基于自适应遗传随机共振的滚动轴承微弱故障诊断

基于EMD和LMS自适应形态滤波的滚动轴承故障诊断宋平岗;周军【期刊名称】《科学技术与工程》【年(卷),期】2013(013)006【摘要】针对铁道车辆走行部的滚动轴承故障特征,其故障信号通常被调制到高频,且还有大量噪声,提出了一种EMD(Empirical Mode Decomposition)分解和基于LMS(least mean square)算法的自适应广义形态学滤波相结合的方法.先采用EMD分解得到高频信号,将低频干扰和噪声相分离；再使用LMS算法的形态学滤波和闭运算的方法进行形态解调.最后对其进行频谱分析,提取出故障特征.通过仿真实验和实例表明该方法能够有效的消除大量噪声和低频干扰,提取出滚动轴承故障特征.该方法计算速度快,易于实现,具有较好的实用价值.%To extract the fault characteristics of rolling bearings of the railway vehicles, whose fault signal is usually modulated to high frequency with lots of noise, this paper presents a method combining EMD( Empirical Mode Decomposition) and adaptive generalized morphological filtering based on LMS (least mean square) , it first uses EMD to acquire high frequency signal and separates low frequency interference and noise. Then it uses the LMS morphological filtering and closed operation method to demodulate forms. At last, the fault characteristics are extracted through frequency analysis. Simulation experiments and practical examples have proved that this method can effectively eliminate lots of noise and low frequency interference to extractfault characteristics of rolling bearings. This method has good practical value with high calculation speed and operation convenience.【总页数】7页(P1446-1452)【作者】宋平岗;周军【作者单位】华东交通大学电气与电子工程学院,南昌330013;华东交通大学电气与电子工程学院,南昌330013【正文语种】中文【中图分类】TH165.3【相关文献】1.基于改进EMD和形态滤波的滚动轴承故障诊断 [J], 文成;周传德2.基于迭代自适应多尺度形态滤波的滚动轴承故障诊断 [J], 姜万录;李扬;郑直;朱勇3.基于EEMD与形态滤波的滚动轴承故障诊断方法研究 [J], 黄浩;吕勇;肖涵;袁锐4.基于CEEMD-SVD 和 ELM的滚动轴承故障诊断 [J], 吴漫;黄国勇;周卫兵5.基于改进MEEMD与DE-OSELM的滚动轴承故障诊断方法 [J], 蒋永华;黄涛涛;李刚;焦卫东;徐翠;夏海成;王晨因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进自适应经验傅里叶分解的滚动轴承故障诊断方法曹仕骏;郑近德;潘海洋;童靳于;刘庆运
【期刊名称】《振动与冲击》
【年(卷),期】2022(41)15
【摘要】自适应经验傅里叶分解(AEFD)是最近提出的非平稳信号分解方法,为了解决AEFD的分割边界集设置问题,提出了基于频谱包络检测的改进自适应经验傅里叶分解(EAEFD)方法,该方法以快速傅里叶变换为基础,以包络熵值最小选择最优的分解模态数目,采用极大值包络技术对傅里叶频谱分割,得到一个合理的分割边界,最后采用逆快速傅里叶变换对每个区间信号进行重构。

EAEFD能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的单分量信号之和,通过仿真信号和滚动轴承信号分析,将EAEFD方法与经验小波变换(EWT),经验模态分解(EMD),局部特征尺度分解(LCD)和AEFD等方法进行了对比,结果表明EAEFD方法不仅仅能够有效地诊断出故障特征,而且诊断的精度更高。

【总页数】13页(P287-299)
【作者】曹仕骏;郑近德;潘海洋;童靳于;刘庆运
【作者单位】特种重载机器人安徽省重点实验室;安徽工业大学机械工程学院【正文语种】中文
【中图分类】TH165.3
【相关文献】
1.基于傅里叶分解与奇异值差分谱的滚动轴承故障诊断方法
2.基于傅里叶分解方法的航空发动机转子故障诊断
3.最大相关峭度反褶积与傅里叶分解方法相结合的滚动轴承故障诊断
4.改进的傅里叶分解算法及其在滚动轴承故障诊断的应用
5.基于改进傅里叶模态分解和频带熵的滚动轴承故障诊断方法
因版权原因，仅展示原文概要，查看原文内容请购买。

基于自适应变分模态分解和调制信号双谱的滚动轴承故障诊断方法田少宁;甄冬;李海洋;冯国金;谷丰收【期刊名称】《轴承》【年(卷),期】2023()2【摘要】针对滚动轴承振动信号的强非线性和非平稳特征,提出了一种基于自适应变分模态分解和调制信号双谱分析(AVMD-MSB)的故障诊断方法来提取滚动轴承故障特征。

首先,利用AVMD自适应地选择VMD参数K和α并将振动信号分解为一系列本征模态函数(IMF),减少了基于经验或信号先验知识对VMD参数选择不当而造成的误差;然后,依据相关峭度指数对所有IMF分量进行加权重构,避免意外遗漏包含重要故障信息的IMF分量;最后,应用MSB进一步抑制信号中的残余噪声和干扰成分,以增强周期性故障脉冲,准确提取轴承故障特征。

2组不同类型轴承的试验结果表明,AVMD-MSB的特征频率增强系数远高于AVMD-Envelope和常规VMD-MSB,在滚动轴承故障诊断方面具有更高的灵敏度和更强的鲁棒性。

【总页数】8页(P39-45)【作者】田少宁;甄冬;李海洋;冯国金;谷丰收【作者单位】河北工业大学机械工程学院;天津商业大学机械工程学院;Centre for Efficiency and Performance Engineering of Huddersfield【正文语种】中文【中图分类】TH133.33【相关文献】1.基于变分模态分解与多尺度熵的r滚动轴承故障诊断方法2.基于变分模态分解排列熵和粒子群优化支持向量机的滚动轴承故障诊断方法3.基于改进变分模态分解的滚动轴承故障诊断方法4.基于变分非线性调频模态分解的滚动轴承多故障诊断方法研究5.基于变分模态分解和卷积神经网络融合的滚动轴承故障诊断方法因版权原因，仅展示原文概要，查看原文内容请购买。

基于多源域自适应残差网络的滚动轴承故障诊断高学金;张震华;高慧慧;齐咏生【期刊名称】《振动与冲击》【年(卷),期】2024(43)7【摘要】针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题,提出了一种多源域自适应残差网络(multi-source domain adaptive residual network,MDARN),通过对齐来自多个源域的相关子域,从而提高模型在多工况下的故障诊断性能。

首先,利用ResNeXt残差网络从源域和目标域充分提取可迁移特征;然后,引入局部最大平均差异(local maximum mean difference,LMMD)准则,以两个源域的子域为基础对齐目标域中相关子域,减少相关子域间和全局域间的分布差异;最后,利用美国凯斯西储大学轴承数据集和MFS 机械综合故障试验台产生的真实的轴承振动数据集,对所提方法进行了试验验证。

结果表明,该方法在多工况下的平均故障诊断精度高达99.76%。

与现有代表性方法相比,所提方法具有更好的故障诊断效果。

【总页数】10页(P290-299)【作者】高学金;张震华;高慧慧;齐咏生【作者单位】北京工业大学信息学部;数字社区教育部工程研究中心;城市轨道交通北京实验室;计算智能与智能系统北京市重点实验室;内蒙古工业大学电力学院【正文语种】中文【中图分类】TH133.3【相关文献】1.基于残差注意力机制和子领域自适应的时变转速下滚动轴承故障诊断2.基于域自适应残差收缩网络的滚动轴承故障诊断3.基于注意力机制和深度残差网络的滚动轴承故障诊断4.基于混合域残差注意力网络的滚动轴承智能故障诊断方法5.基于深度残差收缩迁移网络的复杂工况下滚动轴承故障诊断因版权原因，仅展示原文概要，查看原文内容请购买。