基于决策融合的直驱风力发电机组轴承故障诊断

基于振动信号时域、频域和包络谱等多源特征,采用决策融合方法构建了直驱风力发电机组轴承故障诊断模型。对直驱风力发电机组主轴轴承经常发生的外圈故障、内圈故障、滚动体故障以及正常运行4种状态进行了实验研究。选取具有较高故障区分度,适合风电机组轴承故障诊断的特征参数。以风电机组振动信号的时域特征、频域特征和包络谱频域特征为诊断样本,使用灰色关联分析方法对机组轴承故障进行初步诊断,然后用证据融合理论对不同证据进行决策信息融合,从而获得最终诊断结果。实验结果表明,该方法能较好地识别风力发电机组轴承故障。     

基于滑动峭度法和Teager能量谱的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种基于滑动峭度法和Teager能量谱的滚动轴承故障特征提取方法。该方法首先对原始振动信号进行滑动峭度计算,获得一个反应冲击信号偏离高斯分布的峭度时间序列,然后通过计算该峭度时间序列的Teager能量谱识别轴承故障特征频率及其倍频成分。应用该方法分析了滚动轴承模拟信号和实测信号,准确诊断出滚动轴承元件故障,证明了该方法的有效性。     

基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。     

风力发电机轴承故障包络谱扫频分析诊断

为提升风力发电机轴承故障诊断的准确性和效率,本文提出了包络谱扫频分析法,该方法通过扫频,将包络谱中的振动信号变换到扫频谱,然后利用故障信号在包络谱中的形态特征过滤干扰频率,最终突显代表故障的周期性冲击信号,实现对风力发电机轴承故障的准确快速诊断。实际诊断结果表明,包络谱扫频分析法能够准确快速地诊断风力发电机轴承典型故障。该方法可作为传统故障诊断方法的有效补充,不仅适用于风力发电机轴承故障诊断,也适用于其他设备滚动轴承的故障诊断。     

基于变分模态分解和1.5维谱的轴承早期故障诊断方法

提出了基于变分模态分解(VMD)和1.5维谱的滚动轴承早期故障诊断方法。利用VMD方法处理故障信号时,需要预先设置分解所得本征模态函数(IMF)分量的个数,且为了便于后续分析,需要从所得结果中筛选出最佳信号分量,为此提出一种分量峭度图方法来同时解决这2个问题。首先,设置IMF分量个数最大值,计算相应的分量峭度图;接着,根据分量峭度图对原故障信号进行VMD处理,并选定最佳IMF分量;然后,对最佳IMF分量做进一步包络解调运算,并计算包络信号的1.5维谱;最后,通过分析1.5维谱中幅值突出的频率成分可实现故障类型的准确判定。模拟信号及实测信号分析结果表明,所提的基于VMD和1.5维谱的诊断方法能够有效提取出轴承早期故障信号中的微弱特征信息,实现轴承早期故障的准确判别。     

基于ESMD和快速谱峭度的电机轴承故障诊断

针对复杂工况下电机轴承故障特征不明显的问题,提出了一种基于极点对称模态分解算法(Extreme-pointSymmetric Mode Decomposition,ESMD)与快速谱峭度联合分析的电机轴承故障诊断方法。首先将复杂故障信号进行ESMD分解得到若干模态分量(Intrinsic Mode Function,IMF)分量,利用信息熵与相关性选取有效IMF并由其信息熵确定信号重构的权重;利用快速峭度图自适应的确定带通滤波器的最佳滤波频带,对重构信号进行带通滤波;然后解调滤波信号分析,从平方包络谱中提取出相应故障的特征频率。最后通过试验分析表明,该方法可对故障信号进行有效降噪并提取出电机轴承故障特征,诊断出故障类型。     

基于VMD与快速谱峭度的滚动轴承故障诊断

针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法。首先将轴承信号分解为若干个固有模态分量(IMF),然后利用最大相关峭度解卷积算法对各阶模态分量进行计算,选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象,并对其进行快速谱峭度分析;最后根据快速谱峭度图结果设置滤波频率,对滤波信号进行平方包络谱分析得到轴承的故障特征信息。通过公开数据和实验分析表明了该方法可以成功诊断轴承故障。     

CEEMDAN与改进形态差值滤波结合的滚动轴承故障诊断

受电机所处工作环境中诸多因素的影响,轴承故障振动数据通常会混杂大量噪声,使得故障特征被无效噪声信息所淹没。为了将轴承故障冲击特征信息从含噪信号中提取出来,提出了一种CEEMDAN与改进形态差值滤波结合的故障诊断方法。在诊断初始阶段利用CEEMDAN对故障信号加以处理,得到相应的固有模态函数(IMF);用归一化互信息及峭度值作为评判标准,筛选所需的IMFs分量信号,并以此为基础完成信号重构;利用改进形态差值滤波实现对重构信号的去噪处理;求取处理后的信号频谱并加以探究,提取故障特征信息,完成对故障的有效诊断。由实例验证结果可知,该方法可在背景噪声干扰下对故障特征频率进行较好的定位,能够作为滚动轴承故障诊断的有效方法。     

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

基于声发射信号的行星轮轴承内圈故障包络分析方法

行星轴承因独特的行星运动,造成其振动信号传递路径具有时变性。同时,行星齿轮箱内多振源耦合,频率成分复杂,而行星轴承故障对应振动信号较弱,往往被较强的非轴承相关信号掩盖。目前,对于行星轴承进行故障特征提取大多基于振动信号进行分析,但由于振动信号频率范围不广,低频范围内受到干扰较多,得到的分析结果不理想。近来研究表明,相较于振动信号,声发射信号对故障更加敏感,频率信息清晰,能够更好的屏蔽噪声及其他低频干扰成分。基于以上优点,提出一种基于声发射信号的行星轮轴承内圈故障包络分析方法。首先,采集得到行星轴承内圈故障声发射信号,利用声发射信号频率高的特点,以快速谱峭度算法为基础,屏蔽可能混入干扰的相对较低频段,自适应选取声发射信号能覆盖的高频段共振带进行包络分析,实现对行星轴承的故障特征提取。通过试验对比振动信号与声发射信号的分析结果,验证了所提方法的有效性。     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂，轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题，提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先，利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）；然后计算重构后的信号的排列熵，归一化后作为特征向量；最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率，平均故障诊断准确率达到98.63%。     

基于特征融合与 ResNet 的行星齿轮箱故障诊断

针对行星齿轮箱振动信号相互耦合和故障诊断不准确等问题,提出一种基于特征融合与深度残差网络(ResNet)的行星齿轮箱故障诊断方法。首先,对采集到的行星轮裂纹、磨损,太阳轮断齿及复合故障等模拟故障振动信号应用多维集成经验模态分解(MEEMD)和VMD进行分解,分别筛选确定有效分量。然后,将筛选出的有效特征进行融合,分别应用传统卷积神经网络(CNN)和深度残差网络对其进行分类识别。结果发现,深度残差网络,分类准确度更高,可达95%以上。最后,应用深度残差对特征融合前后数据的分类准确度进行了比较。融合前准确度最高只达91.16%,低于融合的97.18%。可见,该方法对行星齿轮箱耦合振动信号的处理和故障诊断非常有效。     

基于卷积神经网络的变压器有载分接开关故障识别

为进一步提高变压器有载分接开关(OLTC)故障识别的精度,从OLTC切换过程中振动信号递归图的纹理特征出发,提出了一种基于卷积神经网络(CNN)的变压器OLTC故障识别方法。首先根据OLTC振动信号的相空间分布,基于相点距离映射构建了OLTC振动信号的距离映射递归图(DMRP),然后通过合理选取CNN的网络层数、卷积核尺寸等结构超参数和对卷积核进行降维处理,提出了基于CNN的OLTC故障识别模型。对某CM型OLTC正常与典型故障下振动信号的计算结果表明,DMRP能自适应地对振动信号的相空间相点分布进行描述,所提出的识别模型对OLTC的典型故障均具有良好的识别性能,尤其在轻微故障的识别上相比于现有方法准确率提升了至少10%。     

基于 tSNE-ASC 特征选择和 DSmT 融合决策的 滚动轴承声振信号故障诊断

针对滚动轴承早期故障特征微弱且难以有效辨识的问题,提出一种基于tSNE-ASC特征选择和DSmT融合决策的滚动轴承声振信号故障诊断方法。利用多个传感器采集轴承在不同故障模式下的声振信号,将每个信号通过VMD分解得到K个IMF分量;对各个IMF分量进行特征提取,构建各个特征的数据集矩阵;利用tSNE将各特征数据集矩阵降维至二维,计算平均轮廓系数(ASC);根据ASC大于临界值提取出声振故障信号的敏感特征;基于诊断模型实现轴承故障的初级诊断;利用DSmT将声振信号初级诊断结果进行融合决策,得出最终的诊断结论。实验结果表明：基于tSNE-ASC的特征选择方法能有效提取混合域特征中的敏感特征,在不同工况、不同诊断模型中均具有很高的诊断精度;DSmT决策融合有效降低了单一信号诊断的不确定性,在变载荷和升降速非平稳工况下均有很高的诊断精度。     

基于FastICA-BAS-MCKD的滚动轴承复合故障特征提取方法

针对强背景噪声下轴承复合故障特征难以分离提取的问题,提出了一种基于快速独立成分分析-天牛须-最大相关峭度 解卷积算法(FastICA-BAS-MCKD)的滚动轴承复合故障特征提取方法。 首先,引入 FastICA 对滚动轴承多通道故障信号进行盲 源分离;其次,利用 BAS 算法同步优化 MCKD 算法的解卷积周期 T、滤波器长度 L 和移位数 M,构建基于 BAS-MCKD 的滚动轴 承振动信号自适应分析方法;然后,应用 BAS-MCKD 方法处理分离后的信号,实现分离信号的降噪和特征增强;最后,应用希尔 伯特解调方法对 MCKD 处理后的信号进行包络谱分析,实现滚动轴承不同类型故障的识别。 仿真和实测信号的分析结果表 明,所提方法能清晰地从复合故障信号中提取出单一故障特征频率,为滚动轴承复合故障特征提取提供了一种有效的解决 方案。     

基于COT-SSD的变转速滚动轴承微弱故障诊断

针对背景噪声干扰及转速波动工况下滚动轴承微弱故障识别困难这一问题,提出一种结合计算阶次追踪(COT)和奇异谱分解(SSD)的新型诊断方法。利用COT算法对采集的原始时域信号进行等角度重采样,继而利用SSD算法对重采样角域信号进行处理,通过自适应构建的轨迹矩阵的奇异值分解重组,将角域信号从高频至低频分解为若干个奇异谱分量,利用融合峭度指标筛选最佳奇异谱分量,选定最佳分量后对其进行进一步的包络解调运算,最终通过分析包络阶次谱中幅值突出的成分来准确判定滚动轴承运行状态。滚动轴承内外圈故障实测信号分析结果表明,所提方法能够有效提取出变速工况下滚动轴承的微弱故障特征信息。     

基于VMD与自相关分析的滚动轴承故障特征提取

滚动轴承故障信号多呈现非平稳、多分量调制特性,早期故障信号调制特性微弱、易受周围设备噪声干扰,导致轴承早期故障特征淹没在噪声信号中,故障特征难以提取。为此,提出一种变分模态分解(variational mode decomposition,VMD)与自相关分析相结合的轴承故障特征提取方法。首先利用自相关分析消除故障信号中噪声干扰,提取周期成分;然后再用VMD算法将消噪信号分解成若干本征模态分量(intrinsic mode function,IMF),运用能量算子对相关系数及峭度值较大分量进行解调分析;最后通过能量解调谱来判别滚动轴承故障类型。将该方法应用到滚动轴承仿真故障数据和实测数据中,结果表明,该方法可降低了噪声的干扰,有效提取故障特征频率,能够实现滚动轴承故障的精确诊断。     

广义形态差值滤波与AN降维在故障诊断中的应用

由于轴承与设备其他内部构件之间存在强关联耦合关系,导致其振动信号与设备状态存在非线性关系;且信号单一特征难以全面描述设备状态,而多特征虽然包含较多状态信息,但高维特征所产生的信号冗余问题,易导致模型分类精度的下降.因此,提出一种基于广义形态差值滤波(GDIF)与自编码网络(AN)的滚动轴承故障诊断方法.该方法利用广义形态差值滤波对振动信号进行降噪处理,并通过极大似然估计(MLE)与AN从信号的高维特征中获取低维本质流形,缓解高维特征存在的维数灾难问题;最后,建立极限学习机(ELM)故障诊断模型,对轴承故障类型进行识别。轴承试验结果表明,该方法能够有效对信号进行降噪;通过AN对特征进行维数约简,能够使ELM模型分类精度达到98.04%。