对小波分解系数进行单支重构，得到不同尺度下的单支重构信号；接着对单支重构信号分别建立威布尔分布模型，并验证模型的恰当性，然后求取单支重构信号的威布尔分布模型的尺度参数和形态参数；最后将模型的尺度参数和形态参数输入SVM模式识别器进行故障诊断和模式识别，识别结果表明其参数能较好地表征电机轴承的运行状态.实验结果证明所提方法能较好地诊断电机轴承的故障.     

基于小波神经网络的轴承未知异常诊断

针对滚动轴承振动信号复杂,故障类型难以预知的问题,提出基于小波-神经网络技术的滚动轴承未知异常诊断的新方法.利用小波包对滚动轴承振动信号进行分解与重构,获得振动信号的突变信息,提取与滚动轴承故障相关的特征信息,将其作为特征向量输入自组织特征映射(Self-Organizing Feature Maps,SOFM)神经网络,对其进行自动分类识别,根据数据映射位置,可实现对滚动轴承未知异常的诊断,并为专家系统知识的自动获取提供了一条新途径.通过对仿真结果的分析,证实这种诊断方法的可行性.     

基于改进粒子群优化算法的电机故障诊断研究

针对电机转子故障,利用神经网络方法进行故障诊断研究。将基本粒子群优化(PSO)算法进行改进,并用其训练反向传播(BP)神经网络,对电机转子进行故障诊断。选用电机转子振动频谱分量作为神经网络的训练样本,将故障信息数据作为输入量代入已训练好的神经网络,通过输出结果即可诊断故障类型。仿真结果表明,基于改进PSO算法的BP神经网络可以有效地识别电机常见故障,具有较快的收敛速度和较高的诊断精度。     

基于IGA-BP神经网络滚动轴承故障的诊断

为提高滚动轴承故障模式识别技术的研究,基于IGA-BP神经网络的故障诊断原理,运用IGA对BP神经网络的权值与阈值进行调整和优化,利用小波包分解获得轴承振动信号的特征向量,进行了滚动轴承故障的诊断实验研究,对故障模式进行识别。结果表明,IGA-BP神经网络方法具有很强的故障识别能力,说明利用IGA-BP神经网络方法进行轴承故障诊断是可行的。     

基于小波分析和Kohonen神经网络的滚动轴承故障分析

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,在对振动信号进行采集和处理的基础上,提出了小波变换与Kohonen神经网络(SOM)相结合的滚动轴承故障诊断新方法.运用该方法在滚动轴承实验台上进行实验,用小波分析提取振动信号的特征值后,应用SOM网络对数据进行分类得到各种故障类型的标准样本,通过故障样本与标准样本...     

基于VMD-TEO窗和DBiLSTM的早期轴承故障诊断

针对现代滚动轴承早期故障监测因数据量增大所带来的诊断困难问题,提出了基于变分模态分解(VMD)与TEO窗特征提取的深层双向长短记忆神经网络(DBiLSTM)轴承故障诊断方法。首先,利用改进果蝇算法优化的VMD-TEO窗函数,提取轴承振动信号的瞬时能量特征,构造具有时序特性的特征矩阵;其次,利用训练集对DBiLSTM模型进行学习以确定模型参数;最后,用测试集对模型进行验证,输出轴承状态识别结果。试验采用凯西西楚大学轴承故障数据集,结果表明:该方法在处理数据量较大的滚动轴承故障诊断问题时,能有效地对多种故障类型,不同损伤等级的滚动轴承振动信号进行识别。     

基于粒子群-蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群 蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群 蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群 蛙跳算法的BP神经网络方法诊断误差最大值仅为005,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群 蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。     

基于抗噪多核卷积神经网络的轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于抗噪多核卷积神经网络（anti-noise multi-core convolutional neural network,AMCNN）的轴承故障识别新方法。首先,对滚动轴承振动信号进行预处理,得到数据样本,分为训练集和测试集;然后建立轴承寿命状态识别模型,将标签化的训练集数据样本输入AMCNN中进行训练;最后,将训练后的AMCNN模型应用于测试集,输出故障识别结果。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理;为提高模型抗干扰能力,将dropout层作为AMCNN的第一层。运用轴承实验数据对识别模型进行检验,通过对比验证,结果表明所提出的识别方法在高噪声环境下能更准确地实现轴承故障状态识别。     

基于LMD和FCM的滚动轴承故障诊断方法

滚动轴承振动信号具有非线性、非平稳性,轴承故障发展具有渐变模糊性。因此,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和模糊C均值聚类(Fuzzy C-means Clustering,FCM)相结合的轴承故障诊断方法。应用此方法对轴承外圈故障、内圈故障以及滚动体故障进行诊断,结果表明该方法可以有效地对轴承故障类型进行识别。     

基于域适应与分类器差异的滚动轴承跨域故障诊断

基于数据驱动方法诊断滚动轴承故障时,不同工况下的数据特征分布差异会导致模型诊断性能严重下降.针对这一问题,提出了基于域适应与分类器差异的滚动轴承跨域故障诊断方法.首先利用卷积神经网络对带标记的源域样本和无标记的目标域样本进行特征提取;然后通过2个全连接分类器进行故障分类;最后通过分步优化分类损失、域最大平均差异损失和分...     

滚动轴承故障诊断系统研究

在对滚动轴承振动信号特征分析的基础上，建立了AR模型，利用AR模型参数建立径向基函数神经网络，并用该网络对滚动轴承的故障模式进行了识别。最后应用Matlab语言强大的计算功能，建立了滚动轴承故障诊断系统。理论和试验证明了该系统的有效性，且具有较高的识别精度。     

基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法

提出一种基于奇异值分解(SVD)和深度信度网络(DBN)多分类器的滚动轴承故障诊断方法.对滚动轴承的振动信号进行相空间重构,得到相应的特征矩阵;对特征矩阵进行SVD分解,并用所得整个奇异值序列构造特征向量,建立DBN多分类器模型,以实现滚动轴承的故障诊断;同时,将所提出的方法与DBN、反向传播神经网络、支持向量机等算法进行对比.结果表明,所提出的方法能够更加稳定、可靠地识别滚动轴承的故障类型和故障程度.     

小波减噪和双谱分析在轴承故障诊断中的应用

提出了基于小波减噪技术和双谱分析的滚动轴承故障诊断的方法。利用小波变换及其减噪技术对滚动轴承早期微弱故障振动信号的特征频率进行提取，采用双谱估计可绘出滚动轴承故障信号的特征图谱。实验表明，小波减噪和双谱分析方法可以敏感地监测滚动轴承工作状态，并且利用特征图谱可以有效地识别滚动轴承不同的故障特征。     

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.     

应用铁谱分析研究滚动轴承疲劳失效

本研究应用铁谱分析技术对滚动轴承疲劳失效的全过程进行监测,探索了成劳失效过程的磨损规律,铁谱分析表明,在滚动轴承磨合期产生大量大尺寸的条状、块状、球状及切削状磨损颗垃,主要来源于软钢制造的保持器;轴承接近疲劳时,磨损颗粒大量增加,I_G和I_A值突然连续上升,说明疲劳已开始。有的轴承疲劳前出现大量的小球状颗粒,可视为疲劳剥落的先兆。     

阱宽非对称性诱导随机共振的轴承故障诊断方法

针对随机共振能够俘获噪声能量增强与提取机械微弱故障特征的优点,基于两态信噪比理论研究了阱宽非对称性诱导下的随机共振现象,理论结果表明阱宽诱导下的非对称随机共振比对称随机共振具有更高的输出信噪比,意味着适当的非对称性能够改善随机共振的增强性能。因此,提出了阱宽非对称性诱导随机共振的轴承故障诊断方法,利用量子遗传算法以信噪比为目标函数优化阱宽非对称性,以获取阱宽非对称性与微弱故障特征之间的最佳匹配。仿真和轴承实验结果表明,提出的方法能够有效地实现轴承的故障诊断,而且其性能优于集成经验模式分解。