基于自适应局部迭代滤波和模糊C均值聚类的滚动轴承故障诊断方法

为准确提取滚动轴承振动信号的故障特征,并对不同状态信号进行划分,提出了一种基于自适应局部迭代滤波(ALIF)和模糊C均值(KFCM)聚类的滚动轴承故障诊断方法。首先,将多模态信号自适应分解为多阶单一模态分量;然后,结合相关系数提取出含有最多故障特征信息的最优分量,计算其近似熵值并构建特征向量矩阵;最后,将得到的特征向量输入KFCM得到聚类结果。试验结果表明,与基于EMD,EEMD和KFCM聚类,以及ALIF和FCM聚类的方法相比,ALIF和KFCM方法的分类系数更接近1,平均模糊熵更接近0,聚类效果更好,对滚动轴承各类故障信号具有很高的识别度和良好的分类效果。     

基于ITD模糊熵和GG聚类的滚动轴承故障诊断

提出了一种本征时间尺度分解模糊熵和GG模糊聚类的滚动轴承故障诊断方法。首先,将滚动轴承的振动信号进行ITD分解,得到若干个固有旋转分量和一个趋势项。然后,将PR分量分别与原始信号进行相关性分析,筛选出前3个含主要特征信息的PR分量,并将筛选的PR分量的模糊熵作为特征向量。最后,将特征向量输入到GG分类器中进行聚类识别。通过模糊熵、样本熵和近似熵对比,实验结果表明模糊熵能更好的表征故障信号的特征信息;通过GG聚类、GK 聚类和FCM聚类对比,实验结果表明GG聚类效果明显优于FCM、GK的聚类效果。因此,实验证明了基于ITD模糊熵和GG聚类的滚动轴承故障诊断方法的有效性和优越性。     

SPA散布熵和GK聚类相结合的滚动轴承故障诊断

为充分利用振动信号的特征信息进行故障辨识,提出一种平滑先验分析(SPA)散布熵和GK聚类相结合的滚动轴承故障诊断方法.首先对滚动轴承振动信号进行SP A分解得到趋势项和波动项;然后分别计算趋势项和波动项的散布熵值构建特征向量;最后将特征向量输入至GK分类器中进行聚类识别.将该方法应用到不同工况下的滚动轴承实验数据中,分析结果表明,与传统的基于经验模态分解(EMD)散布熵和GK聚类的故障诊断方法相比,所提方法能够更加准确地实现轴承的故障判别.     

基于监督拉普拉斯分值和主元分析的滚动轴承故障诊断

在拉普拉斯分值(Laplaian score,LS)方法的基础上,提出一种监督拉普拉斯分值(Supervised laplaian score,SLS)特征选择方法。该方法同时考虑数据的标号信息和局部几何结构,避免LS方法中要设定近邻图参数的问题。将SLS和主元分析(Principal component analysis,PCA)相结合,提出基于SLS和PCA的滚动轴承故障诊断方法。该方法在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征矢量;利用SLS进行特征选择,形成故障特征矢量;再对特征矩阵进行PCA降维处理,并用K近邻(K-nearest neighbor algorithm,KNN)分类算法实现滚动轴承不同故障类型的识别。应用实例表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障,且故障分辨率优于基于LS和PCA的故障诊断方法。     

局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。     

复合层次模糊熵及其在滚动轴承故障诊断中的应用

针对样本熵和多尺度熵中相似性度量函数的突变问题,及它们在分析时间序列复杂性时捕捉不到高频组分信息的局限,提出了一种新的时间序列的复杂性度量方法--复合层次模糊熵(CHFE)。为了有效地提取滚动轴承早期故障特征,提出了一种基于CHFE、拉普拉斯分值和支持向量机的滚动轴承故障诊断方法。首先,提取振动信号的CHFE值;其次,采用拉普拉斯分值对特征向量进行降维优化;再次,建立基于支持向量机的多故障分类器,实现滚动轴承的故障诊断;最后,将该方法应用于实验数据分析,结果验证了方法的有效性。     

基于数学形态学和模糊聚类的旋转机械故障诊断

提出了一种数学形态学与GG (Gath-Geva)模糊聚类相结合的旋转机械故障诊断方法,通过对滚动轴承信号的多尺度形态运算得到信号的形态谱,定量反映了信号在不同尺度下的形态变化特征.为进一步对滚动轴承信号进行故障识别,提取出基于形态学操作的分形维数和描述不同信号形态特征的指标即形态谱墒,并把这2个参数作为GG聚类的故障特征向量,进行聚类分析,同时对GG聚类与FCM(fuzzy center means)聚类和GK (Gustafaon-Kessel)聚类进行了比较.实验证明了基于数学形态学与GG聚类相结合的机械故障诊断方法的有效性,且证明了GG聚类更适合对不同形状、大小和密度的空间故障数据模糊聚类,聚类效果更好.     

一种ELMD模糊熵和GK聚类的轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳、非线性特性,采用一种基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)模糊熵和GK(Gustafson-Kessell)聚类的滚动轴承故障诊断方法。首先通过对滚动轴承故障振动信号进行ELMD分解,得到若干的乘积函数(Product Function,PF)分量和一个残差。然后,通过PF分量和原始轴承故障信号的相关性分析,选取与原始信号相关性最大的PF分量,并求取PF分量的模糊熵值作为特征向量。最终,通过GK聚类对所得的特征向量进行识别分类。通过对滚动轴承正常状态、内圈故障、滚动体故障和外圈故障的轴承四种状态分析表明,基于ELMD模糊熵和GK聚类的方法能够准确有效的对轴承故障状态进行分类识别。     

VMD奇异值和FCM的转子故障特征提取与识别

为了准确、有效地提取转子故障特征,提出了变分模态分解(VMD)和奇异值特征提取的方法,并采用模糊C均值聚类(FCM)进行转子故障识别。首先,利用分解精度高、模态混叠问题少的VMD算法进行振动信号分解,形成初始特征向量矩阵,然后对该向量矩阵进行奇异值分解,将求得奇异值作为故障特征向量,最后通过模糊C均值聚类形成聚类中心,并计算海明贴近度以实现不同工况下的转子故障分类。将此方法进行转子实验台振动数据验证,实验结果表明:该方法能够有效实现不同工况下转子故障信号的区分,取得了理想的故障诊断结果。     

变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法

提出了一种变分模态分解消噪与核模糊C均值聚类相结合的滚动轴承故障识别方法。首先,对实测振动信号进行处理,得到VMD的参数;然后,对信号进行VMD分解,得到一系列限带内禀模态函数(BIMF)分量,筛选并叠加组成重构信号;第三步,计算重构信号的样本熵和均方根值作为特征向量,从而得到训练样本和测试样本的特征向量集;第四步,通过KFCM聚类方法对训练样本特征向量集进行聚类分析,得到四种类型信号的聚类中心;最后根据测试样本特征向量与训练样本聚类中心欧式距离最小的原则识别故障类型。此外,将振动信号用经验模态分解(EMD)方法进行消噪,再用KFCM聚类进行分类识别,将两种方法的识别效果进行对比,结果表明所提方法的故障识别效果要优于EMD消噪和KFCM聚类相结合方法的识别效果。     

基于路图拉普拉斯算子范数和马氏距离的滚动轴承故障诊断

为有效提取滚动轴承振动信号的故障特征,将图信号处理技术引入故障诊断领域。首先根据滚动轴承振动信号构造路图,获得路图信号;再将计算得到的路图拉普拉斯算子范数作为特征参数,构造不同故障的标准特征空间;最后通过测试样本与标准特征空间的马氏距离实现不同故障模式的识别。实测滚动轴承振动信号的分析结果表明,该方法能有效诊断轴承故障。     

基于威布尔与模糊C均值的滚动轴承故障识别

提出一种基于威布尔分布与模糊C均值(fuzzy C-means,FCM)聚类算法相结合的滚动轴承故障识别方法。针对不同故障类型的威布尔分布模型的尺度参数、形态参数和威布尔负对数能够较好地刻画轴承运行的状态特性,提取其尺度、形态和威布尔负对数似然函数等3个参数构建表征轴承运行状态的特征向量。模糊C均值根据样本相对于聚类中心的隶属度确定样本的亲疏程度而实现分类。实验中,首先采用组合形态滤波器对滚动轴承原始信号进行降噪,然后建立威布尔分布模型,将提取的特征向量输入模糊C均值分类器进行故障诊断和识别。结果表明,该方法对机械故障诊断识别准确率高,可以作为滚动轴承故障识别的重要手段。     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。     

A rolling bearing fault diagnosis strategy based on improved multiscale permutation entropy and least squares SVM

A novel rolling bearing fault diagnosis strategy is proposed based on Improved multiscale permutation entropy (IMPE), Laplacian score (LS) and Least squares support vector machine-Quantum behaved particle swarm optimization (QPSO-LSSVM). Entropy-based concepts have attracted attention recently within the domain of physiological signals and vibration data collected from human body or rotating machines. IMPE, which was developed to reduce the variability of entropy estimation in time series, was used to obtain more precise and reliable values in rolling element bearing vibration signals. The extracted features were then refined by LS approach to form a new feature vector containing main unique information. By constructing the fault feature, the effective characteristic vector was input to QPSO-LSSVM classifier to distinguish the health status of rolling bearings. The comparative test results indicate that the proposed methodology led to significant improvements in bearing defect identification.     

基于双谱分析的滚动轴承故障模式识别

当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性信号。本文对高阶统计量方法用于滚动轴承故障特征提取进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法。利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位信息的双谱特征图谱。研究表明,双谱图谱可以有效地监测滚动轴承工作状态的模式,因而可以快速地识别滚动轴承不同的故障特征。     

改进多线性主成分分析网络及其在滚动轴承故障诊断中的应用

针对实测滚动轴承振动信号通常存在噪声干扰,具有非线性和非平稳特性,而多线性主成分分析网络(MPCAnet)在处理复杂非平稳数据时存在非线性拟合能力差、特征聚类性一般的问题,通过引入核变换,提出了一种改进的多线性主成分分析网络,增大了训练样本间的差异度,进一步提高了MPCAnet在处理非线性数据时的泛化能力和分类精度.通...     

路图傅里叶变换及其在滚动轴承故障诊断中的应用

图信号处理(Graph signal processing, GSP)是由谱图理论发展起来的新研究领域。图傅里叶变换(Graph Fourier transformation, GFT)是图信号关于图拉普拉斯矩阵特征函数的展开,也是GSP的基础。对路图的GFT进行分析,发现GFT得到的特征值谱与经典的傅里叶变换(Fourier transformation, FT)频谱有一一对应关系,同时,特征值谱的幅值与特征矢量也有对应关系。将GFT引入滚动轴承故障诊断,提出基于GFT特征提取和K-均值聚类的滚动轴承故障诊断方法。该方法先用GFT将滚动轴承的路图信号变换到特征值谱域;再计算特征值谱的统计量作为故障特征;最后运用K-均值聚类分类器识别滚动轴承的故障类型。对实际轴承振动信号的分析结果表明,基于GFT和K-均值聚类的故障诊断方法能准确有效地识别滚动轴承故障。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

基于双时域微弱故障特征增强的轴承早期故障智能识别*

针对轴承早期微弱故障难以准确识别的问题,提出一种基于双时域微弱故障特征增强的轴承早期故障智能识别方法。利用广义S变换和Fourier逆变换推导出一种双时域变换,将轴承振动信号变换为双时域二维时间序列。根据双时域变换的能量分布特点,提取二维时间序列的主对角元素以构建故障特征增强的时域振动信号。仿真信号和轴承故障信号分析验证了双时域微弱故障特征增强的可行性和有效性。采用脉冲耦合神经网络和支持向量机对增强后的轴承信号进行时频特征参数提取和智能识别,平均识别精度达到了95.4%。试验结果表明所提方法能有效提高轴承早期故障的智能识别精度。