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.     

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ADAMS的动车组齿轮箱断齿故障特征研究

以国内某型号动车组齿轮箱为研究对象,主要研究齿轮断齿时箱体的振动信号特征。综合运用SolidWorks、ANSYS和ADAMS等软件建立齿轮箱的刚柔耦合动力学模型,然后建立正常齿轮和断齿齿轮模型,最后导入到齿轮箱模型中进行仿真,得到正常和断齿齿轮的箱体振动信号。与正常齿轮箱体振动信号对比发现,齿轮断齿故障的振动信号幅值会增大,同时伴有冲击和调制现象,冲击信号出现次数与小齿轮转频接近,在小齿轮转频的高倍频率、齿轮的啮合频率及其倍频附近会出现宽且高的调制边频带,细化谱中调制现象更为明显,解调谱中在小齿轮转频及其高倍频率附近会出现峰值。以上研究方法与内容,能够为动车组齿轮箱的状态监测和故障预判提供参考。     

基于MR-DCA的滚动轴承微弱故障诊断

【目的】针对滚动轴承微弱故障难以识别的问题,提出了一种基于MR-DCA的滚动轴承故障诊断方法。【方法】利用最大相关峭度解卷积以及共振稀疏分解的方法对输入样本进行预处理,可以有效地滤除原信号中的噪声,突出故障冲击成分。将所获得的故障分量的二维时频图以及原始信号作为网络的训练样本,经两个特征学习模块后,使用注意力机制对输入特征进行筛选,通过权值重分配可以有效地提高模型计算效率和识别精度。为了验证模型性能,使用某大学的滚动轴承微弱故障数据进行故障诊断分析,同时开展消融实验,对诊断模型各个模块的有效性进行验证。【结果】结果表明,所提出的方法识别准确率更高,且具有更快的训练速度和迭代速度。【结论】所提模型在进行滚动轴承微弱故障诊断时可以实现良好的诊断性能。     

基于小波网络的船舶柴油机燃油系统故障诊断

采用小波变换和BP神经网络的辅助式结合,通过小波变换提取故障特征向量作为BP神经网络的输入值,设计并组建了小波神经网络;利用小波变换模极大值分析高压油管燃油压力信号的奇异性,提取故障特征向量;根据故障采集数据并建立学习样本,通过网络训练建立BP神经网络输入和输出间良好的非线性映射,进而通过特征向量输入BP神经网络来诊断故障。实验数据分析表明:该方法具有良好的诊断效果。     

典型时频分析技术在故障诊断中的应用

针对旋转机械发生故障时振动信号的不平稳性,利用典型时频分析技术对故障特征进行提取分析。该方法利用信号构造矩阵,再根据典型时频分析技术的变换特性,均值化时频分布参数,然后重构信号以实现降噪。仿真和试验结果表明,该方法能有效地提取故障特征信息,在机械故障诊断领域有广泛应用前景。     

车辆传动系统变参小波流形融合故障诊断方法

应用流形学习方法非线性融合信号在不同小波参数下中央尺度对应的小波包络，研究了强背景噪声下车辆传动系统振动信号故障瞬态脉冲包络的有效提取问题，并与传统信号时频分解方法进行了对比研究；采用不同小波参数对振动信号进行连续小波变换，提取了每组参数下中央尺度上的小波包络；采用基尼指数选择若干包含故障瞬态脉冲信息的小波包络，构造了高维小波包络矩阵；采用局部切空间排列算法对高维小波包络进行流形融合，获得了反映故障瞬态脉冲包络本质结构的小波包络流形；为了验证所提方法的有效性和优越性，采用不同方法对轨道车辆轮对轴承和汽车变速齿轮箱的故障振动信号进行了对比分析。研究结果表明:在分析轴承外圈故障信号时，所提方法基尼指数比传统信号时频分解方法提高27.32%以上；在分析齿轮磨损故障信号时，所提方法基尼指数比传统信号时频分解方法提高26.74%以上。可见，所提方法通过综合具有不同形态的变参小波包络，可以在无需优化小波参数情况下，对车辆传动系统中的不同关键部件故障振动信号具有较好的自适应性，提取的故障脉冲包络中的带内噪声少，故障脉冲特性明显，容易识别其频谱中的故障特征频率，是检测车辆传动系统故障的一种有效方法。      

基于遗传BP神经网络的电控发动机故障诊断研究

为提高发动机故障诊断的正确率与精确度,提出遗传算法和BP神经网络相结合的故障诊断模型。将发动机部分尾气信息和传感器数据作为BP神经网络诊断模型的输入变量,利用遗传算法的全局搜索能力优化BP神经网络的初始权值和阈值,采用优化后的BP神经网络建立发动机故障的诊断模型。实验结果表明该诊断模型可提高发动机故障诊断的正确率。     

复杂传递路径下轴承滚动体故障特征提取

为消除复杂传递路径对轴承滚动体振动信号的影响并提高故障特征提取的能力，研究了基于变分模态分解(VMD)、优化最大相关峭度解卷积(MCKD)和1.5维谱的轴承滚动体故障特征提取问题；分析了轴承滚动体原始振动信号特点、早期故障信号的特性以及复杂传递路径对振动信号的影响，运用VMD将原始振动信号分解为一系列本征模态函数(IMFs),提出了转频分量剔除方法，通过峭度准则优选2个峭度较大的IMFs分量进行重构；基于网格搜索法研究了MCKD算法参数优化方法，用以增强重构信号的周期性故障特征，消除复杂传递路径对轴承滚动体故障信号的影响；利用1.5维谱分析重构信号，建立了复杂传递路径下轴承滚动体故障特征提取新方法，实现了轴承滚动体故障的准确诊断；为了证明方法的有效性，选取美国凯斯西储大学轴承SKF6205基座滚动体数据进行试验验证与分析。试验结果表明：网格搜索法获得了MCKD算法的最优滤波长度与冲击周期参数(365、85),优化MCKD算法增强了重构信号的故障特征，减少了无关频率分量，明显降低了其他成分的干扰；提出的故障特征提取方法在0、735和1 470 W负载条件下均提取到了轴承滚动体的故障特征频...     

基于LabVIEW的柴油机振动信号测试与分析

文中介绍了基于LabVIEW开发平台的柴油机缸盖振动信号采集与分析,结合PCI-4472开发了数据采集系统。利用LabVIEW和Matlab的强大功能,编写信号分析与模式识别程序,模拟柴油机气阀漏气和气门间隙异常等故障,获取3110柴油机缸盖振动信号并建立AR与RBF神经网络结合的诊断模型进行了故障识别,这对于实现故障诊断的数字化与智能化有重要的意义。