基于小波包Tsallis熵和FCM的滚动轴承性能退化评估

鉴于小波包Tsallis熵和模糊C均值(FCM)的优点,提出了一种将两者相结合的滚动轴承性能退化评估方法。该方法首先提取正常数据和失效数据的小波包Tsallis熵,并利用FCM建立性能退化评估模型。然后提取待测数据的小波包Tsallis熵,并以待测数据隶属于失效状态的程度作为轴承性能退化中的定量评估指标,同时设定了早期故障阈值。实验分析表明,与基于小波包熵和FCM的评估方法相比,该方法得到的评估指标能更及时地发现早期故障,对噪声的鲁棒性也更强,且其变化范围为[0,1],可解释性强。     

基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别

滚动轴承在长期的工作过程中其性能会出现不同程度的退化,如果能对滚动轴承的退化状态进行识别就可以做好维护措施。用自回归模型(Autoregressive model, AR)对滚动轴承全寿命周期的振动信号提取其系数及残差,用正常样本和失效样本特征建立模糊C均值模型(Fuzzy C Mean, FCM),用轴承正常样本的特征数据建立隐马尔科夫(Hidden Markov model, HMM)模型,将轴承的测试样本信号输入建立的FCM和HMM模型得到的两个退化指标,再将其作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线,结果表明该方法集中了空间统计距离模型和概率统计模型两者的优势,最后用IEEE PHM2012实验数据进行验证,表明所述方法与滚动轴承性能退化趋势保持一致并且可以提早发现早期故障。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,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。     

基于改进模糊熵和灰关系的滚动轴承性能退化评估

针对模糊熵在提取滚动轴承性能退化特征时敏感度较低的问题,提出了一种基于类Sigmoid函数的改进模糊熵,并将其用于滚动轴承退化特征提取.针对传统的滚动轴承性能退化评估方法局部化的问题,提出了一种基于灰关系的滚动轴承性能退化评估方法,该方法使用灰关系理论评估提取的滚动轴承退化特征与可靠性之间的关系,从而达到从滚动轴承可靠...     

基于DBN-SVDD的滚动轴承性能退化评估方法

针对现有性能退化评估方法需要人工经验筛选特征指标,难以获取轴承故障状态下振动信号的问题,提出了一种基于深度置信网络(DBN)和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法.该方法以滚动轴承正常状态下的归一化幅值谱作为DBN的输入,利用DBN中的RBM构建特征自动提取模型,通过SVDD构建评估模型.使用不...     

滚动轴承早期性能退化评估技术研究

为了解决轴承早期性能退化时信噪比低,特征提取和早期性能退化评估困难这一难题,本文采用盲源分离的方法分离轴承振动信号的干扰,将盲源分离后轴承振动信号的峭度值作为轴承性能评估的敏感特征,利用动态模糊神经网络建立轴承的早期性能退化模型。根据盲源分离后,早期性能退化时轴承振动信号的峭度值增加,可作为轴承早期性能退化评估的敏感特征。计算结果表明,盲源分离使得振动信号的峭度对轴承的性能状态更加敏感,轴承性能退化评估结果准确,具有重要的工业实用价值。     

基于融合FCM-SVDD模型的滚动轴承退化状态识别

针对滚动轴承在长期工作过程中性能会出现不同程度的退化,提出一种融合FCM-SVDD模型的方法。利用自回归模型(AR)对轴承全寿命周期数据进行特征提取,再将提取的特征参数经过归一化处理后,用正常和失效样本特征建立模糊C均值(FCM)模型,用正常样本的特征数据建立支持向量数据描述(SVDD)模型,再将测试样本特征输入建立的FCM和SVDD模型得到的两个退化指标,将得到的退化指标作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线。描绘性能退化曲线,并对信号进行包络谱分析,验证初始故障位置。结果表明该方法对轴承初始故障点更加敏感,退化趋势更加明显,利用美国辛辛那提大学智能维护中心的轴承全寿命周期数据验证该方法的有效性和优越性。     

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...     

滚动轴承性能退化趋势预测综述

滚动轴承作为旋转机械的重要零部件之一,其在工业中占有重要的地位,其可靠性直接影响设备能否安全、稳定运行.文章首先阐述了滚动轴承性能退化趋势预测的研究意义;接着梳理了滚动轴承性能退化趋势预测中关键难点性能退化指标构建对故障特征提取、降维和融合方法,然后进行了有效的性能退化趋势预测模型分类.最后,对滚动轴承性能退化趋势预测...     

基于支持向量机的滚动轴承性能退化评估方法

由于损伤积累,轴承的性能会逐渐退化,为准确地评估滚动轴承性能退化状态,提出了一种基于支持向量机和小波包分解的方法。并利用具有不同故障程度的滚动轴承的振动信号,对该方法进行了验证。评估结果表明,该方法可以准确地评估轴承的性能退化程度。     

基于多域特征与高斯混合模型的滚动轴承性能退化评估

视情维修可避免维修不足与维修过剩等问题,滚动轴承性能退化程度量化评估是实现视情维修的基础。提取滚动轴承早期无故障振动信号的时域、频域特征构建多域特征矢量,建立无故障轴承高斯混合模型(GMM)。将轴承后期振动信号的多域特征矢量输入该GMM模型,得到测试样本与无故障样本之间的量化相似程度,以此建立多域对数似然概率(MDLLP)值作为滚动轴承性能退化定量指标。MDLLP的取值上限为1,便于实际使用中确定轴承性能退化状态。轴承疲劳试验表明,该方法能及时发现轴承早期故障,并能很好地跟踪故障发展趋势,最优特征的选择与变换对评估效果具有较大影响。     

基于流形学习的滚动轴承故障盲源分离方法

滚动轴承的故障信号是一种典型的非线性非平稳信号,其信号中常常混有噪声信号及其他干扰成分。提出了一种基于流形学习的滚动轴承故障盲源分离方法,首先,利用经验模态分解(empirical mode decomposition,简称EMD)对单通道模拟信号进行分解,对得到的多通道信号构造其协方差矩阵,计算矩阵的奇异值下降速比得到原始信号数目;其次,利用峭度等指标选择最优观测信号,利用核主成分分析(kernel principal components analysis,简称KPCA)提取信号的流形成分;最后,利用快速独立成分分析(fast independent component analysis,简称Fast ICA)还原得到源信号。该方法不但解决了故障信号的欠定盲源分离问题,还提出了最优观测信号的确定准则,并通过实例验证了方法的有效性。     

滚动轴承性能退化静电监测方法及试验

采用静电方法对滚动轴承进行在线监测以及退化评估的研究。在滚动轴承寿命强化试验机平台上,使用自研磨损区域静电传感器对滚动轴承进行在线监测,通过多组试验采集得到滚动轴承磨损静电信号,在对滚动轴承磨损过程静电产生机理分析的基础上,进行静电信号的特征提取,通过加速疲劳全寿命周期试验进行滚动轴承性能退化评估,并与振动信号与温度信号进行对比验证。研究结果表明,磨损区域静电监测技术可以实现滚动轴承性能退化的在线监测,该研究是机械系统在线监测以及故障诊断和预测的重要组成部分,并为仪器实现产品化奠定了基础。     

基于模糊综合评判法的滚动轴承性能评价

为了全面评价滚动轴承的各项性能指标,建立了滚动轴承综合性能的评价指标体系,采用专家估值法确定了轴承各项性能指标的权重系数.以某种轴承为对象,给出了运用二级模糊综合评判法对其各项性能指标进行评价的结果,模糊综合评判法可为用户合理地选择轴承型号提供参考.     

广义精细复合多尺度样本熵与流形学习相结合的滚动轴承故障诊断方法

针对滚动轴承故障特征提取困难的问题,提出了一种广义精细复合多尺度样本熵(GRCMSE)与流形学习相结合的特征提取方法。利用GRCMSE提取滚动轴承故障特征信息;采用判别式扩散映射分析(DDMA)方法对高维特征进行降维处理;将低维故障特征输入粒子群优化支持向量机多故障分类器中进行故障识别。滚动轴承故障实验分析结果表明:GRCMSE特征提取效果优于多尺度样本熵(MSE)、精细复合多尺度样本熵(RCMSE)和广义多尺度样本熵(GMSE); DDMA降维效果优于等度规映射(Isomap)和局部切空间排列(LTSA)的降维效果;GRCMSE和DDMA相结合后的滚动轴承故障识别精度达到100%。     

基于流形学习与一类支持向量机的滚动轴承早期故障识别方法

提出了一种基于流形学习与一类支持向量机的轴承早期故障识别方法。首先提取轴承信号的时域参数构成原始特征样本空间;然后采用基于拉普拉斯特征映射算法(Laplacian eigenmap,LE）的流形学习方法对特征样本进行特征压缩,提取出敏感的故障特征;最后采用一类支持向量机对各状态实现分类识别。利用实测的滚动轴承故障数据对算法进行了验证,并将LE方法与主成分分析（PCA）方法进行了比较,
结果证明该方法可行。     

基于流形-奇异值熵的滚动轴承故障特征提取

提出一种基于流形-奇异值熵的滚动轴承时频故障特征提取方法。首先,在HHT(Hilbert-Huang transform,简称HHT)时频分析基础上,应用二维流形方法提取信号流行成分以达到对轴承故障特征进行降维和提取敏感参量的目的;然后,定义了奇异值熵来定量衡量不同故障状态下流行成分的差异;最后,将流形奇异值向量与概率神经网络相结合,有效实现了轴承故障样本分类。与一般的考虑欧式空间全局范围最优值的主分量(principal component analysis,简称PCA)方法及以向量为研究对象的一维流形方法不同,该方法直接以二维信息为研究对象,避免了一维流形算法需将二维信息转化为向量带来的信息损失,与PCA方法相比更能发现隐藏在高维数据流形结构中的局部数据特征。工程信号分析验证了该方法的有效性,为准确提取滚动轴承故障特征提供了一种可靠手段。