基于小波域威布尔分布模型的电机滚动轴承故障诊断分析

阐述小波域威布尔分布模型的原理,探讨基于小波域威布尔分布模型的电机滚动轴承故障诊断方法,包括数据采集和预处理、小波变换和威布尔分布模型的应用、故障特征提取和诊断准确性评估。

零序电流及改进峰值能量法在电机滚动轴承故障诊断中的应用

基于滚动轴承故障引起的零序电流变化的机理,提出一种采用小波变换及改进峰值能量法的牵引电机轴承故障诊断方法,并进行了案例验证。首先,通过park变换获得零序电流信号;其次,采用小波变换及峰值能量法对零序电流信号分解并平方整流;最后,对整流信号进行包络及傅里叶分析,提取其中的轴承故障特征频率,实现轴承的故障诊断。案例结果表明,该方法能够有效地提取轴承故障特征频率,实现对电机轴承的故障诊断。

基于小波域威布尔分布模型的电机滚动轴承故障诊断

电机轴承的运行状态是否正常,通常可以通过分析电机的滚动轴承的振动信号得到诊断结果.因此,分析和研究电机轴承振动信号是滚动轴承研究的热点.首先对电机滚动轴承振动信号进行降噪等预处理,并对预处理的振动信号进行小波分解,再对小波分解系数进行单支重构,得到不同尺度下的单支重构信号;接着对单支重构信号分别建立威布尔分布模型,并验证模型的恰当性,然后求取单支重构信号的威布尔分布模型的尺度参数和形态参数;最后将模型的尺度参数和形态参数输入SVM模式识别器进行故障诊断和模式识别,识别结果表明其参数能较好地表征电机轴承的运行状态.实验结果证明所提方法能较好地诊断电机轴承的故障.

基于一维RepVGG协同领域自适应的电机滚动轴承故障诊断

在使用传统机器学习类方法对电机滚动轴承故障进行诊断时,电机运行工况的变化以及采集信号时的噪声干扰,会出现源域训练集和目标域测试集分布不一致的问题。提出了基于一维RepVGG协同领域自适应的故障诊断方法。RepVGG具有精度高和速度快的特点,使用一维RepVGG实现对电机滚动轴承信号的特征提取;基于提取的特征,在网络顶层结构中使用集成优化目标函数来实现域自适应,并完成轴承故障诊断。基于凯斯西储大学轴承数据集,对该方法进行了实验验证。实验结果表明,在电机变工况运行时,改进方法为诊断性能优于现有其他诊断方法。

改良GoogLeNet的电机滚动轴承故障诊断

针对电机滚动轴承信号特征人工提取困难、故障分类效果差的问题,利用传统GoogLeNet模型单元与稠密连接思想结合,提出一种改良的GoogLeNet卷积神经网络结构。将提出的改良模型应用于电机滚动轴承的故障诊断试验,对原数据分组处理并贴上标签后,直接输入到改良模型中进行训练,最后将测试集输入到训练好的模型中,测试其分类准确率。由于诊断过程不需要进行人工特征提取,从而避免了人工提取故障特征时的困难和带来的误差,大大简化了故障识别过程,证明了改良GoogLeNet模型在故障诊断中的可行性。将提出的模型与传统GoogLeNet模型和其他典型模型做对比,结果表明,改良GoogLeNet卷积神经网络模型具有精确度高、特征提取能力强、收敛速度快、表现稳定的特点。

基于经验模态分解和散度指标的风力发电机滚动轴承故障诊断方法

提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)和散度指标的滚动轴承故障诊断方法。该方法首先对原始振动信号进行经验模态分解,再以峭度为准则,选取包含故障信息的特征模态函数(Intrinsic Mode Function,IMF)进行信号重构,并对重构后的信号进行Hilbert包络谱分析,然后提取故障特征量,最后通过计算故障特征量的J-散度(J-divergence)和KL-散度(Kullback-Leibler divergence)来判断故障类型和描述故障程度。通过从试验台采集的无故障和具有内环故障、外环故障和滚动体故障样本,以及从某风电场风力发电机齿轮箱高速输出端采集的近一年的监测数据分析结果,证明了所选故障特征量的准确性,同时也验证了所提出的基于经验模态分解和散度指标的滚动轴承故障诊断方法的有效性和准确性。

一种新的IMF判据及其在风力发电机滚动轴承故障诊断中的应用

针对现有EMD中IMF判据必须指定经验值范围的缺点,提出了一种基于峭度的IMF判据方法,该方法不必设定经验值,从而避免了由于经验取值的不同而造成分解结果的差异。仿真实验表明,与现有方法相比,该迭代次数判断方法能在保证计算速度的同时,使所得IMF分量具有更加明确的物理意义,能够很好地体现信号的非线性、非平稳特征,实现了信号的正确分解。将该方法应用在风力发电机齿轮箱高速端轴承的故障诊断中,准确诊断出了故障部位,同时也验证了该方法在EMD过程中确定迭代次数的有效性和准确性。

IAO优化SVM的电机滚动轴承故障诊断

对于当前存在电机滚动轴承多种类型故障分类准确率不高的现象,提出一种改进天鹰优化算法(IAO)优化支持向量机(SVM)的电机滚动轴承故障诊断方法。首先,介绍了基本天鹰优化算法,然后引入Tent混沌映射和自适应权重对其改进,提高收敛速度,防止陷入局部最优;其次,对10种状态下的滚动轴承故障时域信号样本进行VMD分解,得到不同状态的时频域特征组成特征样本集。最后,利用IAO算法对支持向量机的惩罚参数(c)和核参数(g)进行优化,从而构建IAO-SVM滚动轴承故障诊断模型。最终结果表明,IAO-SVM诊断模型对电机滚动轴承10种状态下的故障诊断准确率最高达100%。

EEMD联合SOM的电机滚动轴承故障诊断

针对电机轴承振动信号的非平稳性、提取的信号不精确的特点,提出一种集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、能量矩的特征提取方法与自组织特征映射网络(Self-organizing Maps,SOM)相结合的故障诊断方法。首先利用EEMD处理原始振动信号,将其分解成一系列具有不同特征时间尺度的固有模态分量(Intrinsic Mode Function,IMF)。由于轴承状态变化,在不同频带下IMF的特征随时间尺度和能量分布的不同而不同,由于能量矩能准确得到IMF的变化能量,故计算出各阶IMF的能量矩构造故障特征向量。其次,利用故障特征向量作为输入来构建SOM网络进行故障识别。最后通过轴承实验验证该方法的正确性。结果表明,该方法采用有限的训练样本就可以快速、准确地诊断滚动轴承故障。

共振解调技术在风力发电机滚动轴承故障诊断中的应用

将共振解调技术应用于风力发电机滚动轴承的故障检测与诊断中,通过对轴承振动信号进行时域监测和频谱分析,实现对轴承早期故障的诊断,确保风力发电机的稳定运行。

电机滚动轴承故障诊断中BP与RBF神经网络的比较

针对电机滚动轴承故障检测的复杂性,采用了理论成熟且应用较多的BP神经网络和RBF神经网络两种故障诊断方法。首先通过经验模态分解的方法对滚动轴承的振动信号进行故障特征提取,并将故障特征向量输入到BP神经网络和RBF神经网络进行达标训练,最后对两种神经网络在滚动轴承故障诊断方面进行了比较分析,结果表明,两种神经网络的故障诊断效果均理想,但是RBF神经网络故障诊断结果较准且训练速度快,具有一定的优越性。

电机滚动轴承故障诊断的多信息源数据融合方法

在电机滚动轴承的故障诊断领域中,由于电机运行环境的复杂性,以及目前大多数故障诊断依然是基于单参数进行,如振动、温度及电流等所能携带的故障特征进行诊断,所以不确定性因素及不确定信息也充斥其间,从而致使故障诊断的准确率较低。分析了传统故障诊断系统的弊端,并介绍了多信息源数据融合诊断系统的结构及其在故障诊断应用中的优势,并通过实例分析,采用3个独立传感器对轴承故障信号采集,并通过经验模态方法对信号处理得到故障特征向量,最后应用BP神经网络和D-S证据理论进行故障识别。每使用一次D-S证据理论的合成,均会提高故障诊断的准确率,进一步说明多信息源数据融合故障诊断系统的的可行性及有效性。

基于增强形态滤波与三阶累积量对角切片谱的风力发电机滚动轴承故障诊断方法

针对大型风力发电机滚动轴承的故障信号受到强背景噪声干扰不易识别的问题,提出一种基于增强形态滤波与三阶累积量对角切片谱相结合的故障诊断检测方法。该方法首先在研究基本形态学算子的基础上,构建一种新的增强型形态学算子(EMDO);随后利用特征能量因子(FEF)选择出EMDO算子的最优结构元素尺度;最后利用三阶累积量对角切片谱的消噪性能来进一步增强EMDO算子对风力发电机轴承故障信息的特征提取能力。仿真和对比实验结果表明,所提方法能有效消除高斯白噪生的干扰,对提取风力发电机轴承的故障特征信息起到增强的效果。

电机滚动轴承故障诊断的新方法

基于希尔伯特变换解调原理，提出一种对电机滚动轴承振动信号进行包络处理的方法，它根据振动信号、解析信号和包络函数在频域上的关系来制定算法，并同时在频域上直接实现带通滤波，而不用在时域上对信号进行滤波。最后从包络谱中提取轴承故障特征信息。

石化企业电机滚动轴承故障诊断模型研究

文章在分析长炼滚动轴承故障诊断基础上,提出了石化企业电机滚动轴承故障诊断模型。

联合收割机裂纹转子与滚动轴承故障诊断系统研究--基于卷积神经网络

首先,介绍了传统神经网络,在其基础上引出了改进的卷积神经网络;然后,搭建了转子和滚动轴承的动力学模型,对转子和轴承的裂纹模型进行分析研究;最后,实现了联合收割机裂纹转子与滚动轴承故障诊断系统。实验结果表明:基于卷积神经网络的诊断模型达到稳定识别精度的迭代次数更少,且识别精度更高,效果更好,证明了系统的可行性和可靠性。

基于EMDPWVD时频图像和改进ViT网络的滚动轴承智能故障诊断

滚动轴承是机械设备的关键零部件之一,其故障诊断对设备安全稳定运行至关重要。针对滚动轴承振动信号的非平稳特点,提出经验模态分解联合伪魏格纳分布(empirical mode decomposition&pseudo-Wigner-Ville distribution, EMDPWVD)时频图像联合改进Vision Transformer(ViT)网络模型的智能故障诊断新方法。首先针对实际信号研究短时傅里叶变换(short-time Fourier transform, STFT)、连续小波变换(continuous wavelet transform, CWT)和EMDPWVD三种时频分析方法,考虑STFT和CWT无法同时获得高的时间分辨率和频率分辨率,优选EMDPWVD作为智能故障诊断网络的时频图像构造方法。其次,以经典ViT作为故障诊断基础模型,将时频图像按照预定尺寸分块并线性映射为输入序列,通过自注意力机制整合图像全局信息,借助堆叠Transformer编码器完成网络传输,进而实现故障诊断。为进一步提高故障诊断准确率,将池化层作为ViT的预处理网络,获得改进的Pooling ViT(PiT)模型,实现时频图像的空间特征延展,提升模型对输入图像敏感度。结果表明,所提方法对滚动轴承不同故障类型均有高的诊断准确率,PiT较ViT的准确率提高4.40%,证明对ViT加入池化层能够实现滚动轴承故障诊断效果提升。

基于AESL-GA的BN球磨机滚动轴承故障诊断方法

针对基于知识的贝叶斯网络(BN)构建方法存在不完全和不精确的缺点,提出一种基于知识引导和数据挖掘的BN结构构建方法。针对单一信号故障诊断结果不精确的问题和故障信息中存在的不确定性问题,将电流信号与振动信号融合建立BN的特征节点,分别提取2种信号的故障特征参数,利用区分度指标法进行特征筛选,将其作为BN结构特征层的节点。将专家知识构建的初始BN结构结合自适应精英结构遗传算法(AESL-GA)进行结构优化,通过自适应限制进化过程中的搜索空间,减少自由参数的数量,提高其全局搜索能力,得到最优BN结构。通过MQY5585溢流型球磨机滚动轴承实测数据和Paderborn University轴承数据集对所提方法进行验证,结果证明了所提方法的有效性。

基于全矢CEEMDAN能量矩和AMHSSA-SVM的滚动轴承故障诊断

为充分利用滚动轴承的故障特征信息,提高故障诊断的准确性和可靠性,文中提出了一种基于全矢自适应噪声完全集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)能量矩和自适应多种群混合麻雀搜索算法(Adaptive Multi-population Hybrid Sparrow Search Algorithm,AMHSSA)优化支持向量机(Support Vector Machine,SVM)的故障诊断方法。首先,采用全矢谱技术融合同源双通道信号;其次,采用CEEMDAN算法处理融合信号,选择相关系数较大的前5阶IMF分量,并计算其能量矩作为支持向量机模型的特征输入;最后,提出AMHSSA算法并优化支持向量机模型的参数,建立AMHSSA-SVM故障诊断模型。对该模型进行测试,结果表明:此模型有效提高了识别准确性,与类似模型对比,进一步证明了其在分类精度和优化时间方面的优越性。

基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法

针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题,提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法。采用格拉姆角场对一维轴承振动数据重构,保留原始数据信息的同时包含了时间相关性;采用粒子群优化算法对编码后的卷积神经网络结构迭代寻优。利用西储大学的轴承数据集进行试验验证,试验结果表明,该方法可自适应生成网络结构,平均诊断精度为99%,相对于其他主流卷积神经网络结构可以获得更好的故障诊断精度。