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。     

滚动轴承振动故障时频域分析方法综述

滚动轴承是所有旋转机械设备最核心的部件之一,也是故障发生率最高的部件之一。任何微弱故障的发生都会对设备运行的可靠性、安全性产生不利影响,针对滚动轴承健康状态监测的有效性和故障缺陷诊断的精确性至关重要。首先,对滚动轴承的振动机理做了基本介绍;其次,从滚动轴承故障诊断中的振动信号分析的需求出发,分别从时域、频域、时频域3个方面系统地介绍几种应用于该领域的信号分析方法,重点对几种比较经典的时频域方法的基本理论、研究现状、局限性进行了综述与分析;随后,简述了几种滚动轴承故障特征分析的人工智能方法;最后,从工程应用的实际出发,对滚动轴承的故障诊断方法进行了总结与展望。     

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。     

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。     

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。     

远程通信铁路机车运用状态实时监测系统的研究

铁路机车运用状态实时监测系统将机车的运行信息、故障信息及机车的参数信息通过远程移动通信技术直接传输到地面监测系统，解决了长期以来铁路地面无法实时采集机车数据的问题，从而实现了对机车的远程实时监测。利用电子地图技术实现对运行机车自动跟踪、定位、轨迹实时显示；采用故障诊断专家系统设计思想对实时故障进行诊断处理、指导司机操作，确保行车安全；对机车参数信息进行存储、分析、；12总，为机车操纵人员和维修人员提供决策依据，为状态修提供原始数据。主要阐述了系统的总体架构及各模块的设计思想，可以为其他远程监测系统提供很好的解决方案。     

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。     

基于多重同步挤压变换与深度脊波卷积自编码网络的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时,存在故障特征提取困难以及故障模式难以辨识的问题。针对此问题,提出了一种基于多重同步挤压变换以及深度脊波卷积自编码网络的智能故障诊断方法。首先,利用多重同步挤压变换处理含噪信号能力强、具有优越的时频分解特性的特点,将采集的轴承故障信号进行MSST处理,得到分辨率较高的时频图像。然后,利用深度脊波卷积自编码网络自身泛化性能强、能够有效挖掘数据特征的特点,建立深度脊波卷积自编码网络识别模型。将降维至适当大小的时频图像输入到该模型系统中,进行自动特征提取和故障识别。实验结果表明,该方法提取故障特征信号能力较高,并能够有效地识别出不同的故障类型。     

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。     

宏雅与新变：张说颂文管窥

总体经验模式分解 (Ensemble Empirical Mode Decomposition, EEMD) 方法由于其自适应性和抗混叠的特性,在轴承故障诊断领域得到广泛应用。针对总体经验模式分解 (Ensemble Empirical Mode Decomposition, EEMD) 方法中参数难以准确获取的问题,提出了基于改进的EEMD分解和Teager能量算子的滚动轴承故障诊断方法。首先对故障信号进行预处理,自动获取EEMD方法中的加入白噪声大小和总体平均次数两个重要参数。之后对信号进行EEMD分解,得到若干个本征模态分量 (Intrinsic Mode Function, IMF),利用峭度准则选取其中峭度最大的分量并进行Teager能量算子解调,最后通过能量谱识别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承仿真故障数据和实际数据中,实验结果表明,该方法可有效提取滚动轴承故障特征频率信息,验证了所提方法的可行性。     

基于共振解调的铁路货车轴承故障诊断

以铁路货车轴箱双列圆锥滚子轴承为研究对象,基于共振解调技术研究了早期故障精密诊断方法。首先在轮对跑合实验台上,采用压电加速度传感器、信号调理器和INV36DF型信号采集处理仪等搭建轴承故障测试系统,测量该类型轴承外圈和滚子存在轻微故障时的振动信号,然后通过带通滤波、包络解调和频谱分析等方法,准确提取出了轴承外圈和滚子的故障特征频率。研究结果表明,利用这种方法可以消除系统噪声干扰,能有效诊断出轴承外圈和滚子的轻微损伤。该方法对于铁路货车轴承的早期故障诊断具有较好的理论意义和实际应用价值。     

基于邻域相关性小波去噪的滚动轴承包络解调及故障分类

将邻域相关性的冗余第二代小波应用于滚动轴承信号降噪,用Hilhert包络解调法提取的故障特征频率,比较不 同转速和载荷下的提取效果,提出包络幅值峭度指标,并将其输入BP神经网络进行故障诊断。结果表明：基于邻域相关 性的冗余第二代小波降噪方法能很好的抑制噪声,保留原信号的信息;降噪后的故障信号经过Hilbert包络解调能找到 特征频率及其倍频,其效果优于原始信号的包络解调分析。工况会影响分析效果,且速度对提取效果的影响大于载荷。 包络幅值峭度指标能很好区分不同工况的故障信号,结合BP人工神经网络诊断正确率为100%。     

神经网络的滚动轴承故障诊断

文章通过旋转机械故障实验平台,采集旋转机械故障实验台轴承的3种工作状态分别是轴承正常、轴承内圈裂缝、轴承外圈裂缝的振动加速度信号.对信号进行零均值化处理后,选择频率成分幅值较大的频率进行信号重组,提取其时域量纲特征值,利用神经网络进行故障类型的识别；通过实验,取得了很好的诊断结果.     

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。     

嵌入式智能滑动轴承研究

针对目前的滑动轴承状态监测系统传感器在现场安装位置受限,离信号源头较远,不容易获得可靠的状态信息, 文章提出一种新型的智能轴承结构,在滑动轴承上嵌入温度、转速、振动等传感器,并在DSP上实时处理轴承的工作状 态信息。嵌入式的智能传感器安装在轴承外圈,更接近于信号的源头,因此智能轴承的传感器能获得比滑动轴承更准确 的状态信息,因DSP信号处理部件与传感器紧密配合,在实时处理信号方面更有优势。经实验验证,智能轴承比传统的 轴承状态检测系统更能有效地提取状态信息和故障诊断信息。     

基于随机共振的齿轮箱早期故障诊断研究

随机共振在微弱故障诊断中相对线性系统具有明显优势，能显著增强信号的信噪比。将随机共振与共振解调相结合来检测齿轮箱的早期裂纹故障，首先通过带通滤波选取共振频带，然后通过Hilbert进行解调，最后采用归一化方法调节随机共振的系统参数得到故障特征输出。对仿真信号和QPZZ Ⅱ齿轮故障系统实测数据的处理结果表明，该方法与传统共振解调相比具有明显优势，为齿轮箱故障诊断提供了一种更为有效的途径。     

轮毂轴承预紧力对其固有频率影响的试验

轮毂轴承的预紧力会影响其工作性能和工作寿命,为了研究其作用机理,开展轮毂轴承预紧力对其固有频率影 响的研究显得尤为重要。针对某型号轿车轮毂轴承,搭建了轮毂轴承的正弦扫频激振试验系统,对不同预紧力的轮毂轴 承进行试验,得出结论：轮毂轴承的预紧力对其前3阶固有频率没有影响,第4阶固有频率随着预紧力增大逐渐增大,且 增大趋势随着预紧力增大逐渐变缓。     

基于LabVIEW的局域均值分解方法及其在列车轴承故障诊断中的应用

列车轴承故障诊断是保证铁路运营安全的重要手段，轴承振动信号的处理方法是实现故障诊断的关键。局域均值分解方法是一种自适应的信号处理方法，对于非线性非平稳信号的解调具有良好的性能。利用在测试测量领域广泛使用的LabVIEW进行了局域均值分解方法的编程，将该方法与虚拟仪器技术结合搭建了一套高速、可靠、可移植性强的系统，通过仿真信号和轮对实验的验证，证明该方法适用于工程实践。