基于深度时频特征的机车轴承故障诊断

针对现有机车轴承诊断方法存在故障特征提取不理想、诊断精度低等问题，提出了一种基于深度时频特征的机车轴承故障诊断新方法；利用双通道一维和二维卷积神经网络(CNN)分别对输入的一维原始信号和连续小波变换(CWT)提取的二维时频信号进行深度特征提取；为使输入的一维原始信号简单而有效地反映出信号在时域的全局特征，上通道使用一维CNN，为使输入的二维时频域信号能多角度地反映出信号的细微局部变化，下通道使用二维CNN；在融合层中将上下通道特征自动融合成一个新的深度时频特征，并将提取到的深度融合时频特征经归一化指数函数进行故障分类识别；在此基础上，分析了某局机务段实测的7种机车轴承数据，验证了本文方法的实际工程应用价值。研究结果表明:基于深度时频特征的机车轴承故障诊断方法对7种机车轴承故障的平均诊断精度达到了100%，与一维CNN模型、二维CNN模型和支持向量机(SVM)模型相比，平均诊断精度分别提高了0.7%、1.9%和2.2%；本文方法提取的深度时频特征中每类故障分布间隔规则有序，类内间距很小，而单个一维CNN模型和二维CNN模型提取的特征的每类故障分布间隔不规则，类内间距较大，说明基于深度时频特征的机车轴承故障诊断方法提取深度特征的能力优越，是一种解决机车轴承故障诊断问题的有效模型。      

基于虚拟仪器的机车滚动轴承故障诊断研究

介绍了机车滚动轴承故障诊断的机理。利用LabVIEW软件和相关硬件,设计了一种机车滚动轴承故障诊断系统。该系统结合某一型号机车轮对,利用CompactDAQ和NI9233加速度采集模块采集滚动轴承振动信号。根据滚动轴承机理,振动信号包含滚动轴承故障信息。因此,运用小波变换函数,对振动信号进行时频域分析处理,获取有用的故障特征信息,进而确定故障类型。从实验结果可以看出,该方法能准确地找到故障频率,对于机车滚动轴承故障诊断有很好的指导意义。     

基于互相关奇异值分解的滚动轴承故障诊断

滚动轴承在机械装置中非常重要,其运行状态与整台机械设备的工作状态有直接的关系,但在早期弱故障检测时,特征信号经常被淹没在噪声中。为了提高该故障特征的识别精度,提出了基于互相关奇异值分解的故障诊断方法。首先利用奇异值分解将轴承故障信号分解为多个分量信号;其次使用峭度值作为衡量标准,选择两个合适的奇异值分量用于互相关包络分析以获得包络谱;最后通过信号的频谱分析,得到轴承的故障频率,从而完成早期微弱故障检测。通过仿真信号和滚动轴承内圈故障实测数据仿真对比,验证了该方法的有效性。     

一种交流电机故障诊断中的特征提取与强化

为提高电机故障诊断的准确率和有效性,提出了一种故障特征提取与强化的新方法.即在对所采集的交流电机振动加速度信号进行数据预处理之后,用盲源分离方法进行独立振动源的分离,然后采用小波包分析方法进行特征提取,并进行特征频带的简化及特征强化处理,特征强化后的数据作为交流电机故障诊断模型的输入.该方法通过对振动加速度信号进行分离,能够分离出混合信号中的独立振动源,提高了故障特征提取的正确率和准确度;通过对特征频带化简,减少了故障诊断模型的输入,进而简化了模型的结构;特征强化使模型能够更有效地识别故障状态.     

拟合振动信号模型实现滚动轴承故障诊断

针对现有旋转机械故障诊断模式的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断的方法.首先建立了滚动轴承故障振动信号模型,对原始振动信号做EMD(empirical mode decomposition)分解,并对包含有故障调制信息的IMF(intrinsic mode function)分量做信号重构,最后采用遗传算法对重构信号和故障信号模型做数据拟合,根据拟合结果可知损伤点所在部位和损伤程度.通过在风力发电机组齿轮箱高速端滚动轴承故障诊断中的应用,验证了方法的有效性和实用性.     

基于局域波和混沌的微弱故障信号检测方法

为了利用微弱信号准确诊断转子系统早期故障,提出了一种基于局域波法和混沌振子相结合的信号检测方法。利用局域波法将微弱的故障信号分解为有限的并且具有不同基本模式的分量,每个分量是单一成分信号,实现了信噪分离。将局域波分量输入混沌振子,通过混沌振子系统行为由混沌状态变为大周期运动状态,表明检测信号中含有特征成分,实现了利用混沌振子对低信噪比的微弱信号识别。故障诊断结果表明:所提出的检测方法是可行的,能准确诊断转子系统早期不对中故障。     

基于能量分析的列车轴承故障声发射信号研究

货车轴承早期微弱故障的声发射信号由于背景噪声干扰引起故障特征不明显,提出一种基于能量分析的故障声发射信号特征提取方法。采用铁路货车轮对轴承故障实验台进行测试,利用能量算子在检测信号瞬态冲击成分方面的优势,增强故障声发射信号中的瞬态冲击特征,通过信号瞬时能量的频谱识别特征频率,从而判断故障原因。实验结果验证了能量方法用于货车轴承声发射故障诊断的有效性。     

基于加权FCM算法的轴承故障诊断

提出一种基于特征评估和特征加权FCM算法的滚动轴承故障诊断方法．对原始振动信号提取时域、频域和小波包归一化能量特征，组成联合特征．然后对联合特征进行评价，计算类可分性评价指标．根据该指标大小选取敏感特征，进行特征加权模糊聚类分析，实现对轴承故障状态的自动识别．特征评估克服了传统方法在特征选择上的盲目性，特征加权提高了分类准确率．实例表明，该算法不仅可以可靠识别不同类型的滚动轴承故障，而且可以识别不同程度的故障．     

一种基于EMD的共振解调改进方法

针对传统共振解调方法中共振频带需要人为确定和故障轴承振动信号信噪比低的缺陷,提出了一种基于EMD算法的共振解调改进方法。该方法首先对轴承振动信号进行EMD分解,然后自适应地筛选出高频固有振动频率附近的基本模式分量（IMF）,并对单分量进行滤波处理,最后重构选取滤波后的基本模式分量,并对重构信号进行包络解调分析,得到故障特征频率和故障类型。滚动轴承故障诊断表明,改进方法不仅能够自适应地确定共振频带,而且可以有效地提取故障特征,识别故障类型。     

基于ICEEMDAN-MPE和GWO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障状态难以准确且快速的识别,提出了一种基于改进自适应噪声完备集成经验模态分解(Improved Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN)-多尺度排列熵(Multi-Scale Permutation Entropy, MPE)和灰狼算法优化支持向量机(Grey Wolf Optimization Algorithm-Support Vector Machine, GWO-SVM)结合的故障诊断方法。首先将轴承信号进行ICEEMDAN分解,然后选取其中相关性较大的IMF(Intrinsic Mode Function)分量计算多尺度排列熵构成特征集合,最后通过GWO-SVM算法进行故障状态识别。通过滚动轴承数据集和不同算法的对比实验,验证了ICEEMDAN-MPE-GWO-SVM方法的有效性,表明该方法可以准确且快速的诊断滚动轴承的故障情况。     

一种基于深度学习的电机轴承故障诊断方法

针对电机轴承故障信号通常呈现出非线性和不稳定性这一缺点,利用短时傅里叶变换将振动信号转换成二维时频图作为输入训练卷积神经网络;再利用卷积神经网络的自学习能力学习电机轴承故障类型与故障特征之间的深层联系.仿真实验结果表明,相比较其他方法,该方法具有更高的诊断准确率,能够更有效地识别电机轴承故障.     

一种改进时域同步平均的滚动轴承故障诊断方法研究

复杂结构设备的滚动轴承其振动信号成分复杂,故障信号微弱,信噪比很小,常规诊断方法难以有效消除背景噪声,有效提取故障信息.文中研究了基于相位补偿时域同步平均的滚动轴承故障诊断方法,并根据轴承故障信号存在调制的特点,探讨了同步周期的合理选取.通过对轴承内圈故障的仿真研究,验证了相位补偿时域同步平均方法的有效性,它能够同时提取故障特征频率与调制频率,为精确诊断轴承故障提供了新的途径.经进一步实验研究,证明该方法是有效的.     

基于MED-Teager能量算子的滚动轴承故障诊断

针对滚动轴承故障诊断中因实测信号背景噪声较大、信噪比较低,导致表征轴承故障信息的周期冲击成分被淹没于噪声中无法有效提取故障冲击特征的问题,提出一种基于MED和Teager能量算子的故障诊断模型。首先对信号最小熵解卷积(MED)处理消除采样过程中传递路径的影响;而后以Teager能量算子对滤波信号的能量值进行跟踪,从信号能量的角度进一步消除滤波信号中的带内噪声,使故障冲击特征得到二次增强;最后通过包络谱分析得到诊断结果。仿真数据及实验数据分析验证了所提诊断模型的有效性。     

基于EMD分解和共振解调的滚动轴承故障诊断研究

在介绍滚动轴承的故障机理的前提下,采用振动信号分析法对滚动轴承状态监测和故障诊断进行研究。通过LabVIEW编程,应用EMD分解和共振解调相结合的方法,对振动信号进行分析,获取有用故障特征,进而确定故障类型。     

基于支持向量机的电控发动机故障诊断

为快速准确诊断出电控发动机故障,达到较强的故障有效识别水平,提出振动信号分析与支持向量机(support vector machine,SVM)相结合的故障诊断方法。将振动信号的偏度、峰峰值以及由小波分析理论与熵原理结合得到的小波能谱熵作为实验样本的三维特征向量,并将提取到的故障三维特征向量作为训练样本和测试样本输入到SVM模型进行训练和诊断,并利用BP神经网络进行对比验证。结果显示:采用该方法进行故障诊断时正确率达到90%,相比基于BP神经网络的故障诊断方法,基于SVM的电控发动机故障诊断方法在小样本的数据计算和预测中诊断精度较高、鲁棒性较强。     

基于TQWT和稀疏表示的滚动轴承故障诊断方法

基于稀疏表示理论,提出了一种采用可调品质因子小波变换(TQWT)的滚动轴承故障诊断新方法,分析了包含早期故障成分的原始采集振动信号的特点和早期故障信号的特性,研究了稀疏表示模型在解决故障特征提取问题和故障类型识别问题的应用;运用TQWT将原始信号转换为一组子带小波系数集,研究了利用迭代收缩阈值算法提取出稀疏小波系数的有效性和谱峭度对故障冲击信号敏感的特性,通过计算各子带信号分量的谱峭度,选取包含故障信息明显的子带小波系数,建立了包含稀疏故障信号分量的故障特征提取方法;利用提取出的故障信号稀疏表示分类模型,实现了基于稀疏表示的滚动轴承故障诊断方法。试验结果表明:在凯斯西储数据集上,提出的故障特征提取方法在剔除干扰成分方面有显著效果,提出方法对于4种类型数据的平均诊断准确率为99.83%,对于10种类型数据的平均诊断准确率为97.73%;与只运用TQWT和迭代收缩阈值算法进行故障特征提取的方法相比,故障诊断精度提高了11.60%,算法运行时间减小8%;在QPZZ-Ⅱ旋转机械平台采集到的振动数据集上,提出的方法对于4种类型数据的平均诊断准确率为100%;与传统小波去噪方法相比,准确率提高了35.67%,算法运行时间减小了7.25%。可见,本文提出的方法可以有效解决滚动轴承故障诊断问题。      

基于一维ConvNeXt网络的齿轮箱故障诊断

针对齿轮箱发生故障时内部齿轮与滚动轴承受损情况复杂且难以识别的问题,提出一种基于ConvNeXt网络的齿轮箱故障诊断方法。该网络模型以深度可分离卷积为基础框架,构建适用于一维数据的残差块。为了提升网络模型的拟合能力,引入GELU(Gaussian Error Linear Units)激活函数对数据进行非线性变换。使用层标准化对数据进行归一化处理,抑制了中间协变量偏移现象并提升了网络的收敛速度和稳定性。使用DDS(Drivetrain Dynamics Simulator)齿轮箱故障数据集进行实验,结果表明此网络模型大幅降低了网络模型参数量,对齿轮箱各类故障均有较高的识别精度并具有良好的抗噪性。     

基于智能优化方法的SVM电机故障诊断模型研究

为提高电机故障诊断的准确率和有效性,提出了基于智能优化算法的支持向量机电机故障诊断模型.首先采集交流电机不同位置上的振动加速度信号,使用小波包分析方法对所采集的振动加速度信号进行特征提取,将得到的能量比向量作为支持向量机故障诊断模型的输入,使用遗传算法、粒子群优化算法对支持向量机故障诊断模型进行参数优化并进行模型训练,在使用测试样本集对得到的两种故障诊断模型进行分析之后可以看出经过参数优化后的支持向量机模型提高了故障预测的准确率,并且粒子群优化方法具有比遗传算法更高的预测准确率,并极大地减小了优化时间及优化次数.     

基于模糊理论与神经网络并行推理的发动机故障诊断方法

将模糊理论与神经网络相融合，针对汽油发动机偶发性疑难故障，采用模糊信息处理方法确定故障的类别，通过神经网络的逼近能力来实现对故障进行诊断的功能。与单纯使用神经网络进行故障诊断的方法相比，基于模糊理论与神经网络并行推理的发动机故障诊断方法在输入参数不是训练时的典型数据（同训练时输入数据差别较大）时，系统仍能对输入样本很好地归类，给出较高精度的诊断结果，尤其对于单一系统的复杂故障具有很好的识别能力，可以提高对发动机故障的诊断精度。     

基于CapsNet模型的过程故障识别研究

为了实现过程故障的识别诊断,文章使用CapsNet模型训练数据。首先,运用网络模型的空间特性,以向量的形式对训练数据进行特征表示、归一化处理。然后,进行卷积操作,在动态一致路由更新上进行故障分类。最后,增加重构模块来对输入数据矩阵反馈修正,降低损失误差,使网络快速收敛。同时,在每一层网络进行特征可视化,能清楚看到每一层网络特征图的变化。实验结果表明,文章模型的过程故障识别性能优于其他神经网络模型。