基于一种简单时域方法的滚动轴承性能退化评估

滚动轴承是一种最常用的机械设备,其性能退化评估是实现CBM(视情维修)的基础。但要找到一种具有可靠性好、效率高和故障预警早的滚动轴承监测系统是一个重大的挑战。提出了一种简单新颖的轴承性能退化评估时域方法,并将其运用于在滚动轴承故障模拟试验和全寿命测试实验,两种实验结果都表明:所提出方法能够清晰地描述故障程度变化趋势并能检测早期故障。     

基于时间编码信号处理与识别的滚动轴承性能退化程度评估

滚动轴承是最常见的机械设备之一,对其进行性能退化评估是实现视情维修的基础。近年来滚动轴承监测技术已经取得了一定的成果,但找到一个能够对轴承故障进行早期预警且具有可信度高、高效率的监测系统是一大挑战。提出了一种基于时间编码信号处理与识别(TESPAR)的设备性能退化评估方法,并将其运用于滚动轴承不同故障程度实验与全寿命实验。结果表明:TESPAR分析不仅能准确分辨不同故障程度,且对轴承故障的变化具有敏感性。     

基于改进VMD-EWT联合降噪的滚动轴承早期故障检测

针对采集到的滚动轴承早期故障振动信号因故障特征微弱而导致难以检测的问题，提出一种基于改进的变分模态分解(VMD)和经验小波变换(EWT)联合降噪的滚动轴承早期故障检测方法。首先，利用改进包络谱有效边界划分方法(IEPEFP)确定VMD和EWT的分解分量个数，利用改进分解模态数目选择方法(IDMNS)对VMD的主要分量进行叠加从而完成初次降噪；其次，对初次降噪后的信号进行EWT分解，利用IDMNS对主要分量进行叠加进而完成二次降噪；最后，对降噪后的信号进行包络谱分析，从而实现滚动轴承早期故障检测。通过轴承加速寿命试验数据集进行试验验证，结果表明提出方法可有效提取滚动轴承早期微弱故障特征，准确检测轴承早期故障，具有一定的工程参考价值。     

基于KECA和BO-SVDD的滚动轴承早期故障检测

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析（KECA）和贝叶斯优化（BO）算法优化支持向量数据描述（SVDD）的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测,结果表明：KECA能够有效地提取特征信息,减少冗余信息的干扰;该模型整体上能够较早检测出故障的发生,并且有较好的鲁棒性和泛化能力。     

基于SGMD敏感参数和KFCMC的滚动轴承故障诊断方法

针对滚动轴承的内圈和外圈故障诊断问题,提出了一种基于辛几何模态分解(SGMD)、敏感参数和核模糊C均值聚类(KFCMC)相结合的方法。基于SGMD研究了实际测量的液压泵多模态故障振动信号;基于所提出的相似性分析法,将含有丰富运行特征信息的模态分量进行重构,并将其作为数据源;基于数据源提取时域和频域参数,并利用流行学习法筛选出峭度、裕度指标和峰值指标等敏感参数作为特征向量;利用KFCMC实现对内圈和外圈不同故障的诊断。通过对滚动轴承内、外圈故障振动信号的仿真和实测,验证了该方法可以有效地诊断滚动轴承不同故障。     

基于广义S变换与隐马尔可夫的滚动轴承性能评估

考虑到滚动轴承故障信号的非平稳性、强噪声性，导致状态评估结果不确定性高，提出一种基于广义S变换特征提取和变分贝叶斯-隐马尔可夫模型的滚动轴承性能评估方法。针对滚动轴承监测获得的振动信号，对其进行广义S变换后，分别进行时间、频率、时频的信息熵特征值运算，提取健康指数作为性能评估的特征向量，并使用变分贝叶斯-隐马尔可夫模型建立实时性能评估模型，用健康样本训练模型，以模型输出对数似然概率值作为性能退化的评估指标。利用数学模型仿真和辛辛那提大学提供的轴承数据验证特征指标和评估模型的可行性，结果表明广义S变换熵值优于常规的特征指标，在轴承早期微弱故障时灵敏度高，性能评估模型仅需要正常数据就可以准确表征轴承性能退化趋势，为设备的维修和故障检测提供了参考。     

SVD-LESE在滚动轴承微弱故障识别中的应用研究

矿用电机运行过程中环境噪声强且复杂,其滚动轴承的早期故障特征容易被淹没。提出一种有限包络谱熵(LESE)引导的振动信号奇异值分解方法,用于滚动轴承早期故障特征提取。根据待分解信号中频率和奇异值之间的对应关系,将对应同一振动信号成分的奇异分量进行累加作为一个信号子分量进行输出;提出LESE用来解决轴承微弱故障信号经SVD处理后故障敏感信号分量的筛选;最后通过对故障敏感信号分量进行包络谱分析从而确定滚动轴承的故障类型。实验结果表明：上述方法能够实现对轴承早期故障特征提取,有利于及时发现轴承问题,避免设备进一步劣化。     

基于VMD瞬时能量与GA- RBF的滚动轴承故障诊断

针对滚动轴承早期故障的有效识别,提出了一种基于VMD瞬时能量与GA优化的RBF神经网络的滚动轴承故障诊断方法,可以有效对滚动故障做出诊断。首先,VMD将滚动轴承振动信号进行分解成合适数目的本证模态函数;其次,计算本证模态函数分量的瞬时能量并组成特征向量;最后,将特征向量输入到GA优化的RBF神经网络实现轴承故障识别。通过滚动轴承故障诊断实验对该方法进行验证。结果表明,该方法识别滚动轴承故障的准确率为96.43%,较默认参数的RBF神经网络和EEMD瞬时能量与GA-RBF神经网络有明显的提高,证明了所提方法的可行性。     

基于FFT与CS-SVM的滚动轴承故障诊断

针对滚动轴承故障信号强噪声背景和非线性等特点,为精确识别滚动轴承的故障特征频率并精准分类,提出了一种基于Hanning窗插值快速傅里叶变换并利用布谷鸟算法优化支持向量机的滚动轴承故障诊断新方法。采用Hanning窗对得到的频域信号进行加窗处理并求得样本特征的均方根特征值;经过布谷鸟算法优化后的支持向量机(CS-SVM)对样本数据进行故障诊断分类。通过凯斯西储大学的轴承故障振动信号数据进行的实验,验证了该混合智能诊断方法的有效性和优势,结果表明:所提出的方法可以对轴承故障准确进行分类。     

基于SVD-CEEMDAN和KLD的轴承故障分析

针对滚动轴承信号去噪及故障特征提取问题,提出一种基于SVD-CEEMDAN和KLD的滚动轴承故障诊断方法。该方法通过奇异值分解(SVD)对原始信号进行初步去噪,再利用完备集合经验模态分解(CEEMDAN)对去噪后的非平稳振动信号进行自适应分解,得到若干本征模态函数(IMF);然后通过KL散度法(KLD)筛选有效本征模态函数(IMF)重构,再对其进行自相关去噪;最后利用包络谱分析处理去噪信号,提取故障特征频率。通过对轴承实测信号进行分析,该方法可有效抑制噪声,并能清晰地得到反映实际故障信息的信号,证实所提出方法的实用性和有效性。     

基于小波包能量与模糊C均值聚类的轴承退化状态预测

滚动轴承在发生严重故障前会经历不同的退化状态,针对时域和频域故障特征不能表征早期故障的问题,提出了小波包能量结合高斯混合模型的轴承性能退化指标提取方法。该方法以小波包能量比例值向量作为原始特征,引入高斯混合模型,以计算出的小波包能量比例值对数似然概率作为性能退化指标,通过实验验证该方法能发现早期故障,还能很好的跟踪轴承退化趋势。在此基础上,由于退化状态难以界定识别,利用模糊C均值聚类对性能退化指标模糊聚类,从而识别轴承性能退化状态,通过滚动轴承退化实验验证了该方法的有效性。     

基于IMF和预测滤波的轴承故障诊断方法

针对滚动轴承早期故障信息难以提取的问题,提出了基于固有模态函数(IMF)和线性预测滤波的诊断技术。首先,通过经验模态分解(EMD)把振动信号分解成一系列的固有模态函数。根据包络频谱相关信息提出了一种固有模态函数重构方法,将故障信息敏感的固有模态函数重构为一个新的信号。然后通过线性预测滤波加强重构后信号的冲击故障信息,最后利用信号的功率谱有效的展现了轴承的故障频率特性。通过实测滚动轴承信号对该方法进行了验证,结果表明该方法能准确的检测滚动轴承故障。     

滚动轴承疲劳失效故障的数字孪生虚拟实体建模

针对目前基于数据驱动和机制建模的滚动轴承故障诊断方法的不足,提出一种针对疲劳故障的滚动轴承数字孪生虚拟实体模型。基于L-P疲劳失效理论,对滚动轴承全寿命周期的振动响应进行建模。在轴承五自由度非线性滚动振动模型的基础上,考虑滚动体-滚道冲击力的影响,对滚动轴承内、外圈局部缺陷模型进行改进,并提出一种滚动轴承次表面裂纹早期故障模型,从而建立了疲劳失效下的滚动轴承全寿命数字孪生虚拟实体模型。该模型可表征轴承疲劳故障的产生、发展到严重的全过程。对不同类型的轴承疲劳故障虚拟实体数据进行了分析,验证了所建模型的正确性和有效性。     

基于改进ITD和峭度准则的滚动轴承故障诊断方法

给出了改进的固有时间尺度分解方法 (Improved Intrinsic Time-scale Decomposition,简称IITD)及端点效应评价指标。为了实现滚动轴承故障的精确诊断,提出了一种基于IITD和峭度准则的包络解调方法。该方法首先利用IITD将振动信号分解为一系列固有旋转分量(Proper Rotation Component,简称PRC),然后利用相关系数-峭度最大准则挑选包含故障信息最丰富的PR分量进行包络谱分析。为了验证该方法在应用中的有效性,针对轴承内圈故障,与EMD包络谱分析进行了比较,结果表明:该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

基于声信号的滚动轴承故障诊断

对现有振动传感器存在安装困难等问题,提出了基于声信号的滚动轴承故障诊断方法;利用声学传感器,采用非接触方式采集故障轴承声信号;通过Matlab设计线性相位FIR滤波器,得到所需频带的冲击响应序列;通过Hilbert变换,得到被故障源调制信号的包络信号;通过对包络信号进行频谱分析,确定滚动轴承的故障类型。利用该方法对实验台故障轴承进行诊断,得到了准确的诊断结果,验证了方法的可行性与有效性。     

基于集成迁移学习的滚动轴承剩余寿命预测

针对滚动轴承剩余寿命(RUL)预测中自动故障边界识别精度不足与构建的健康因子单调性和趋势性不够理想的问题:提出一种基于集成迁移学习的滚动轴承剩余寿命预测方法。首先,利用源域数据协助标记不足的目标域数据训练具有不同激活函数的多个深度信念网络(DBN),选用预测精度最佳的DBN识别故障边界;其次,将经过训练的DBN作为特征提取器迁移到目标域,利用主成分分析(PCA)将提取的特征进行降维构建轴承健康因子,通过集成策略构建集成的健康因子;最后,采用长短时记忆神经网络作为预测模型。采用XJTU-SY滚动轴承数据集进行验证表明,提出的方法能够有效地识别故障边界和构建的健康因子更好地反映退化趋势,同时提高剩余寿命预测准确度。     

基于参数优化变分模态分解的滚动轴承微弱故障诊断研究

为了提高变分模态分解(VMD)对滚动轴承微弱故障特征提取的准确性,提出了一种基于参数优化VMD与奇异值分量及其熵相结合的滚动轴承故障诊断方法。该方法通过寻优算法确定VMD的模态数K和二次惩罚因子α;根据余弦-标准差指标提取VMD典型本征模态分量(IMF);计算IMF奇异值及其熵,并利用计算结果分别判断滚动轴承的不同故障状态。结合美国西储大学轴承振动信号数据,实验结果表明:相比经验模态分解奇异值故障诊断方法,基于参数优化VMD奇异值故障诊断方法能更明显地识别滚动轴承的不同故障类型,为区分滚动轴承微弱故障提供了一种可行的诊断思路。     

基于SSD和ICA降噪的滚动轴承故障诊断

针对轴承故障信号在早期由于能量小容易受到噪声影响而被淹没的问题,提出了一种奇异谱分解(SSD)和独立分量分析(ICA)的滚动轴承故障诊断方法。首先,通过SSD对原始故障信号分解,得到一系列不同频段的奇异谱分量(SSC);其次,利用SSC分量构造观测信号和虚拟噪声信号,将观测信号与虚拟噪声信号组成观测矩阵;然后通过ICA对观测信号降噪;构造虚拟噪声通道信号;最后,将分离出来的独立分量进行Hilbert解调,对解调后的信号做FFT运算,并识别故障类别。通过仿真和实验表明了所述方法能够满足对滚动轴承振动信号降噪要求,准确清晰地提取故障特征频率。通过与EMD-ICA方法对比分析,验证了该方法对滚动轴承的早期故障诊断更加有效。