切片Wigner高阶矩谱在故障诊断中的应用

为了更好地提取在设备状态监控中振动信号的故障特征,采用Wigner高阶时频分布的方法,研究了柴油机的缸套活塞在不同磨损情况下振动信号的平滑切片Wigner三谱.实验结果显示:从柴油机磨损初期阶段到后期阶段的过程中,爆燃阶段振动信号的平滑切片Wigner三谱清楚地说明信号的能量逐渐向宽频带范围扩散,且持续时间逐渐减小.在磨损程度和故障特征之间建立了映射关系,进一步说明通过Wigner高阶矩谱可以有效地对非平稳、非高斯振动冲击信号进行特征提取和检测,验证了该方法在故障特征提取中具有很好的应用潜力.通过该方法可以提取有价值的关于冲击信号的时间和谱特性的量化信息.     

Matlab在货车滚动轴承故障诊断中的应用

在机械故障咨询诊断中,对采集到的信号如何进行分析与处理,以及如何通过计算机实现,是决定故障智能诊断成败的关键,以铁路货车滚动轴承352226X2-2Z故障诊断为例,介绍了Matlab语言在其关键技术--小波滤波、功率谱以及智能诊断程序的编程应用,结果表明,该语言具有编程简单、功能强大等特点.有着广泛的应用前景.     

小波分析在滚动轴承故障诊断中的应用

在共振解调技术的基础上，采用小波分析方法对滚动轴承的故障进行了有效的诊断，实例证明，小波分析对处理非平稳信号具有很好的应用效果。     

CNN-LSTM深度神经网络在滚动轴承故障诊断中的应用

针对大数据下的滚动轴承振动信号自适应故障特征提取与智能诊断问题,提出了一种结合卷积神经网络(CNN)与长短时记忆网络(LSTM)的故障诊断模型。首先通过网格搜索算法寻找到当前模型的最优初始参数;然后以原始一维振动信号作为模型的输入,利用网络CNN层自适应提取短时特征信并降维后作为LSTM层输入;接着利用LSTM层学习特征信息并训练神经网络模型;最后,网络输出层利用Softmax函数实现多故障模式识别,完成故障诊断。使用Spectra Quest机械故障综合模拟试验台实测数据集对模型进行验证,试验结果表明,与多层感知器、LSTM网络以及经典的LeNet5、AlexNet、VGG相比,所提出的CNN-LSTM模型的分类平均准确率可达99%以上,且模型结构比其他模型更简单,训练时间更短;同时,通过K折叠交叉验证算法对模型进行评价,结果表明CNN-LSTM模型计算误差较小且网络训练充分,未出现过拟合或欠拟合情况。     

基于高阶谱和Tamura纹理的滚动轴承故障诊断

为了提高滚动轴承的故障诊断率,提出了一种基于高阶谱(high order spectrum, HOS)和Tamura纹理特征相结合的故障诊断方法。首先,通过高阶谱方法将滚动轴承故障振动信号的冲击提取出来;然后,对高阶谱进行处理得到二维等高线图;最后依据轴承故障相同时等高线图具有相似性以及不同时具有差异性这一特性,采用基于人类视觉感知的Tamura纹理描述方法提取特征参数后输入多分类支持向量机(support vector machines, SVM)中进行分类。结果表明：高阶谱结合Tamura纹理特征的滚动轴承故障诊断方法在较少特征参数下故障识别准确率能达到较高的精度,对于故障尺寸不同的混合振动信号识别准确率稳定,诊断效果良好。     

滚动轴承故障诊断中的分形

简述了滚动轴承运转中时序列时表现时的自相似性，重构了振动信号对应的嵌入相空间的序列，计算得出分维数，实验结果表明，振动时域序列的分维数在不同工况，不同间隙下是有差别的，可以做为识别主要轴承的特征量。     

高密度小波变换在滚动轴承复合故障诊断中的应用

针对目前滚动轴承中多种微弱故障难以准确识别的难题,提出基于高密度离散小波变换和包络谱的滚动轴承复合故障诊断方法.首先对采集的轴承振动信号进行高密度离散小波变换;然后对各尺度上的小波系数和尺度系数进行单子带重构,以消除频率混叠的影响;最后对各子带信号分量进行包络谱分析,并通过滚动轴承各典型故障的特征频率,识别滚动轴承存在的各种故障.将所提方法应用于具有复合故障的滚动轴承的诊断,并与其他常用的诊断方法进行对比,结果表明该方法能有效地实现滚动轴承早期复合故障诊断.     

连续小波变换及其在滚动轴承故障诊断中的应用

以Morlet小波为例,讨论了连续小波在处理数字信号时的离散化与参数选择问题;将连续小波应用于滚动轴承的故障诊断,展示了连续小波变换在特征提取上的优越性能.     

基于一种新的时频分布的机械故障诊断

在巧妙构思核函数的基础上，给出了一新的时频分布TFD(Time—Frequency Distribution)及其离散算法，并应用于机构故障诊断。结合两个诊断实例，同时与WVD(Winger—Ville Distribution)进行对比，发现该分布具有良好的时频聚集性，并且能够有效地抑制交叉项，表明该分布能够刻画出幅值谱和WVD所不能反映的故障特征信号，能够较好地进行故障诊断。     

时频分析方法在机器故障诊断中的应用

阐述了短时傅氏分析、Ｗｉｇｎｅｒ分布及小波分析等时频分析方法和特点；对间隙非线性机械系统振动信号进行了小波分析，发现了间隙非线性机械系统振动信号在小波分解中的状态特征，应有和时频分析方法对ＭＣＮＣ８２数控磨床进行了故障诊断，结果表明时频 分析方法对非线性机械系统的故障诊断比较有效。     

滚动轴承故障诊断的案例推理方法

针对滚动轴承的故障诊断问题,提出了一种采用案例推理(CBR)的诊断方法.为了解决检索相似案例时案例属性多、人工确定关键属性及其权重困难的问题,提出了一种Filter/Wrapper复合型特征选择算法,用邻域粗糙集算法粗选属性,用遗传算法进一步精选属性和优化权重,并有效地解决了邻域粗糙集算法中需要人工确定邻域大小的问题.以滚动轴承运行时的振动信号为基本信息,建立了滚动轴承案例库,从案例库中检索与问题案例相似的历史案例,并根据这些历史案例来判定问题案例的故障类别.试验结果表明,故障诊断的正确率达到100%,故障位置诊断的正确率达到93.3%,且算法具有较好的稳定性.     

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。     

基于多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有不同复杂性的特点,提出了一种新的基于多尺度熵(multi-scale entropy,简称MSE)和支持向量机的滚动轴承故障诊断方法.该方法首先利用MSE方法对滚动轴承不同类型振动信号进行故障特征提取,然后与样本熵方法对比说明MSE方法相对于样本熵方法的优势,最后通过适合小样本分类的支持向量机作为分类器来识别滚动轴承故障类型.对实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.     

基于鲁棒局部均值分解与二阶瞬态提取变换的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时存在故障特征提取困难以及提取特征不明显的问题.针对此问题,提出了 一种基于鲁棒局部均值分解(robust local mean decomposition,RLMD)以及二阶瞬态提取变换(second-order transient-ex-tracting transform,S...     

滚动轴承早期故障振动信号的分离与诊断

利用希尔伯特变换技术，将含故障的轴承振动信号转化为窄带振动包络信号，然后用包络信号的功率谱和活尔什列谱对轴承故障进行诊断，对５套３０７轴承的诊断结果表明，这种方法诊断结果准确可靠，方法简便实用，速度快，特别适用于滚动轴承故障的在线监测与诊断。     

基于Hilbert变换与威布尔分布的轴承早期故障诊断

提出一种结合Hilbert变换与威布尔(Weibull)分布的早期故障特征提取新方法.首先对滚动轴承的振动信号进行Hilbert变换,求出其包络,然后将包络拟合为双参数威布尔分布模型,并求出威布尔分布负对数似然函数,将其作为表征滚动轴承运行状态的特征向量.最后,利用欧氏距离判别法进行滚动轴承的故障识别与分类.实验结果表明所提方法的有效性和可行性.     

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.     

声信号分析方法在轴承故障诊断中的应用

由于轴承故障声信号的混响及临近的机械设备的噪声,造成声信号的频域分析很困难.通过小波变换原理,对滚动轴承故障声信号进行时频分析.通过对声信号的多尺度分解,分离出由故障造成的声信号突变.实验结果表明,较之以往的时域、频域信号处理技术,该方法对声音信号分解更趋合理,是一种可靠和有效的滚动轴承故障诊断新方法.