单片机在电力机车轴承故障诊断中的应用

分析了电力机车牵引电机滚动轴承故障诊断系统中单片机应用的特点，介绍了单片机完成诊断系统中采样，工况分析，人机对话和数据存档等功能的方法，并讨论了单片机系统软、硬件设计中的关键问题。     

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BP神经网络和振动测量的轴承故障诊断

根据BP算法神经网络模型,通过对轴承振动测量的分析,得到故障诊断的方法。阐述BP神经网络应用于轴承故障的基本步骤,包括BP网络结构、状态编码、网络训练、模式识别以及诊断实例分析。指出了BP神经网络在轴承故障诊断中的应用中存在的问题和发展方向。     

基于EMD和Wigner分布的轴承故障诊断研究

将经验模态分解和Wigner—Ville分布应用于轴承故障诊断的研究。首先将故障信号分解成一系列固有模态函数，再对分解后的固有模态函数进行Wigner—Ville分布分析，可有效抑制频率干扰现象，使时频分布图更加清晰，仿真信号和轴承故障实验信号的研究结果表明：基于经验模态分解和Wigner—Ville分布的分析方法，能有效地诊断轴承的故障。     

基于多尺度卷积类内迁移学习的列车轴承故障诊断

考虑变工况下列车轴承振动数据分布不一致情况下, 传统深度学习诊断模型的泛化能力下降, 提出了一种多尺度卷积类内自适应的深度迁移学习模型; 模型利用改进的ResNet-50网络分析振动数据的频谱, 得到了中间层次特征, 构造了多尺度特征提取器, 从不同尺度处理中间层次特征得到高层次特征; 将高层次特征作为分类器的输入, 同时计算了伪标签以缩短在不同工作条件下收集的振动信号的条件分布距离来进行类内匹配; 为了验证模型的通用性和优越性, 将提出的模型分别用于列车轮对轴承数据集和凯斯西储数据集的多个工况进行试验验证和分析。研究结果表明: 通过对齐不同域中同一类样本的高层次特征作为分类器的输入, 提出的模型获得了更为理想的故障诊断精度; 在列车轴承6个变工况诊断实例中, 平均诊断精度为90.75%, 与传统深度学习模型相比, 模型诊断精度平均提高了约10%, 召回率为0.927;在凯斯西储数据集的12个变工况诊断实例中, 模型平均诊断精度达99.97%, 比传统模型提高约10%。可见, 利用伪标签减小了不同域之间的条件分布差异, 很好地处理了源域和目标域数据分布不一致的问题; 多尺度特征提取器能从不同尺度对齐样本的高层次特征, 增强了模型的泛化性与鲁棒性, 是解决变工况列车轴承故障诊断问题的一种有效模型。     

采用改进多尺度符号动力学熵的铁路机车轴承故障诊断

针对铁路机车轴承在真实复杂环境下故障特征难以提取而导致故障诊断困难的问题,提出一种改进多尺度符号动力学熵（IMSDE）的铁路机车轴承故障诊断方法。首先,通过邻域滑移均值化的方式改进多尺度符号动力学熵,克服了传统粗粒化造成的熵值偏差缺陷;然后,利用IMSDE充分提取振动信号在不同尺度下的关键故障特征;最后,结合极限学习机（ELM）实现铁路轴承不同故障类型与程度的识别。在此基础上,分别进行了3组试验分析。结果表明,对人为构造的轴承故障和工程实际产生的轴承故障,该方法都具有精准的故障识别效果,对比其他4种方法故障识别率更高,验证了该方法具有一定的工程实际应用价值。     

TBM主轴承声发射故障诊断研究

以隧道施工TBM为研究对象,设计了主轴承声发射检测试验,进行了声发射信号采集,并取得较理想的分析信号。根据信号的时域图像特征及相关技术人员的数据支持,初步对TBM主轴承的工作状态做了判断,并采用了时变峭度法对实测信号进行分析,获取了强背景噪声下明显的故障特征,达到了抑制噪声、突出特征成分的目的。试验分析结果证明了该方法用于声发射故障信号特征提取的有效性,同时对TBM的状态监测提供了新思路。     

应用于轴承故障诊断的LMS自适应滤波器及其FPGA实现

在轴承信号当中,能反映轴承运行状态的信号总是掺杂着各种噪声,给故障特征的提取带来困难,基于最小均方(LMS)算法的自适应滤波器是去除噪声的首选方法.根据轴承故障信号的特点,以轴承故障信号的延时信号作为参考值,实时自适应调整滤波器不同时刻输出的权值来实现对轴承故障信号中噪声的滤除,并在此基础上给出了一种基于现场可编程门阵...     

基于机器学习的轴承故障分类方法研究

针对传统轴承故障诊断方法需要人为提取故障特征及依赖专家经验的问题,提出一种端到端的轴承故障诊断方法。将归一化的振动信号转换为二维图片,对图片分别进行均值滤波、高斯滤波、中值滤波和双边滤波的降噪预处理对比,最后选定中值滤波降噪方法。在改进LeNet-5模型的基础上,通过超参数设置,对全寿命轴承数据进行分类试验,平均精度达到97%,交叉熵损失达到0.06,分类效果明显。     

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．     

基于CEEMD和快速谱峭度图的地铁轴箱轴承故障诊断

提出了基于互补集合经验模态分解(CEEMD)结合快速谱峭度图的滚动轴承故障诊断方法(CEEMD-FSK).将轴箱加速度振动信号分解成多个本征模态函数(Intrinsic Mode Function,IMF),通过快速谱峭度图和互相关系数,选取出关键IMF信号进行原信号重构.对重构信号带通滤波后进行改进型的共振解调处理,通过平方包络谱进行轴箱轴承故障诊断.将该方法应用到地铁轴箱轴承的实际故障预测和诊断中,并结合后期轴箱轴承拆装和检测,结果表明了该方法的有效性和准确性.     

基于EEMD-TEO熵的高速列车轴承故障诊断方法

为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子（Teager energy operator,TEO）聚合经验模态分解（ensemble empirical mode decomposition,EEMD）熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态（intrinic mode function,IMF）信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机（support vector machine,SVM）判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断.      

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.     

基于自适应多尺度形态学分析的车轮扁疤故障诊断方法

建立了56自由度车辆动力学模型与车轮扁疤模型, 计算了车辆的动态响应。车辆的振动信息往往受到轨道不平顺和车速波动等因素的影响, 为了能在强噪声背景下有效提取轮轨冲击特征, 提出了自适应多尺度形态学滤波分析方法, 研究了车轮扁疤引起的轴箱振动特征, 分析了轨道激扰和车辆运行速度对车轮扁疤故障诊断效果的影响。仿真结果表明: 在100、150、200km·h^-1的车速和美国五级谱、三级谱的激扰下, 分别使用7个和9个尺度的结构元素进行形态学滤波, 正确地识别出10、15、20Hz车轮扁疤故障频率。实测结果表明: 当车速为40km·h^-1时, 使用7个尺度的结构元素进行形态学滤波, 提取出了2 Hz的故障频率, 此频率与理论故障频率相对应, 诊断结果可靠。     

基于频域特征波形模式匹配的故障诊断方法研究

利用同一模式类振动观测样本在FFT幅值谱特征波形上的整体相似性,提出一种基于频域特征波形模式匹配的故障诊断方法,应用于滚动轴承故障诊断并与一些典型的模式识别诊断法进行了对比研究.研究发现:当测试样本所属模式类与训练样本相同时,频域特征波形模式匹配的余弦相似度、相关相似度或互信息相似度均达到最大值.据此确定用于模式分类的...     

基于半物理仿真的盾构机临境化虚拟训练系统

针对目前盾构机操作人员在实际施工环境下进行操作训练的不切实际性,而大多数虚拟训练系统又仅体现出演示性系统运动,却不能实现基于系统运动学及动力学进行真实训练的现状,提出基于半物理仿真的盾构机虚拟训练系统构架。建立以盾构机动力学模型为核心的虚拟样机模型,将STM32作为系统的控制器,用信号转换器完成信号的转换。采用半物理仿真的方法,用户可以通过在人机界面上进行盾构机的模拟训练,并可以临境化进入盾构机内部,以不同角度查看虚拟训练的效果,最终借助Unity3d实现盾构机的运动系统的展示。     

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。     

基于信号预处理和Hilbert变换的滚动轴承故障诊断

针对滚动轴承振动信号复杂和非平稳的特点,及故障信号常常淹没于各种噪声的情况,先利用消除趋势项和小波降噪对包含故障信息的信号进行预处理,再应用Hilbert变换对信号进行包络解调和频谱分析,提取滚动轴承故障特征频率,并判断其故障模式.对滚动轴承内圈、外圈和滚动体故障的诊断试验,证明了信号预处理和希尔伯特(Hilbert)变换相结合的方法对滚动轴承内圈和外圈局部损伤故障的诊断是有效的和可行的,但不能很好地检验出轴承滚动体的故障特征