一种改进解卷积算法在旋转机械故障诊断中的应用(MATLAB)

155 篇文章 1 订阅
119 篇文章 46 订阅

轴承振动是随机振动。在不同的时刻,轴承振动值是不尽相同的,不能用一个确定的时间函数来描述。这是由于滚动体除了有绕轴承公转运动以外,还有绕自身轴线的自旋运动,且在轴承运转时,滚动接触表面形貌是不断变化的,以及外来杂质进入运行区域的不确定性形成的。轴承振动也是宽带振动,其振动能量分布在一个宽带范围内,反映在幅值谱中就是轴承的振动频率范围为零到数万赫兹的连续谱。

当轴承正常时,其振动信号近似服从正态分布,此时信号中非噪声成分主要源于保持架转频和轴频,以及保持架对轴的旋转产生的微弱调制,信号能量在频域分布比较均匀,且各个频率分量的不确定性都较大且比较接近;而当轴承出现故障时,故障冲击将激励系统共振,产生脉冲冲击串,这将改变轴承振动信号的概率分布和能量分布,信号能量就会逐渐集中到故障特征频率(带)上。且随着轴承性能退化,信噪水平增加,信号的频率分布变得越来越规则,轴承振动信号的能量也会更加集中。

当轴承故障时,其原始脉冲冲击信号受随机噪声信号和周期信号干扰,并经过一定的传递路径衰减等因素影响,传感器采集的振动信号往往不能够反映真实的轴承故障信息,为设备故障诊断和状态监测增加了难度。解卷积类算法可以突出信号中的脉冲冲击成分,使得滤波后信号是原来脉冲冲击成分的一个近似。因此,可以认为经解卷积滤波后的信号是一个更加接近于轴承脉冲冲击信号的信号,对该信号做包络谱分析等即可找出轴承故障频率,进而反映轴承的故障类型。而当轴承正常时,轴承的脉冲冲击信号主要为轴的转频成分。经解卷积滤波处理后的信号,其在包络谱中对应的峰值频率为轴的转频,为判断轴承正常提供理论依据。

鉴于此,采用一种改进解卷积算法对旋转机械进行故障诊断,该算法不需要先验知识,效果较好。

function [CoSi, Bm] = CoSiEn(Sig, varargin)


narginchk(1,11)
Sig = squeeze(Sig);


p = inputParser;
Chk = @(x) isnumeric(x) && isscalar(x) && (x > 0) && (mod(x,1)==0);
Chk2 = @(x) isnumeric(x) && isscalar(x) && (x >= 0);
Chk3 = @(x) isnumeric(x) && isscalar(x) && (x > 1) && (mod(x,1)==0);
addRequired(p,'Sig',@(x) isnumeric(x) && isvector(x) && (length(x) > 10));
addParameter(p,'m',2,Chk3);
addParameter(p,'tau',1,Chk);
addParameter(p,'r',.1,@(x) isnumeric(x) && (x > 0) && (x < 1));
addParameter(p,'Logx',2,Chk2);
addParameter(p,'Norm',0,@(x) ismember(x,[0:4]));
parse(p,Sig,varargin{:})
m = p.Results.m; tau = p.Results.tau; r = p.Results.r;
Logx = p.Results.Logx; Norm = p.Results.Norm;


N = length(Sig);
if Logx == 0
    Logx = exp(1);
end
if Norm == 1
    Xi = Sig - median(Sig);
elseif Norm == 2
    Xi = Sig - mean(Sig);
elseif Norm == 3
    Xi = (Sig - mean(Sig))/std(Sig,1);
elseif Norm == 4
    Xi = (2*(Sig - min(Sig))/range(Sig)) - 1;
else
    Xi = Sig;
end
Nx = N-((m-1)*tau);
Zm = zeros(Nx,m);
for n = 1:m
    Zm(:,n) = Xi((n-1)*tau+1:Nx+(n-1)*tau);
end


Num = Zm*Zm'; 
Mag = sqrt(diag(Num));
Den = Mag*Mag';
AngDis = acos(Num./Den)/pi;
if max(imag(AngDis(:))) < (10^-5) %max(max(imag(AngDis))) < (10^-5)
    Bm = sum(sum(triu(round(AngDis,6) < r,1)))/(Nx*(Nx-1)/2);
else
    Bm = sum(sum(triu(real(AngDis) < r,1)))/(Nx*(Nx-1)/2);
    warning('Complex values ignored')
end
if Bm == 1 || Bm == 0
    CoSi = 0;
else
    CoSi = -(Bm*log(Bm)/log(Logx)) - ((1-Bm)*log(1-Bm)/log(Logx));
end
end
代码可通过知乎学术咨询获得:
https://www.zhihu.com/consult/people/792359672131756032?isMe=1

擅长领域:现代信号处理,机器学习,深度学习,数字孪生,时间序列分析,设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。

  • 15
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
### 回答1: 神经网络在转子故障诊断应用历史可以追溯到20世纪80年代,但卷积神经网络的应用相对较新,可以追溯到近年来。以下是关于神经网络在转子故障诊断应用历史的一些重要里程碑: 1. 1988年,Kliman等人首次将神经网络用于转子故障诊断,采用感知器和多层前馈网络。 2. 1993年,Tse和Wang使用反向传播神经网络识别旋转机械设备的故障。 3. 1995年,Chen和Lin利用神经网络识别转子不平衡和轴承故障。 4. 2004年,Liu等人采用基于模糊C均值聚类和支持向量机的神经网络来检测转子故障。 5. 2008年,Zhao等人提出一种基于小波包变换和多层感知器的神经网络方法来诊断转子故障。 6. 近年来,卷积神经网络被广泛应用于转子故障诊断。例如,2017年,Zhang等人提出了一种基于卷积神经网络的方法,用于检测不同类型的转子故障,包括不平衡、轴承故障、齿轮故障等。 总的来说,神经网络在转子故障诊断应用已经得到了广泛的研究和应用,并且随着卷积神经网络等新技术的不断出现和发展,其应用前景也越来越广阔。 ### 回答2: 神经网络尤其是卷积神经网络(CNN)在转子故障诊断应用历史可以追溯到二十世纪80年代。由于传统故障诊断方法存在一定的局限性,如对复杂故障的识别能力不足和对噪声的敏感性等,研究人员开始探索利用神经网络来改善转子故障诊断的准确性。 最早的尝试是将神经网络应用于转子故障诊断,通过训练网络识别不同故障模式所对应的输入信号模式。然而,由于当时计算能力的限制以及数据量不足,这些神经网络模型的表现并不理想。 随着计算机技术的飞速发展,尤其是在二十一世纪,神经网络的应用逐渐得到了提升,卷积神经网络成为了转子故障诊断领域的主角。卷积神经网络提取输入数据的空间特征,能够较好地模拟人类的视觉处理机制,并通过多个卷积层和池化层实现对故障特征的高级抽象和提取。 与传统的故障诊断方法相比,卷积神经网络在转子故障诊断具有以下优势:1)能够对大量复杂数据进行高效处理;2)对噪声和干扰具有较好的鲁棒性;3)能够进行自动的特征提取和学习,无需人工提取特征。 目前,卷积神经网络在转子故障诊断已取得了显著的成果。许多研究表明,用于转子故障诊断卷积神经网络在准确性和鲁棒性上优于传统方法。此外,还有一些研究将卷积神经网络与其他机器学习方法相结合,以进一步提高转子故障诊断的性能。 综上所述,卷积神经网络在转子故障诊断应用历史可以追溯到上世纪80年代,通过利用神经网络的特点来改善传统故障诊断方法的准确性和鲁棒性。随着计算机技术的进步,卷积神经网络在转子故障诊断应用已经取得了显著的进展,并为转子故障诊断领域的发展带来了新的机遇。 ### 回答3: 神经网络是一种模仿人脑神经系统的计算模型,它通过模拟人脑神经元之间的连接和信息传递来实现对数据的处理和学习能力。神经网络广泛应用于图像识别、语音识别、自然语言处理等领域。 卷积神经网络是一种特殊类型的神经网络,它在处理二维图像时具有很强的优势。卷积神经网络通过使用卷积层、池化层等结构来提取图像的特征,然后将提取的特征输入到全连接层进行分类和识别。这种网络结构非常适合处理图像数据,因此在计算机视觉领域得到了广泛应用。 转子故障诊断是指通过检测和分析转子设备(如电机、发动机、风机等)的工作状态和性能,判断其是否存在故障或异常。卷积神经网络在转子故障诊断应用可以追溯到20世纪90年代末和21世纪初。 早期的转子故障诊断方法主要依赖于专家经验和传统的信号处理技术。然而,这些方法往往需要大量的人工特征提取和手动判断,不仅耗时耗力,而且易受主观因素的影响,诊断精度有限。 随着深度学习和神经网络的兴起,卷积神经网络逐渐应用于转子故障诊断。通过将传感器采集到的转子振动信号、声音信号等转换成图像数据,然后利用卷积神经网络进行特征提取和分类,可以实现自动化的转子故障诊断卷积神经网络不仅可以从数据学习到更多的特征信息,还可以自动调整网络的参数,提高诊断的准确性和稳定性。 目前,卷积神经网络已经成功应用于转子故障诊断的许多领域,如电动机的绕组故障、轴承故障和齿轮故障等。随着硬件设备的性能提升和神经网络算法的不断改进卷积神经网络在转子故障诊断应用前景仍然非常广阔。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

哥廷根数学学派

码字不易,且行且珍惜

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值