共查询到20条相似文献,搜索用时 15 毫秒
1.
针对变负载工况下单尺度CNN提取滚动轴承健康状态特征不充分的问题,提出了一种DSCNN-BiLSTM诊断模型。该模型基于粗粒度化和平均池化层的理论基础,通过双尺度卷积神经网络结合双向长短时记忆网络,对滚动轴承振动信号进行空间维度特征和时间序列特征的提取,实现端对端的滚动轴承故障诊断。通过设置2种不同变负载工况实验,采用DSCNN-BiLSTM模型进行滚动轴承故障特征提取,平均准确率分别达到了97.55%和98.07%,有效提高了在变负载工况下的滚动轴承故障诊断准确率,为滚动轴承健康状态识别提供了关键技术。 相似文献
2.
基于卷积神经网络(Convolution Neural Network,CNN)的智能诊断方法在轴承故障诊断中应用广泛,但是大多数诊断模型以单源信息输入为主,这将影响基于CNN的故障诊断准确性和可靠性。针对这个问题,文章提出一种基于双通道特征融合的滚动轴承故障诊断方法。首先利用多重Q因子连续Gabor小波变换(Multiple Q-factor Continuous Gabor Wavelet Transform,CMQGWT)和快速谱相干(Fast Spectral Coherence,Fast-SC)分别构造滚动轴承振动信号的时频分析图;然后搭建1个具有双输入通道的CNN网络模型,通过特征融合层将各个通道提取的深度时频特征融合成1个新的特征;最后利用分类器输出诊断结果。在高速列车滚动轴承单故障和复合故障的分类识别试验中,较之于单输入通道的CNN模型,该模型具有更高的诊断准确性和鲁棒性。 相似文献
3.
《铁道科学与工程学报》2017,(5)
针对列车滚动轴承振动信号的非高斯、非平稳性特征,提出一种基于集合经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)和径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)相结合的滚动轴承故障诊断方法,利用EEMD方法对振动信号进行分解,得到前8个本征模态函数(Intrinsic Mode Functions,IMF)分量,将归一后的IMF能量特征向量作为RBF神经网络的输入向量构建故障诊断模型,从而实现滚动轴承的故障识别。将RBF神经网络方法和BP(Back Propagation)神经网络进行对比,本文提出的方法能精确识别正常轴承、滚动体故障、外圈故障和内圈故障等4种轴承状态,为提高列车滚动轴承故障诊断的准确性和实时性提供了新思路。 相似文献
4.
针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。 相似文献
5.
滚动轴承的运行状态对整体机构的工作状态影响很大,防止因滚动轴承失效而产生的安全事故极为重要。而一维信号只利用卷积神经网络CNN(Convolutional Neural Networks)输出结果时无法充分利用数据间的时序信息的问题,因此,文中结合门控循环单元GRU(Gated Recurrent Unit)在处理时序数据所具有的优势,提出了一种门控循环残差网络结构,将CNN在强大的特征提取的优点与GRU处理时序数据的优点有机结合起来。为了验证算法的有效性,采用凯斯西储大学轴承数据集与齿轮箱轴承台架试验进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,在相同试验条件下相较于卷积神经网络等深度学习网络,文中算法具有更高的故障识别准确度和稳定性。 相似文献
6.
针对滚动轴承传统故障诊断方法需要先验知识以及人工提取特征导致故障识别错误率高的问题,提出一种基于广义S变换(Generalized S transform,GST)和改进卷积神经网络(Convolutional Neural Network,CNN)的滚动轴承智能故障诊断方法。使用GST将一维振动信号转换为特征信息更加丰富的时频图,更加全面提取滚动轴承的故障特征信息。通过加入弹性斜率和高斯分布的神经元噪声,提出改进的激活函数EReLTanh(Elastic Rectified Linear Tanh,EReLTanh),并基于EReLTanh激活函数构建CNN。将得到的时频图进行压缩和归一化处理,生成时频图数据集并划分数据集。利用时频图数据集训练改进CNN,实现滚动轴承的智能故障诊断。使用自制实验平台采集不同种类滚动轴承故障数据,利用t-SNE进行全连接层特征降维可视化,结果表明:使用EReLTanh激活函数的CNN模型能够将不同故障样本的特征进行准确的分类,达到故障识别要求,同时使用该数据利用S变换、小波变换、GST并结合改进CNN和未改进CNN进行对比,提出的方法准确率得到提升。通... 相似文献
7.
针对铁道车辆滚动轴承故障诊断,提出1种改进的小波包与BP神经网络相结合的故障诊断方法,并开发出基于该方法的铁道车辆滚动轴承故障诊断系统。用压电加速度传感器采集轴承试验台的模拟故障轴承振动信号,对采集到的信号先进行小波降噪,再通过小波包分解,构造特征向量,以此作为故障样本对改进的BP网络进行训练,实现智能化故障诊断。实验结果表明,基于该方法的故障诊断系统能够很好地诊断出铁道车辆滚动轴承内圈、外圈及滚动体表面出现的疲劳、剥落、磨损和裂纹等故障,具有实际工程应用价值。 相似文献
8.
针对滚动轴承振动信号由于强时变和强噪声等特性导致其故障难以辨识的问题,提出一种基于自适应小波分析(AWA)和多层卷积极限学习自编码器(MLCELAE)的滚动轴承故障识别模型.首先,提出一种新的轴承振动信号频谱边界检测方法,对信号频谱进行自适应分割,进而将信号分解为若干本征模态分量;然后选择较能反映轴承故障特征的模态分量并重构;最后构造卷积极限学习自编码器,并逐层堆叠建立深层网络MLCELAE,将信号样本输入MLCELAE进行自动特征学习与故障识别.试验结果表明:提出方法的平均故障识别准确率达到了98.48%,标准差仅为0.17,相比于其他方法在轴承故障识别准确率方面更具优势,适用于滚动轴承故障的自动识别. 相似文献
9.
10.
《铁道学报》2018,(12)
为使列车轴箱轴承在非平稳工况下的故障识别更加有效,本文提出基于融合相关熵特征的鲁棒可视化滚动轴承故障诊断方法。通过快速集成经验模态分解FEEMD对轴承振动信号进行时频分解,提取本征模函数IMF矩阵;计算IMF与原始信号的线性相关系LCC作为相关熵的调幅系数,进而通过相关统计计算获得样本集的多维相关熵矩阵CM;利用主元分析PCA对CM进行数据空间变换,通过提取变换后的融合相关熵矩阵ICM,实现相关熵矩阵的可视化。通过实验分别提取匀加速、匀速及匀减速3种运行工况下的滚动轴承ICM特征,通过对比EMD、EEMD和FEEMD 3种信号分解方法,发现FEEMD的信号分解效率更高,且ICM比传统特征对非平稳工况下轴承故障辨识的鲁棒性更好。FEEMD-ICM为轴箱轴承快速、客观且稳定的故障诊断实现提供了可靠的理论依据和技术支持。 相似文献
11.
12.
13.
14.
15.
针对轨边声学轴承信号有用特征微弱、易被强噪声掩盖的问题,设计实现了一种将最小熵解卷积与改进局域均值分解相结合的方法,达到信号降噪与故障诊断目的。利用三次Hermite插值改善LMD并提高LMD分解精度。将采集到的强噪信号进行MED降噪,再利用改进LMD算法进行分解,使多分量信号分解成单分量信号,并计算各分量的峭度值,挑选出峭度值最大的分量,最后利用包络谱分析,提取滚动轴承的故障特征。计算信号的峰值信噪比(PSNR,Peak Signal to Noise Ratio),将其作为降噪指标,体现方法的降噪性能。实验结果表明,设计的方法应用于轴承故障诊断,能将信号信噪比提高5.13 dB,能精准定位并提取轴承缺陷位置和信号特征,具有较好降噪和信息分辨能力。 相似文献
16.
为了消除高速列车滚动轴承传统人工检测手段的局限性,文章提出了一种基于振动信号的静态监测流程,谱峭度图算法被用于降低轴承振动信号的噪声干扰,利用包络分析可以提取滚动轴承的故障振动特征。通过实践测试验证了本文提出的高速列车轴箱轴承状态监测方法的有效性。 相似文献
17.
18.
滚动轴承作为高速列车牵引电机的重要部件,其故障情况严重影响列车运行安全。声学轴承故障诊断方式具有无安装侵入性、运维成本低的优点,但也具有信噪比低、故障特征难以提取的缺点,机器学习则具有克服噪声影响的鲁棒性。针对应用机器学习进行声学故障诊断时,少量特征无法全面表征轴承故障的难题,文章提出将格拉姆角场(GAF)与小波时频图进行叠加融合,构成6通道融合特征图用以有效表征轴承的故障。首先,建立牵引电机轴承声学故障试验台获取故障声学信号;其次,建立基于GAF的声学信号融合特征图,然后使用残差网络(ResNET)模型针对融合特征图特征训练并验证故障分类模型,并与以单种特征图作为特征的故障分类方法进行准确率对比。结果表明,基于GAF的融合特征图的声学故障分类模型具有99.89%的准确率,融合特征图能更有效地映射轴承故障。 相似文献
19.
铁道车辆车轮故障的产生,不仅会增大列车的振动和噪声使乘坐舒适性下降,而且会加速车辆及轨道零部件的损伤,严重时还会引发事故,因此对车轮服役状态的实时监测对保证列车安全运营具有重要意义。针对现有铁道车辆车轮故障诊断方法存在自适应能力弱、准确率低等不足,提出一种基于多尺度时频图与卷积神经网络(CNN)相结合的车轮故障智能诊断方法,该方法利用车轮所在轴箱垂向振动加速度来间接识别车轮服役状态。1)首先采用形态学滤波器对车辆轴箱振动加速度信号进行滤波降噪,然后采用完全噪声辅助聚合经验模态分解(CEEMDAN)将滤波后的信号自适应地分解为若干固有模态函数(IMF),选取能量熵增量相对较大的三阶分量作为信号的主分量。2)分别求各主分量的Wigner-Ville分布(WVD),然后叠加转化为多尺度时频图。3)对经典的LeNet-5模型进行结构改进和网络参数优化,构建适合车轮故障诊断的CNN模型,来学习提取车轮在不同工况下的时频图特征,并对时频图进行分类,将特征学习提取与故障分类融为一体,一定程度上实现了端到端的车轮故障诊断。经仿真试验和现场试验验证表明:所提出的方法对于车速、故障类型和故障程度都有很好的... 相似文献
20.
基于小波包分析的货车滚动轴承故障诊断 总被引:11,自引:1,他引:10
铁路车辆滚动轴承故障的不解体诊断,对于提高轴承诊断效率,减轻操作人员的劳动强度和保证铁路运输的安全是至关重要。结合小波包分解和加权K近邻法提出了一种新的货车滚动轴承不解体故障诊断方法。首先利用小波包对滚动轴承的振动加速度信号进行分解,得到滚动轴承动态信号在不同频带的能量,并以此作为滚动轴承的特征向量;然后采用加权K近邻法对滚动轴承进行故障诊断。对197726型货车滚动轴承在轮对不解体条件下进行了诊断实验,结果表明该方法能准确地检测出滚动轴承外圈、内圈及滚子的局部缺陷,并且诊断速度快,完全满足实时诊断要求。 相似文献