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NI 9233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Dropout CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动 信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率 高达99.5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

基于稀疏编码和极限学习机的设备故障诊断方法及应用

针对复杂工况与海量监测数据下滚动轴承难以进行故障诊断的问题,提出了一种基于稀疏编码和极限学习机（ELM）的滚动轴承故障模式识别方法。首先,利用K-SVD方法对海量数据样本学习得到自适应原子字典,在此基础上使用正交匹配追踪（OMP）算法进行稀疏编码;然后,构建基于数据驱动的ELM网络模型,将稀疏编码输入ELM模型;最后,通过模型输出实现了对滚动轴承的不同故障类型及不同故障程度的智能识别。通过实际实验分析,验证了所提方法的有效性,与传统的时、频域指标和主成分分析（PCA）为输入的ELM模型进行了对比,并对比分析了BP神经网络、支持向量机（SVM）模型,证实了所提方法具有更好的诊断正确率和可靠性。     

变负载工况下滚动轴承故障分类识别方法研究

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。     

基于组合降噪的卷积神经网络轴承故障诊断方法

针对滚动轴承振动信号包含不同频率复杂噪声,单一降噪方法难以去除多种噪声,导致最终故障诊断率低的问题。提出一种基于组合降噪的卷积神经网络的轴承故障诊断方法。首先,通过SVD分解方法,根据奇异值差分谱,一次降噪并重构信号,去除信号内能量较低的宽频率噪声;再根据降噪重构信号,自适应选取CEEMD分解的参数,并进行自适应CEEMD分解,利用线性相关系数与峭度交集法滤除相关程度低、故障特征信息少的IMF分量,同时二次降噪并重构信号;最后,构建一维卷积神经网络并进行轴承故障诊断。通过原信号和组合降噪后信号的时频分析,轴承故障诊断实验,验证了该方法的有效性。     

多通道相关-经验模式分解在滚动轴承故障诊断中的应用

在处理非平稳振动信号时,经验模式分解(EMD)的应用较为广泛。针对滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显的情况,本文提出了多通道相关-经验模式分解方法。首先通过EMD将滚动轴承故障信号分解成若干本征模态函数(IMF)分量;然后对IMF分量进行多相关处理,取相关性最强的IMF分量进行自适应重构;最后通过循环谱分析识别出滚动轴承的故障类型。将该方法应用到滚动轴承的仿真故障数据和实际数据中,分析结果表明,该方法可以更加有效地提取滚动轴承故障特征频率信息,突出故障频率。     

基于优化残差卷积网络的滚动轴承变工况故障诊断

针对滚动轴承在实际运行环境中同时存在变负荷和变噪声的复合工况干扰而产生的故障诊断效果不理想的问题，提出了一种用于滚动轴承变工况故障诊断的一维残差卷积神经网络方法。将归一化后整理完的原始轴承振动信号输入到网络模型中，利用具有残差连接的多个一维卷积层提取特征，再经过多个卷积池化，最后输入到Softmax层进行分类，输出轴承振动信号的故障类型。将所提方法与一维卷积神经网络(CNN)、LeNet-5和AlexNet几个经典模型进行对比分析，结果表明，本文方法在变噪声实验和变负荷实验中的平均准确率分别为94.16%和95.31%,均高于其他经典神经网路，具有较强的抗噪性和泛化性能力。     

基于字典学习形态分量分析的轴承故障诊断

在基于固定字典的形态分量分析(Morphological Component Analysis,MCA)方法基础上,提出了字典学习形态分量分析的滚动轴承故障诊断方法。分别以轴承内圈、外圈故障信号为训练样本,应用K-SVD(K-Singular Value Decomposition)字典学习算法对训练样本学习字典,寻求最优的字典空间;将学习到的字典取代MCA中的固定字典,根据信号所包含各成分的形态差异性,利用MCA对滚动轴承故障信号中的内、外圈故障特征和噪声成分进行分离;对包络后的故障特征分量做频谱分析诊断轴承的故障及部位。应用实例结果表明:该方法能在强噪声环境下有效地提取滚动轴承内、外圈的故障特征,性能优于固定字典的MCA方法,为MCA方法在选取字典时提供了新思路。     

变分模态分解和形态学滤波在滚动轴承故障诊断中的应用

针对滚动轴承早期故障信号易被强烈的背景噪声淹没及故障特征难以提取的特点,提出了基于变分模态分解(VMD)和形态学滤波相结合的滚动轴承早期故障诊断方法。首先利用VMD将早期故障信号自适应地分解为一系列IMF分量,然后选择峭度值最大的前两个IMF分量重构,并对重构信号进行形态学滤波,最后通过Teager能量算子计算重构分量的能量谱来提取滚动轴承的故障频率,判断故障类型。将该方法应用于滚动轴承仿真信号与实际故障数据中,分析结果表明该方法能够更加有效提取故障特征频率信息,实现了滚动轴承故障的精确诊断。     

基于同步提取变换和DRSN的滚动轴承故障诊断研究

针对旋转设备在复杂运行工况下,滚动轴承故障信号特征难以准确提取及识别的问题,结合深度残差收缩网络(depth residual contraction network,DRSN)的优势,将同步提取变换(simultaneous extraction transformation,SET)和深度残差收缩网络结合的故障诊断方法应用于轴承故障诊断。首先利用同步提取变换时频分辨率高的特点,对采集到的滚动轴承外圈信号进行模态分解和处理,得到分解后的时频图像:然后对图像进行灰度处理,并进行降维,以适合DRSN模型输入,最后进行故障特征识别,实现滚动轴承故障诊断。实验结果表明,该方法有效实现了复杂工况下对滚动轴承故障信号的特征提取,提高了故障识别率。     

基于融合CNN和SSA-SVM的滚动轴承故障诊断

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。     

基于混沌振子的滚动轴承复合故障诊断

针对强噪声背景下的信号难于检测的问题,结合滚动轴承振动信号的非平稳以及非线性特点,提出了一种用Duffing阵子结合欧氏距离检测滚动轴承复合故障诊断的方法。该方法采用欧氏距离确定混沌振子由混沌状态向大尺度周期状态转换的临界阈值,利用欧氏距离的跃变自动识别混沌振子的状态。并仿真推导出了待测信号频率和混沌振子阈值之间的关系,很好地解决了由于实际故障频率的误差导致结果不准确的问题,该方法成功地应用在滚动轴承的早期模拟复合故障中,取得了较好的效果。     

我国居民环境行为及其影响因素分析——基于CGSS2013数据

提出了一种基于模糊熵和包络分析的故障特征提取新方法。这种方法的核心是首先使用包络分析把调制的振动信号进行解调,然后计算并比较这些包络信号的模糊熵,从而实现故障的特征提取。研究表明,用这种方法提取信号特征,可以容易地将正常滚动轴承、内圈故障、外圈故障和滚子故障的信号区分。 更多还原     

PSO-COT与EEMD的变转速滚动轴承故障特征提取

针对滚动轴承在变转速工况下微弱故障特征难以提取的问题,提出了PSO-COT与EEMD的变转速滚动轴承故障特征提取方法。首先,通过粒子群优化算法(particle swarm optimization, PSO)寻找最优过采样率,对采集到的滚动轴承振动信号进行过采样;然后,利用计算阶比跟踪(computed order tracking, COT)将过采样后的时域信号转变成角域的平稳信号;最后,通过集合经验模态分解(ensemble empirical mode decomposition, EEMD)去噪,经过阶次谱分析滚动轴承故障特征阶次。实验表明该方法具有较好的故障特征提取精度,可以有效提取变转速工况下滚动轴承故障特征信息。     

阶次跟踪在行星齿轮箱非平稳信号故障诊断中的应用

齿轮箱行星轮系复杂的结构导致常规的频谱和解调方法在分析此类振动信号时,频谱会出现"模糊"现象,不能有效提取齿轮箱行星轮系故障特征频率。为此,提出了一种阶次跟踪新方法,把时域非平稳信号在角度域进行等角度重新采样,变成角度域平稳信号,再对角度域平稳信号进行傅里叶变换可得到阶次谱。考虑转速对故障频率的影响,总结了齿轮箱太阳轮、行星轮和内齿圈的故障阶次特征表。通过对风电齿轮箱振动信号的阶次分析,实现了变转速工况下的故障诊断。结果表明:阶次跟踪方法能够识别时变工况下齿轮箱行星轮系故障特征频率并对故障进行准确定位,体现了阶次跟踪技术在时变工况下故障诊断的优势。     

基于近似熵和平方解调分析的滚动轴承故障特征提取

提出了一种基于近似熵和平方解调分析的故障特征提取新方法。这种方法的核心是首先使用平方解调分析把调制的振动信号进行解调,然后计算并比较这些经平方解调后的信号的近似熵,从而实现故障的特征提取。研究表明,用这种方法提取信号特征,可以容易地将正常滚动轴承、内圈故障、外圈故障和滚子故障的信号区分。     

基于混沌吸引子特征量的滚动轴承故障诊断

利用混沌吸引子特征量可以刻画滚动轴承在不同故障状态下振动特性的特点,提出一种基于关联维数、最大李雅普诺夫指数和信息熵的故障诊断方法。结合试验数据,应用支持向量机技术分析了3类特征量对滚动轴承的故障识别能力,并对比了特征量两两组合的分类效果。研究表明：3类特征量都包含着不同的故障信息,将其结合可以明显提高故障识别率。通过对实测轴承数据的故障分类研究发现,与单一特征量方法相比,该方法可以有效区分不同故障类型和故障严重程度,为滚动轴承故障的超精密诊断提供了可能性。     

基于优化VMD与BP神经网络结合的滚动轴承故障诊断方法研究

为解决滚动轴承微弱故障信号不明显、识别故障类型准确率不高及变分模态分解(VMD)分解时参数主要依靠人为设定的问题，提出一种基于麻雀搜索算法(SSA)优化VMD参数与BP神经网络相结合的故障诊断方法。首先，使用麻雀搜索算法对VMD分解的模态分解个数及惩罚因子进行优化，搜索全局得出最优参数组合；利用优化后的参数对故障信号进行VMD分解，将分解后的本征模态分量导入BP神经网络进行模式识别。结果表明：与EMD、未优化VMD相比，优化参数后的VMD具有更高的故障诊断率99.53%,使故障诊断效果进一步提升。     

基于多尺度卷积策略CNN的滚动轴承故障诊断

针对一维卷积神经网络单一卷积拓扑结构在提取不同工况下的信号特征时缺乏自适应性,难以处理复杂工况下的机械故障诊断问题,提出了一种基于多尺度卷积策略的卷积神经网络(MACNN)故障诊断算法。首先将表征滚动轴承故障的一维振动信号输入模型,然后利用卷积层中的多尺度卷积结构对原始信号进行卷积运算,实现不同角度的敏感特征提取,再通过池化层进行特征信息的提炼和简化,最后利用全连接层实现检测结果输出。在公共数据集——凯斯西储大学的轴承故障数据集上进行试验,结果表明:MACNN算法和其他算法相比拥有更快的收敛速度和更高的识别准确率,为故障诊断提供了一种新的方法。同时,其在多工况下表现出的优异泛化性能说明具备工业应用的可行性。