局部保形映射和AdaBoost方法在滚动轴承故障诊断中的应用

格式：pdf
大小：348.94 KB
文档页数：5

Ｋｅｙｗｏｒｄｓ：ｒｏｌｌｅｒｂｅａｉｒｎｇ；ｌｏｃａｌｉｔｙｐｒｅｓｅｖｉｒｎｇｐｒｏｊｅｃｔｉｏｎ；ｅｉｇｅｎｖａｌｕｅ；ｅｉｇｅｎｖｅｃｔｏｒ；ａｄａｂｏｏｓｔ
振
第３２卷第５期
动
与
冲
击
ＪＯＵＲＮＡＬ０ＦＶＩＢＲＡＴＩＯＮＡＮＤＳＨＯＣＫ
局部保形映射和ＡｄａＢｏｏｓｔ方法在滚动轴承故障诊断中的应用
姚培，王仲生，姜洪开，刘贞报，布树辉
（西北工业大学航空学院，西安７１００７２）
ｔｉｍｅｄｏｍａｉｎｐａｒａｍｅｔｅｒｓ，ｆｒｅｑｕｅｎｃｙｄｏｍａｉｎｐａｒａｍｅｔｅｒｓ，ａｎｄｔｉｍｅ — ｒｅｆｑｕｅｎｃｙｄｏｍａｉｎｐａｒａｍｅｔｅｒｓ．Ｓｕｃｃｅｓｓｉｖｅｌｙ，ｄｉｍｅｎｓｉｏｎ
ｒｅｄｕｃｅｄｆｅａｔｕｒｅｓｒｏｆｍｔｈｅｏｉｇｒｉｎａｌｄａｔａｓｅｔｗｅｒｅｅｘｔｒａｃｔｅｄｂｙｕｓｉｎｇＬＰＰ．Ａｎｄｉｎｆａｌｌｙ．ｔｈｅａｄａｐｔｉｖｅｂｏｏｓｔｉｎｇａｌｇｏｉｔｒｈｍｗａｓａｐｐｌｉｅｄｏｒｆｔｒａｉｎｉｎｇａｎｄｃｌａｓｓｉｉｆｃａｔｉｏｎｆｎｏｒｍａｌｃｏｎｄｉｔｉｏｎ，ｉｎｎｅｒｒａｃｅｄｅｆｅｃｔ，ｏｕｔｅｒｒａｃｅｄｅｆｅｃｔ，ａｎｄｂａｌｌｄｅｆｅｃｔｏｆｒｏｌｌｅｒｂｅａｉｎｒｇｓｗｅｒｅａｎａｌｙｓｅｄ．Ｔｏｖｅｒｉｆｙｉｔｓａｄｖａｎｔａｇｅｓ，ｓｏｍｅｃｏｍｐａｒａｔｉｖｅｔｒｉａｌｓａｎｄｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｉｔｓｅｆｆｅｃｔｉｖｅｎｅｓｓａｎｄｓｕｐｅｉｏｒｒｉｔｙ．
摘
要：针对滚动轴承故障振动信号的随机性和非平稳性，提出基于局部保形投影（ＬＰＰ）特征提取和自适应
Ｂｏｏｓｔｉｎｇ算法的滚动轴承故障诊断方法。首先对信号构建原始样本数据集合，提取时域、频域及时频域的相关特征，将该特征作为ＬＰＰ的输入样本，得到维数降低的新数据集合并能尽可能保持原始局部流形结构。将此降维特征向量作为Ａｄａｂｏｏｓｔ输入，建立故障模型，用以识别滚动轴承故障类型。分析滚动轴承正常状态、内圈故障、外圈故障及滚动体故障特性。通过对比试验表明，基于ＬＰＰ与Ａｄａｂｏｏｓｔ诊断方法识别率较高，可准确有效地对滚动轴承状态和故障进行分类。
ＹＡ０Ｐｅｉ，ＷＡＮＧＺｈｏｎｇ — ｓｈｅｎｇ，ＪＩＡＮＧＨｏｎｇ — ｋａｉ，ＬＩＵＺｈｅｎ — ｂａｏ，ＢＵＳｈｕ — ｈｕｉ
（ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ ’ ａｎ７１００７２，Ｃｈｉｎａ）
关键词：滚动轴承；局部保形投影；特征值；特征向量；Ａｄａｂｏｏｓｔ
中图分类号：ＴＨ１７；ＴＰ３０６文献标识码：Ａ
Ｒｏｌｌｅｒｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｌｏｃａｌｉｔｙｐｒｅｓｅｒｖｉｎｇｐｒｏｊｅｃｔｉｏｎ
Ａｂｓｔｒａｃｔ：Ａｎｏｖｅｌｍｅｔｈｏｄｆｏｒｒｏｌｌｅｒｂｅａｉｒｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｗａｓｐｒｅｓｅｎｔｅｄｂａｓｅｄｏｎｌｏｃａｌｉｔｙｐｒｅｓｅｒｖｉｎｇｐｒｏｊｅｃｔｉｏｎ（ＬＰＰ）ａｎｄａｄａｐｔｉｖｅｂｏｏｓｔｉｎｇａｌｇｏｒｉｔｈｍ（Ａｄａｂｏｏｓｔ）．Ｔｈｅｏｉｒｇｉｎａｌｄａｔａｓｅｔｆｏｒｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓｗａｓｃｏｎｓｔｒｕｃｔｅｄ，ｉｎｃｌｕｄｉｎｇ

基于深度学习的滚动轴承故障诊断研究综述

基于深度学习的滚动轴承故障诊断研究综述
基本内容
摘要：本次演示综述了基于深度学习的滚动轴承故障诊断研究进展，概述了深度学习在滚动轴承故障诊断中的应用和优缺点，并提出了未来研究的方向和重点。关键词：深度学习，滚动轴承，故障诊断，机械故障，
引言：滚动轴承是机械设备中的重要组成部分，其故障会对设备的正常运行产生严重影响。因此，滚动轴承故障诊断具有重要意义。随着人工智能技术的发展，深度学习作为一种强大的机器学习分支，已在许多领域取得了显著成果。本次演示将综述基于深度学习的滚动轴承故障诊断研究进展，以期为相关领域的研究提供参考。
文献综述：近年来，深度学习在滚动轴承故障诊断中得到了广泛。根据应用的不同，可以分为以下几类：
1、基于卷积神经网络的故障诊断：卷积神经网络（CNN）是一种适用于图像处理的深度学习算法。有研究表明，将CNN应用于滚动轴承故障诊断，可以有效地识别轴承表面的损伤图像。通过构建特定的CNN模型，将损伤图像作为输入，可以实现故障的自动诊断。然而，CNN方法需要大量的标注数据，且对数据的质量和数量要求较高。
未来研究可以从以下几个方面展开：首先，加强数据预处理工作，提高数据质量，以减轻深度学习算法对数据的依赖程度。其次，改进现有深度学习算法，解决其存在的问题，提高算法的稳定性和泛化能力。此外，研究多源信息融合方法，综合利用不同信息源的特征进行滚动轴承故障诊断，以提高诊断准确性和鲁棒性。最后，开展实验研究，验证改进算法的有效性，为滚动轴承故障诊断提供新的解决方案。
通过比较编码向量在不同状态下的差异，可以实现对轴承故障的诊断。然而， AE的诊断效果受限于所提取的特征的有效性，如何选择合适的特征仍是一个问题。
结论：基于深度学习的滚动轴承故障诊断研究取得了一定的进展，但仍存在一些问题和不足。首先，深度学习算法的应用仍受限于数据的质量和数量，尤其是在CNN方法中。其次，深度学习算法本身也存在一些问题，如RNN中的梯度消失和梯度爆炸问题。此外，如何选择合适的特征以及如何构建有效的深断：循环神经网络（RNN）是一种适用于序列处理的深度学习算法。在滚动轴承故障诊断中，RNN可以处理时间序列数据，如振动信号等。通过将振动信号转化为序列数据，并输入到RNN模型中进行训练，可以实现对轴承故障的预测和诊断。但是，RNN模型训练过程中容易出现梯度消失或梯度爆炸的问题，导致模型无法有效学习。

基于DSP的滚动轴承在线故障诊断系统

基于DSP的滚动轴承在线故障诊断系统任锴胜;王增才;王保平【摘要】为了提高滚动轴承故障诊断的准确性,介绍了一种基于DSP和组态软件的滚动轴承在线故障诊断系统.该系统以DSP作为信号处理部分,以组态软件作为人机交互界面,通过采用轴承振动信号的时域特征参数法对滚动轴承故障进行判断.实践检验证明,该系统能准确地判断出滚动轴承故障,具有较好的应用前景.%In order to improve the accuracy of fault diagnosis of rolling bearings, an on - line fault diagnosis system was provided based on digital signal process and configuration software. DSP was used as the signal processing portion and configuration software was used as the human- machine interaction interface. The system takes advantage of the bearing vibration signals in time domain method to determine the fault characteristic. The tests show that the system can accurately identify the rolling bearing failure, which means its prospective application.【期刊名称】《武汉理工大学学报（信息与管理工程版）》【年(卷),期】2011(033)002【总页数】4页(P247-250)【关键词】DSP;轴承检测;故障诊断【作者】任锴胜;王增才;王保平【作者单位】山东大学机械工程学院,山东,济南,250061;山东大学机械工程学院,山东,济南,250061;山东大学机械工程学院,山东,济南,250061【正文语种】中文【中图分类】TP277;TH133.33滚动轴承作为旋转机械中最基本的零件，其性能的优劣直接影响到整个系统能否正常工作。

快速自适应局部均值分解及轴承故障诊断应用

快速自适应局部均值分解及轴承故障诊断应用【摘要】本文主要介绍了快速自适应局部均值分解（FLMD）及其在轴承故障诊断中的应用。

首先概述了FLMD的原理和方法，然后介绍了轴承故障诊断的常见方法。

接着详细阐述了FLMD在轴承故障诊断中的具体应用，包括实验设计与结果分析以及案例分析。

通过对比实验结果，验证了FLMD在轴承故障诊断中的优势。

最后对未来的研究展望进行了探讨，并对本文所述内容进行了总结。

本研究为轴承故障诊断提供了新的方法和思路，对于提高设备运行安全性和效率具有重要意义。

【关键词】快速自适应局部均值分解、轴承故障诊断、研究、原理、方法、应用、实验、结果分析、案例分析、优势、展望、结论、背景介绍、研究意义、研究目的、结论总结。

1. 引言1.1 背景介绍随着工业生产的发展，轴承作为重要的机械部件，在机械设备中扮演着至关重要的角色。

由于轴承在长期运行过程中受到各种外界因素的影响，轴承故障问题逐渐凸显出来。

轴承故障不仅会导致机械设备的停机维修，还可能引发严重事故，对生产造成严重损失。

本文将介绍快速自适应局部均值分解原理及方法，概述轴承故障诊断方法，探讨快速自适应局部均值分解在轴承故障诊断中的应用，通过实验设计和结果分析验证其有效性，并结合实际案例进行深入分析，最终总结出快速自适应局部均值分解在轴承故障诊断中的优势和未来研究展望。

1.2 研究意义快速自适应局部均值分解（Fast Adaptive Local Mean Decomposition，简称FALMD）是一种新兴的信号处理方法，能够将非平稳信号分解为不同尺度和频率的成分，同时具有自适应性和高效性。

对于轴承故障诊断这一实际问题，传统方法往往存在计算量大、对信号特征提取不准确等问题，而FALMD方法能够较好地克服这些困难，提高轴承故障的诊断准确性和效率。

研究快速自适应局部均值分解在轴承故障诊断中的应用具有重要的理论和实际意义，对于提高轴承故障诊断的准确性、效率和智能化水平具有积极的推动作用。

基于SVM—AdaBoost算法的轨道交通列车滚动轴承故障诊断

（１．Ｂｅ０ｉｎｇＰｕｂｌｉｃＴｒａｎｓｐｏｒｔＨｏｌｄｉｉｌｇｓ，Ｌｔｄ，Ｂｅｉｊｉｎｇ
Ｆｍ１ｇＳｈｕａｉＡｂｓｔｒａｃｔ：１Ｌｕｎｎｉｎｇｇｅａｒ ’ ｓｒｏｌｌｉｎｇｅｌｅｍｅｎｔｂｅａｍ１ｇｓａＩ ‘ ｅｋｅｙｅｌｅｍｅｎｔｓｉｎｒａｉｌｃｒａ１ｉｓｉｔｔｒｌｉｌｌＹａｉ１ｄａ１・ｃ０ｌ１ｃ（１ｔ－ｔｈｅｎ１Ｉ１ｌｔｉｐ１ｃ矗Ｌ１１ｃ
、１．ｔｈｅ
㈨ｍｉＩ１ｌｅｆ］ｌｕｌｔ（ｅａｔｕｒｅｉｓｅｘｔｒａｃｔｅｄ，Ｉ１Ｉ１ｃｕｂｅａｒｉｎｇｉｎｔｅｌｌｉｇｅｎｔｔｈｕｌｔｄｉａｇｎｏｓｉｓｌｌｇｏｒｉｔｈｌ１１ｉｓｐｒ（｝１（）ｓｃｄａｍｔ㈨】Ｉ１１ｃｔ
关键词：交通安全；轨道交通；ＳＶＭＡｄａＢｏｏｓｔ：故障诊断
中图分类号Ｕ２７９２丈献标志码：Ｂ
ＦａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒａｉｌｗａｙｒｏｌｌｉｎｇｂｅａｒｉｎｇｂａｓｅｄＯｉｌＳＶＭ
，，
ＣＯｌｌｌｐｏｌｌｅｉｌｔＳ，ｉｔｄｉｒｅ【 ’ ｔｌｙａｌｂｆ￣ｔｓｔｈｅｓａｆｅｔｙｏｆｒａｉｌｔｒａｎｓｉｔｔｒ；ｌｉｉｌｓＴｈｅｒｅｆｏｒｅｒｅｓｅａｒｃｈ（）ｎｔｈｅｔ￣ｍｌｔｄｉａｇｍ１ｓｉｓｔｅ【 ’ ｈｎｏｌｏｇ３，（）ｆｎｌ】ｌＩｌｉｉｌｇ

下载提示

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

局部保形映射和AdaBoost方法在滚动轴承故障诊断中的应用

合集下载

基于深度学习的滚动轴承故障诊断研究综述

基于DSP的滚动轴承在线故障诊断系统

快速自适应局部均值分解及轴承故障诊断应用

基于SVM—AdaBoost算法的轨道交通列车滚动轴承故障诊断

文档推荐

最新文档