基于小波包能量法的滚动轴承故障诊断

阐述了故障轴承振动与信号的关系,小波包的原理以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了小波包节点能量作为振动信号特征参数,并训练BP神经网络,对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,则具有很强的故障识别能力。说明利用小波包能量法和BP神经网络进行滚动轴承振动诊断是可行、有效的。     

基于BP神经网络的滚动轴承振动故障诊断

滚动轴承振动信号被分析和处理后,提取出能够反映滚动轴承故障的特征参数,经归一化处理作为BP神经网络的输入,并用BP算法对该网络进行训练,利用神经网络的智能性来判断轴承的好坏。仿真结果表明,该方法实用有效。     

基于EEMD与SVM的滚动轴承故障诊断分析

针对滚动轴承故障振动信号的非平稳与非线性的特点,提出一种基于集合经验模态分解(EEMD)指标能量的滚动轴承故障诊断分析方法。首先利用集合经验模态分解对滚动轴承故障振动信号进行降噪处理,提取故障振动信号能量特征,在此基础上构建相应的故障特征向量;然后通过SVM对滚动轴承故障进行分类,从而实现了对滚动轴承不同故障的有效诊断。     

基于小波包和样本熵的水泵机组振动特征提取

目前大部分大型水泵机组安装有状态监测系统,但如何从海量的状态监测数据中提取出机组故障特征仍是水泵机组故障诊断的一大难点和热点。提出了一种基于小波包和样本熵的水泵机组振动特征提取方法,该方法首先通过小波包变换对水泵机组振动信号进行分层分解,得到小波包频带系数,再结合样本熵算法对小波包频带系数进行重构,得到以各频带信号样本熵值为元素的反映机组故障信息的特征向量,最后采用LVQ神经网络对试验振动信号进行分类,验证结果表明:基于小波包变换与样本熵相结合的特征提取方法对水泵机组不同振动状态具有较好的区分度,是一种合适的水泵机组故障特征提取方法。     

基于小波降噪和EMD分解方法的轴承故障诊断

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,进行了小波降噪和经验模态分解(EMD)研究。利用小波高分辨率的特性,将时变非平稳信号分解到独立的频段上,重构信号能够滤除噪声干扰,提取特定频段的信号。对滤波后的特征信号进行总体经验模态分解,得到若干固有模态函数(IMF),以峭度最大值准则,选取故障敏感的IMF分量进行包络分析,从而提取故障特征频率。与轴承故障频率理论值相比,误差极小,从而说明该方法对于提取含噪声的轴承故障特征的有效性。     

基于RBF神经网络的滚动轴承故障诊断方法

应用径向基函数(RBF)神经网络建立特征向量与故障模式之间的映射关系。采用小波包分析技术构造滚动轴承特征向量。采用脉冲放电加工技术模拟滚动轴承早期单点故障,试验结果表明,采用小波包分析和神经网络结合的方法可以准确地实现滚动轴承的故障诊断。     

基于小波变换与SVD的水电机组振动信号特征提取研究

提出一种基于小波变换与SVD相结合的方法用于提取水电机组振动故障特征。运用小波变换对已去噪处理的水电机组振动信号进行变换,变换得到信号各分支的小波分解系数,对各分支系数进行差值单支重构后,组成SVD的输入矩阵,提取奇异值得到特征向量。应用概率神经网络对提取的奇异值特征量进行效果分类。通过水电站机组实测数据验证表明该特征提取方法操作简单稳定,具有较高区分度与较好识别率,可以为水电机组状态故障诊断提供有效依据。     

小波和神经网络在柴油机故障诊断中的应用

柴油机以其良好的动力性、可靠性、经济性在运输车辆和农用机械中广泛应用,但对其施行及时的不解体故障诊断却并非易事.为此,以配气机构故障为例,提出将小波包分解与神经网络结合的故障诊断方法.先对振动信号应用小波阀值法降噪,再进行小波包分解,构造小波包特征向量作为故障样本,并用训练好的BP神经网络进行故障识别,试验结果证明了该方法的有效性.     

收割机轴承故障检测——基于虚拟仪器和小波神经网络

滚动轴承是收割机轮系系统中的重要部件,也是易损原件,其损伤容易引起旋转机械故障,因此对轴承故障的检测非常重要。针对轴承运行过程中的振动信号机理和特征,在信号时域和频率特征分析的基础上,提出了小波神经网络模式识别算法,可以智能化地识别轴承故障,并减小故障诊断的误差,提高故障类型判断的准确性。结合虚拟仪器开发软件LabVIEW,实现了故障检测过程的可视化显示功能,使收割机轴承故障的监测更加高效,提高了故障检测的智能化水平。     

基于提升小波包变换的滚动轴承包络分析诊断方法

提出了一种基于提升小波包变换提取滚动轴承损伤特征的方法.在提升模式的框架下,根据小波包变换的思想,对细节信号进一步采用提升模式进行分解,实现了提升小波包变换.为了有效地获取滚动轴承的损伤特征,选择合适的小波包基函数,把振动信号按给定的尺度分解,以该尺度信号能量最大的小波包信号分解频带作为最佳小波包,再用解调分析法提取特征频率.并采用仿真和实验信号对该方法进行了验证.采用该方法对无损伤和含有损伤的滚动轴承进行分析,取得了较好的诊断效果.     

基于RBF神经网络的农用柴油机故障诊断研究

柴油机以其良好的动力性、可靠性、经济性在农用机械中广泛应用,但对农用柴油机施行及时的不解体故障诊断却并非易事。为此,以配气机构故障为例,提出了将小波包分解与RBF神经网络结合的故障诊断方法,对降噪后的气缸盖振动信号进行小波包分解,构造故障特征向量作为故障样本,并用训练好的RBF神经网络进行模式识别。试验结果证明,该方法具有良好的诊断效果和广泛的工程应用前景。     

小波神经网络故障诊断系统的设计与应用

采用能量分布特征提取方法和优化BP算法，提出了一种基于小波变换和BP神经网络的故障诊断系统。利用该系统对汽车变速箱三挡齿轮磨损程度进行估计，诊断结果与实际完全吻合，表明该小波神经网络故障诊断系统的有效性。由于小波分析特别适用于非平稳信号的处理，因此该小波神经网络诊断系统对复杂机械设备的故障诊断有着广阔的应用前景。     

基于MEA优化BP神经网络的农机滚动轴承故障诊断

为了解决农机滚动轴承的故障诊断问题,提出了一种基于思维进化算法(MEA)优化BP神经网络的故障诊断新方法。该方法利用思维进化算法的趋同和异化操作,通过竞争获取优胜种群,在迭代过程中不断优化BP神经网路的初始权值和阈值,建立MEA-BP网络农机滚动轴承故障诊断模型。以滚动轴承试验实测数据为例,通过Mat Lab软件进行仿真,结果证实:该方法不但克服了常规BP网络学习速度慢和局部极小的缺点,而且提高了故障诊断准确度,为其他农业机械设备的故障诊断提供了一种试验方法。     

小波包分解与神经网络相结合的变速箱齿轮故障识别

提出了一种识别变速箱齿轮故障的新方法，通过对小波包分解的分析研究，将基于小波包能量的小波包分解特征提取方法用于提取齿轮运行状态的特征向量，并以此作为BP神经网络的输入对神经网络进行训练，建立了基于BP神经网络的齿轮运行状态分类器，用以识别齿轮的运行状态，, 变速箱齿轮故障识别为例，用文中所述方法对变相齿轮的正常状态，磨损状态，断齿状态进行识别验证，验证结果表明该方法的效果良好。     

联合收获机脱粒滚筒角速度控制优化设计——基于小波神经网络

脱粒滚筒是联合收获机的核心部件,其性能决定了联合收获机的工作质量和生产效率。由于不同地块和不同作物的湿度、密度不同,联合收获机的行走速度和喂入量也不同,因此脱粒滚筒的转速也应做出适当的调整,使滚筒的线速度保持在一个有较好脱粒效果的状态。为此,提出了一种新的双滚筒脱粒滚筒结构,该结构利用传感器采集滚筒信息,形成了滚筒转速的闭环反馈调节机制,并采用小波神经网络算法对转速的精度进行调节,提高了脱粒滚筒的作业精度。最后,对基于小波神经网络算法的双滚筒脱粒滚筒的性能进行了实验测试和仿真模拟,测试和仿真模拟得到的籽粒破碎率基本吻合,验证了实验的可靠性。对滚筒的脱净率进行了进一步的实验测试发现,利用神经网络算法和小波神经网络算法的脱粒滚筒脱净率都比较高,且小波算法要比单纯使用设计网络算法脱净率高。     

基于EMD和Teager能量的滚动轴承故障诊断

对滚动轴承故障信号进行Teager能量谱分析是一种有效的方法,但是Teager能量算子使用对象为单分量信号.根据EMD （Empirical Mode Decomposition）能够自适应地把信号分解成单分量调制信号IMF（Intrinsic Mode Function）的特点,提出了一种基于EMD和Teager能量的故障诊断方法.通过对EMD分解出的与原信号互相关系数最大的分量作Teager能量谱分析进行诊断.分析了滚动轴承故障实验信号,并与信号的直接Teager 能量谱作了比较,验证了该方法的有效性.     

基于小波神经网络的旋耕装置机械故障诊断研究

首先,介绍了小波变换原理及其在故障检测中的优势;然后,采用三层小波神经网络模型,构造了旋耕装置机械故障诊断模型;最后,从建立旋耕装置故障特征、提取故障特征向量,以及建立和训练小波神经网络模型等方面,实现了基于小波神经网络的旋耕装置机械故障诊断模型,能够实时完成对旋耕装置的机械故障诊断。通过验证与分析,证明了诊断系统的可行性和精确性。     

谐波小波包自适应分解在故障诊断中的应用

将谐波小波包与匹配追踪方法相结合,提出了谐波小波包自适应分解的新方法。根据信号特征自适应选择谐波小波包字典内的时频原子,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去,算法实现简单,频率分辨率好。通过仿真算例将该法与小波包变换、小波包追踪结果相比较,验证了该方法时频定位性好的优越性。将该方法应用于轴承和转子的故障诊断,结果表明,故障特征提取是有效的。     

河川径流预测方法比较研究

通过实际算例分析比较了灰色预测模型、小波分析法、小波神经网络和模糊神经网络河川径流预测方法,结果表明：灰色预测模型和小波分析法预测结果误差比较大且分布不均匀,小波神经网络和模糊神经网络预测结果明显好于灰色预测模型和小波分析法。