小波相关特征尺度熵在滚动轴承故障诊断中的应用

将小波相关滤波方法与Shannon信息熵相结合,提出了一种故障检测与诊断的方法——小波相关特征尺度熵故障法。首先利用小波相关滤波方法提取滚动轴承故障振动信号的微弱故障信息特征,以求得信噪比较高的尺度域小波系数;然后结合Shannon信息熵理论给出了沿尺度分布的小波相关特征尺度熵定义及其计算方法。小波相关特征尺度熵能够定量表征不同尺度的能量分布,各尺度能量分布的均匀性可以反映滚动轴承的运行状态的差别,选取最能反映故障特征的小波相关特征尺度熵作为特征参数,通过所选取的小波相关特征尺度熵大小判断滚动轴承的工作状态和故障类型。实验证明该方法能有效地判断滚动轴承故障特征,为滚动轴承故障诊断提供了新的思路。     

基于MED的滚动轴承故障特征提取方法及其应用

为提取微弱的轴承故障信号,研究了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)的滚动轴承故障特征提取方法:在利用AR模型去除齿轮啮合产生的确定性信号的基础上,对保留信号进行最小熵反褶积,增强冲击信号.该方法避免了传统轴承故障诊断方法中带通滤波器设计的难题,实车测试表明:与共振解调技术相比,该方法提取的滚动轴承故障特征更加明显,更适合于工程应用.     

基于MED和EEMD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出将最小熵反褶积(MED)和集成经验模态分解(EEMD)方法相结合用于提取轴承微弱故障特征的方法。首先,采用MED对滚动轴承振动信号降噪,以增强冲击特征;然后,利用EEMD分解降噪后信号得到一组固有模态分量(IMF),依据相关系数和峭度准则,选择敏感的IMF分量重构信号,并采用希尔伯特包络解调提取故障特征;最后,通过仿真信号和实验台信号验证了该方法的有效性。     

小波分析在电子装备供电设备故障检测中的应用

新型电子装备供电设备封装性能好,可及测点少,故障检测和诊断难度大.在分析供电设备声信号产生机理的基础上,提出了一种利用小波分析理论对声信号进行处理,实现非接触、不解体故障检测与诊断的方法.论证了频带能量分析法和极大值分析法提取故障特征信息的可行性,并给出了故障特征参数算法.实验证明,该方法能有效地检测和诊断故障.     

基于MOMEDA和IITD的滚动轴承微弱故障特征提取

为了清晰准确地提取出强背景噪声下滚动轴承微弱故障特征,对采集的外圈故障轴承的振动信号用MOMEDA进行信号增强;然后,利用IITD分解得到一系列模态,并对分解得到的模态进行包络解调提取故障特征;最后,进行了故障模拟实验,实验结果表明了该方法的有效性。     

基于模糊理论和频谱分析的电力电子设备的故障诊断

将模糊理论和频谱分析引入电力电子电路故障诊断之中.对关键点的电压信号进行数据采集, 然后对此信号进行频谱分析,得到被诊断元件不同故障时关键点的频谱特征.通过确定各待诊断元件的故障隶属度,确定故障元件.故障诊断实例和仿真结果表明,本方法是可行的.     

用频谱修正方法准确确定包络解调信号的幅值谱

首先,分析了机械设备振动信号包络解调的原理,并针对解调信号频谱分析存在的误差及影响因素,提出了采用三点卷积修正解调信号的幅值的方法;然后,进行了仿真计算;最后,对6010滚动轴承内圈故障的振动信号进行了包络解调分析和三点卷积频谱修正。试验结果表明:该方法能准确得到频谱幅值,为定量确定故障大小提供了理论依据。     

基于改进D-S证据理论的滚动轴承故障诊断

针对单一分类器进行故障诊断时诊断精度不高、随机性强的问题,提出一种基于改进D-S证据理论的滚动轴承故障诊断方法,构建了信息融合诊断框架。首先,利用BP神经网络、支持向量机、径向基神经网络构建初步诊断层,将提取的特征信息进行初步诊断;然后,利用改进的D-S证据理论构建融合诊断层,将初步诊断层的诊断结果进行融合,并根据诊断规则得到最终的诊断结果;最后,采用不同的信息融合方法对滚动轴承故障数据进行对比研究。试验结果表明:使用改进D-S证据理论的滚动轴承故障诊断方法能够有效提高证据可信度,降低不确定性,提高故障诊断精度和故障诊断模型的鲁棒性。     

基于线性混合盲分离模型的电机故障诊断方法

基于定子电流信号的频谱分析方法诊断电机故障,其检测的精度易受到噪声干扰及频率分辨率的限制。为解决这一问题,提出了一种基于线性混合盲分离模型的电机故障诊断方法。该方法采用固定点算法从电机的定子电流信号中分离出故障特征信号,由观测信号估计出混合矩阵,据此计算故障特征信号的幅值,再根据幅值在电机正常和故障状态下的变化实现对电机故障的诊断。以电机转子故障为例进行了实验,结果表明:该方法可实现转子断条故障的可靠诊断,并且在短数据条件下,也能取得较好的诊断效果。     

基于 EEMD 的滚动轴承故障诊断方法

针对经验模态分解（empirical mode decomposition,EMD）方法处理轴承振动信号时存在的缺点,指出极值点的选择是产生模态混叠现象的原因。分析了集成经验模态分解（ensemble empirical mode decomposi-tion,EEMD）方法抑制模态混叠现象的原理,讨论了加入高斯白噪声的次数和大小对 EEMD 方法分解结果的影响,并通过仿真和实测信号对 EMD 和 EEMD 方法的性能进行了比较测试。结果表明：EEMD 方法不仅能够有效地抑制模态混叠现象,而且能更好地反映出轴承振动信号中的故障信息。同时,对通过 EEMD 方法得到的重构信号进行平方包络分析,结果证明：该方法能够有效地提取出滚动轴承的故障特征。     

基于最优Morlet小波的全信息能量熵提取及其在滚动轴承状态监测中的应用

为利用振动信号中隐含的冲击特征成分来反映轴承性能退化趋势,综合利用小波变换技术和全信息技术,提出一种基于最优Morlet小波变换的全信息能量熵提取方法．以最小Shannon熵优化Morlet小波形状参数,通过多源振动数据的小波变换系数,利用信息熵综合反映冲击特征能量在不同频带分布差异．滚动轴承全寿命数据的应用结果表明,全信息能量熵的变化趋势能够监测轴承状态的劣化过程,而伴随的早期故障检测可以提高轴承使用的安全性．     

基于小波包变换和伪魏格纳分布的轴承故障诊断

将小波包变换理论和伪魏格纳分布应用于齿轮箱故障诊断中,结合实例对轴承的振动信号进行分析,结果表明:小波包变换能有效地提取各频段的高频成分,通过对提取的信号做伪魏格纳分布,结果能形象、直观地反映出轴承故障的时-频信息,而且对故障信息具有较强的判别能力。     

基于阶次小波包与粗糙集的轴承故障诊断

针对齿轮箱启动过程中振动信号表现为非平稳、非高斯特征及传统诊断方法诊断精度不高的现状,将阶次小波包和粗糙集理论引入轴承的故障诊断中,提出了一种新的故障诊断方法。首先利用阶次跟踪算法对瞬态振动信号进行重采样,得到等角度分布振动信号,其次采用小波包对该信号分解—重构,并对每个频段的能量进行归一化,构成特征向量,通过粗糙集理论得到清晰、简明的决策规则,最后通过故障实例验证该方法的有效性。     

基于小波包和支持向量机的舰用发动机故障诊断

舰用发动机是一个复杂的大系统,由于受到海洋恶劣气候的影响,其故障发生的概率大大增加,因此,对舰用发动机故障诊断进行研究具有重大实际意义。以舰用发动机的主泵轴承为例,提出了基于小波包和支持向量机的故障诊断方法。首先采用振动加速度传感器获取轴承的振动信号,然后对采集数据进行多层小波包分解,求各频带信号能量,形成各种故障模式下的特征向量。将形成的故障特征向量训练集输入到支持向量机,通过训练建立诊断分类器,并运用测试数据对建立的诊断分类器进行测试。实验结果表明,该方法可以很好地实现舰用发动机故障诊断效能,具有很好的工程应用前景。     

结合振动特征优选和GWOA-XGBoost的电机轴承故障诊断

为解决电机轴承故障状态难以识别,从而造成诊断精度不高的情况,提出了一种基于信号特征提取与极限梯度提升算法(extreme gradient boosting, XGBoost)结合的电机轴承故障诊断模型。使用优化的变分模态分解获得振动信号的固有模态函数(intrinsic mode function, IMF)分量,再基于多尺度熵理论计算各IMF分量的多尺度熵值进行特征重构。在鲸鱼优化算法(whale optimization algorithm, WOA)中引入遗传算法的选择、交叉、变异操作对WOA进行改进。用改进的WOA算法对XGBoost的超参数进行寻优,获得了帮助XGBoost取得最优分类效果的超参数组合,将7种不同故障类型的振动信号进行重构后输入优化的XGBoost模型进行故障诊断。实验结果表明,所提GWOA-XGBoost模型的电机轴承故障诊断精度能够达到97.14%,相较于传统诊断方法,性能提升效果显著。     

有向无环图决策支持向量机和经验模式分解在轴承故障诊断中的应用

当旋转机械发生故障时,其振动信号常常表现出较为复杂的调制形式,经验模式分解能根据信号的真实物理意义完成自适应分解。支持向量机由于其出色的学习性能和良好的推广能力,使其在包括故障诊断在内的众多领域得到较为广泛的应用。利用经验模式分解结果提取频带能量特征向量,采用有向无环图决策支持向量机实现对轴承状态的判别,并基于留一法优化支持向量机的模型参数。最终的应用结果表明,基于EMD和有向无环图决策支持向量机方法可以有效实现对轴承的状态判别。     

支持向量机的滚动轴承状态监测

提出了一种基于支持向量机的滚动轴承状态监测方法.该方法采用小波能量表征轴承信号的特征,采用支持向量机作为分类器构建支持向量机状态监测系统.仿真实验表明该方法具有很好的在线监测性能和分类性能,该方法对于滚动轴承的监测具有一定的应用价值,并可方便地推广到其他类似的工业应用领域.     

信号稀疏分解理论在轴承故障检测中的应用

将信号稀疏分解理论引入到轴承故障检测问题中,提出新的轴承故障检测方法。通过字典学习的方式可有效实现轴承正常状态振动信号稀疏表示的超完备字典。利用该字典只适用于轴承正常状态信号稀疏分解的特点,将待分析信号在该字典上展开,通过比较信号稀疏表示误差与所设定阈值的关系来判断轴承对应的状态,从而实现轴承的故障检测。实验结果表明:当误差阈值设置合理时,该方法可有效地判断出轴承是否发生故障。     

滚动轴承故障智能诊断系统的研究

本文结合“滚动轴承故障智能诊断系统”的科研课题,介绍了智能诊断系统研制过程中轴承故障特征频率的近似计算、智能诊断报警参数的确定、报警门限值的确定、趋势预测及实验诊断结果分析。     

一种自生成基函数模糊神经元故障诊断模型及其应用

在分析自生成基函数（SGRBF）模糊神经元模型基础上，提出了一种新的故障诊断网络模型及其学习算法，并将其应用到轴承、齿轮的故障诊断中，给出两个应用实例及分析结果。最后，文章将得出一定的结论。