基于一维卷积神经网络与近似熵特征融合的水电机组故障诊断

针对水电机组振动信号存在非平稳和非线性,单一特征提取难以实现高精度故障诊断问题,提出了一种基于卷积神经网络和近似熵特征融合的故障诊断方法。利用卷积神经网络提取振动信号特征;EEMD与近似熵构建信号特征向量,将两种方法提取的状态特征融合构建融合特征向量;进一步,将融合特征作为输入、故障类别作为输出,训练BP神经网络得到水电机组故障识别器,识别水电机组运行状态,即正常或具体故障类型。结合转子实验台实验数据,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。     

变速箱故障模糊诊断的研究

变速箱是机械设备的重要组成部分.由于机械设备的特殊运行条件和运行环境使得变速箱中齿轮副、轴、轴承等常发生故障.因而随着科学技术的发展,对变速箱实施故障诊断,显得尤为重要.而故障诊断的前提是对于故障特征信号的提取.近年来,模糊故障诊断技术在故障诊断和特征提取方面的应用也越来越多.为此,利用故障模糊诊断技术,通过对齿轮在运转时产生的振动信号进行特性分析,诊断齿轮系统的故障.     

混合特征量提取与FCM聚类在轴承故障模式识别中的应用

信号的特征提取是轴承故障诊断的关键所在,项目小组针对机械系统的非平稳、非线性特性,利用自适应时频分析方法——局部均值分解(Local Mean Decomposition,简称LMD)方法,同时提取信号LMD分解后的PF分量的能量、时域特征指标、近似熵作为混合特征向量,可以分别从信号的不同特征来描述轴承系统的故障信息....     

基于GAF-Alexnet-ELM的齿轮箱故障诊断方法

针对齿轮箱在噪声、转速、加载电流变化的情况下故障诊断模型泛化性能差的问题,提出一种GAF-Alexnet-ELM的齿轮箱故障诊断模型。利用格拉姆角场(GAF)的方法将齿轮箱的振动信号转化为二维图像,将二维图像压缩至适当大小,再输入卷积神经网络(Alexnet)进行特征提取,最后将Alexnet提取的特征放入极限学习机(ELM)进行故障识别。为了验证模型性能,采用千鹏公司QPZZ-II旋转机械振动分析及故障诊断试验平台系统的数据集进行齿轮箱故障诊断分析,同时进行多组对比实验,验证不同模型的故障诊断性能和泛化性能。结果表明,该模型故障识别准确率达到了96.33%;在噪声、转速、加载电流变化的情况下,故障识别准确率也较高,证明了所提方法具有良好的故障诊断效果和泛化性能。     

基于数学形态学的水泵振动故障诊断研究

基于多尺度数学形态谱及形态谱熵等理论,对多组实测水泵故障信号分析对比其形态谱特征和形态谱熵,提取故障信号特征,并结合信号时域图,达到故障识别的目的。研究表明：采用数学形态谱和形态谱上理论能够对杂乱无章的故障进行特征提取,故障信号识别成功率在90%以上,较好的达到了故障诊断的目的,这为信号处理和水泵故障诊断提供了新方法,具有较高的实用价值和学术价值。     

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。     

基于振动信号分析的联合收割机故障检测系统研究

首先,介绍了振动信号分析原理及应用,并设计了联合收割机发动机振动信号采集与处理模块;然后,基于卷积神经网络,实现了联合收割机故障检测系统,并利用MatLab进行了发动机故障诊断仿真。实验结果表明:采用卷积神经网络的故障检测模型,可实现对联合收割机发动机转子、轴承和机匣的故障检测,且识别率在95%以上,证明了系统的可靠性和可行性。     

汽油机曲轴轴承异响故障诊断研究

基于振动测试技术,对发动机曲轴轴承磨损故障进行诊断研究。在EQ6100型发动机上模拟曲轴轴承磨损,然后测取不同的转速、轴承间隙、测点、温度下的故障信号,并用时域、频域分析法进行了分析比较。通过分析,提取了曲轴轴承磨损故障的诊断特征参数并指出目前该故障诊断所存在的问题。     

基于卷积自编码器的旋转机械故障特征提取方法研究

滚动轴承作为旋转机械的关键部件,其健康状况对安全生产至关重要,对其未来健康状态以及剩余使用寿命的预测是实现故障智能诊断的主要挑战之一。为有效获得轴承退化过程,文章设计了一种改进损失函数的卷积自编码器(Convolutional Autoencode),使其可从多传感器采集的振动信号中提取轴承健康状态,避免局部信息丢失,并可得到更深层次的故障特征。同时,使用NASA的IMS数据集进行了验证和对比试验,得出本文所构建的卷积自编码器轴承健康预测模型相较于其他方法具有更准确的预测能力。     

基于经验模态分解和Duffing振子的轴承故障诊断

针对齿轮箱轴承振动信号故障信息容易被噪声淹没，且具有非线性、非平稳特性的问题，提出了基于经验模态分解（EMD）和Duffing振子的轴承故障诊断方法。首先对原始振动信号进行经验模态分解，找到包含轴承故障信息的固有模态函数（IMF），然后利用Duffing振子的分岔图找到混沌振子相轨迹发生变化的内部激励力分界值，并将Duffing 振子的内部激励力频率设定为轴承故障特征频率，最后从混沌振子输出相轨迹的变化来检测齿轮箱轴承故障信息。实验结果表明，基于EMD和Duffing振子的故障诊断方法能够检测轴承故障信息。     

基于EEMD的农机轴承故障诊断

针对经验模式分解(EMD)在非线性信号处理中存在的模态混叠问题,本研究采用了总体经验模式分解(EEMD)方法对农机中的轴承进行故障诊断。将农机轴承故障信号加入随机白噪声构成总体信号再进行EMD分解,然后对分解所得的固有模态函数(IMF)做包络谱分析,在包络谱中清晰地显示出了轴承故障特征。实验结果表明,避免了模态混叠现象的产生,是一种有效的农机轴承故障诊断方法。     

基于支持向量机的水电机组故障诊断

针对水电机组故障样本少的问题,将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备“能量-故障”映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。     

浅析LMD和支持向量机在旋转机械故障诊断中的应用

旋转机械长期处于连续运转状态,很容易发生故障。而其一旦出现故障,不仅会影响企业生产的经济效益,甚至还会引发重大事故。因此,对旋转机械进行状态检测及故障诊断有着重要现实意义。课题组提出了一种基于LMD和支持向量机相结合的故障诊断方法。这一方法首先运用LMD信号处理方法进行故障特征提取,然后采用支持向量机对提取的特征进行状态识别、分类。课题组以滚动轴承为例,阐述了基于LMD和支持向量机的旋转机械故障诊断的应用。     

基于LMD分解的风机轴承故障信号提取研究

为准确得到风机轴承故障的运行状态,分析局域均值分解方法,对风机故障振动信号提取,应用LMD分解方法对风机轴承实际振动信号进行分解,提取其能量特征值并将特征值进行归一化处理,得到各个分量的能量值,最后判断风机轴承的故障类型。     

基于支持向量机的水电机组故障诊

针对水电机组故障样本少的问题,本文将支持向量机引入水电机组故障诊断研究,提出一种结合小波频带分解与最小二乘支持向量机的水电机组故障诊断模型。基于机械设备“能量—故障”映射关系,运用小波分解提取机组振动信号各频带能量特征值,然后将能量特征值输入到多分类的支持向量机,实现对机组不同故障类型的识别。通过实验信号分析,表明将小波能量提取与支持向量机结合进行水电机组故障诊断是可行有效的,并具有较高的故障分辨能力,为水电机组故障诊断提供了新的方法和思路。     

基于小波变换的滚动轴承振动信号故障特征提取

滚动轴承是多数工程机械的关键零部件,在长时间工作后,其内、外圈常常出现各种程度的疲劳裂纹,影响机器的正常运行。为了提取由故障产生的非平稳信号冲击特征,本文基于小波变换,对原始信号进行多层次分解,通过限定阈值的方法,有效地从振动信号中剥离高强度背景噪声,强化故障特征表达,为轴承故障诊断提供更为有效的数据信号。     

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。     

拖拉机发动机电气故障诊断方法研究——基于信号瞬态成分稀疏表示方法

由于拖拉机发动机工作时的噪声较大,其故障信号较难采集,而电气信号的输出较为平稳,因此可以通过电气信号的特征提取来诊断发动机的故障。发动机电气的故障信号一般是特征较为明显的瞬态信号,有多种检测方法,信号的特征不同,各种方法的检测性能也会存在差异。本次提出了一种基于小波和稀疏表示的瞬态信号检测方法,并搭建了虚拟仪器平台对发动机的故障信号进行了检测。结果表明:采用小波和信号成分稀疏表示可以成功地提取发动机电气故障的瞬态信号特征,然后将信号特征和经验特征进行比对,便可以判断发动机电气的故障类型,为拖拉机发动机故障诊断的研究提供了重要的数据参考。     

基于变分模态分解和复杂度分析的水电机组振动信号特征提取

目前大型水电机组通常安装有状态监测系统可记录机组的振动数据,而如何从海量的数据中提取出机组的故障特征是水电机组故障诊断的难点和热点。提出了一种基于变分模态分解和复杂度分析的振动信号特征提取方法,该方法首先对降噪后的振动信号进行变分模态分解,再结合复杂度算法求得各模态分量的复杂度值,得到以各模态分量复杂度值为元素的反映机组故障信息的特征向量,最后利用支持向量机对特征向量进行分类。试验结果表明:基于变分模态分解与复杂度分析的特征提取方法对水电机组不同运行状态具有较好的区分度,是一种有效的振动信号特征提取方法。     

基于形态非抽样小波分解的滚动轴承故障特征提取

针对滚动轴承故障特征信息往往被强背景噪声淹没的问题,提出采用基于多尺度差值形态滤波的形态非抽样小波分解方法提取故障特征.形态非抽样小波分解具有形态学的形态滤波特性与小波分解的多分辨率特性,通过非抽样方式对信号进行分解,克服了传统形态小波分解信息丢失的问题.结合差值形态滤波能够提取信号冲击成分的特点,构造了一种基于多尺度差值形态滤波的形态非抽样小波分解方法,并将其应用于滚动轴承故障特征的提取.仿真与实例证明,该方法可有效提取信号中的故障特征,比传统小波包分解效果更好.形态非抽样小波分解算法只包含加减和极大、极小运算,具有计算简单、快速等优点,适用于滚动轴承的在线监测与故障诊断.