为解决传统方法在判断轴承所处故障类型中因信号非线性强导致误判与错判,基于混沌理论,采用相空间重构法(Phase Space Reconstruction,PSR)还原系统动力学特性,通过卷积神经网络(Convolution Neural Network,CNN)学习并提取混沌序列中...为解决传统方法在判断轴承所处故障类型中因信号非线性强导致误判与错判,基于混沌理论,采用相空间重构法(Phase Space Reconstruction,PSR)还原系统动力学特性,通过卷积神经网络(Convolution Neural Network,CNN)学习并提取混沌序列中有效非线性信息,提出PSR-CNN智能故障诊断方法,并可视化吸引子轨迹,分析各故障信号非线性特性。以滚动轴承实验数据为研究对象,采用PSR-CNN方法进行轴承早期故障分析与诊断。结果表明:早期微弱故障信号因噪声干扰其吸引子轨迹不具备故障代表性;经CNN学习并提取有效非线性信息后,吸引子轨迹具有显著混沌特征,并呈故障可分状;采用PSR-CNN的故障诊断方法相比基于时域、频域所建立的CNN诊断模型具有更高的准确度与更好的泛化性能,且在收敛速度与稳定性方面均有较大优势。展开更多
考虑轴承故障初期具有特征信号微弱、易受噪声干扰以及非线性强等特点。基于分形盒维数提出改进变分模态分解提取轴承故障信号非线性信息方法(Improved Variational Mode Decomposition for Nonlinear Features Extraction,IVMD-NFE)。...考虑轴承故障初期具有特征信号微弱、易受噪声干扰以及非线性强等特点。基于分形盒维数提出改进变分模态分解提取轴承故障信号非线性信息方法(Improved Variational Mode Decomposition for Nonlinear Features Extraction,IVMD-NFE)。又因非线性信号的多测度性,采用多重分形去趋势波动分析(Multifractal Detrended Fluctuation Analysis,MF-DFA)法,研究各故障信号的多重分形特征。以滚动轴承实验数据为研究对象,采用IVMD-NFE与MF-DFA方法对轴承初期信号进行故障分析与诊断。结果表明:采用IVMD-NFE方法提取的信号可较大程度滤除噪声且具有更低的分形盒维数,提取的非线性特征更具代表性;轴承故障信号呈现多重分形特征,外圈故障的奇异指数α;最大,非线性最强,保持架故障时α;最小,非线性最弱,说明通过数据复杂度可较好反应轴承运行状态,而采用VMD或直接对原始信号进行处理的方法,未能提取有效非线性特征,导致故障区分失败。展开更多
文摘为解决传统方法在判断轴承所处故障类型中因信号非线性强导致误判与错判,基于混沌理论,采用相空间重构法(Phase Space Reconstruction,PSR)还原系统动力学特性,通过卷积神经网络(Convolution Neural Network,CNN)学习并提取混沌序列中有效非线性信息,提出PSR-CNN智能故障诊断方法,并可视化吸引子轨迹,分析各故障信号非线性特性。以滚动轴承实验数据为研究对象,采用PSR-CNN方法进行轴承早期故障分析与诊断。结果表明:早期微弱故障信号因噪声干扰其吸引子轨迹不具备故障代表性;经CNN学习并提取有效非线性信息后,吸引子轨迹具有显著混沌特征,并呈故障可分状;采用PSR-CNN的故障诊断方法相比基于时域、频域所建立的CNN诊断模型具有更高的准确度与更好的泛化性能,且在收敛速度与稳定性方面均有较大优势。
