基于DT-CWT和能量算子解调的滚动轴承故障诊断研究

滚动轴承出现局部损伤时会产生周期性冲击,振动信号往往具有调制特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波和能量算子解调的诊断方法。首先运用双树复小波对采集到的轴承振动信号进行分解,得到若干个不同频带的分量,提取信号中能量集中的高频调制频带进行信号重构。然后采用能量算子的方法对重构信号进行解调。最后对解调得到的瞬时幅值进行频谱分析便能准确提取故障特征频率。通过信号仿真和实验数据处理结果证明了该方法的有效性。     

基于双树复小波和时间序列的转轴剩余寿命预测研究

针对矿冶破碎机在重载工况下其转轴振动信号的非线性、不平稳性以及背景环境复杂性等特点而导致的难以提取纯净的故障特征信号的问题,提出了基于双树复小波和时间序列的转轴剩余寿命预测研究。对采集的含噪信号进行双树复小波变换,求得变换系数,并进一步得到模系数,提取出规律性较强的模系数,并对其进行非线性时间序列处理。适当加入含噪信号以强化噪声的规律性,再将信号源投影到不同面上分离出污染信号源,提取特征信号源的系数,并以复数形式进行双树复小波重构,获取易忽略的故障特征信号,得到较为完整的纯净故障信号。通过BP网络利用所提纯的特征信号对转轴剩余寿命进行预测,与转轴破坏性实验数据进行对比,证明该方法适于破碎机转轴的寿命预测,取得了满意的效果。     

基于双树复小波和AR谱的滚动轴承故障诊断

针对滚动轴承信号的非平稳特性、小波变换频率混叠及信息丢失等问题,提出一种结合频率分离与功率谱的滚动轴承故障诊断方法。首先,双树复小波变换(DTCWT)对振动信号进行分解,依据幅频特性对子频段个数进行优化,实现信号频率的精准分离;其次,利用自回归(AR)功率谱得到不同子频段功率,将总功率作为特征输入遗传算法优化的支持向量机(GA-SVM)进行故障诊断。通过实验,复合轴承故障的总体识别率达到96%,其中3种外圈故障识别率达到100%,其结果表明所提方法能够准确提取故障特征并准确识别复合轴承故障。     

基于经验小波变换和流形学习的滚动轴承故障诊断研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于经验小波变换(EWT)和流形学习约简的故障特征提取方法。首先利用EWT将振动信号分解成不同特征时间尺度的单分量固有模态函数(IMF),然后从包含故障信息的IMFs中提取滚动轴承的时域统计特征、频域统计特征、AR模型自回归系数和功率谱熵,构造高维特征集;再利用线性局部切空间排列(LLTSA)流形学习算法将构造的高维特征集约简为故障区分度更好的低维特征集;最后利用支持向量机(SVM)对提取特征进行故障识别。实验结果表明该特征提取方法对滚动轴承故障诊断准确率更高。     

基于共振稀疏分解与谱峭度的滚动轴承故障诊断

针对滚动轴承微弱故障特征提取困难,提出了基于共振稀疏分解与谱峭度的滚动轴承故障特征提取方法,根据滚动轴承故障振动信号中转频及谐波成分与周期性冲击成分的品质因子不同进行共振稀疏分解,得到包含转频及谐波等成分的高共振分量和包含故障特征的低共振分量,对低共振分量进行快速峭度图分析,得到包含故障特征的周期性冲击成分的频带范围,利用带通滤波器进行滤波,最后对滤波信号进行希尔伯特包络谱分析,提取出滚动轴承故障特征频率。实验结果表明该方法能有效地提取出表征滚动轴承故障特征的周期性冲击成分,剔除干扰成分,突出故障特征频率谱线,正确识别出滚动轴承的故障状态。     

基于小波去噪和最小二乘支持向量机的滚动轴承故障诊断研究

针对滚动轴承故障,提出了基于相关原则优化阈值的小波去噪和最小二乘支持向量机相结合进行滚动轴承故障诊断的方法,采用相关原则优化阀值的小波对轴承早期故障特征进行提取,运用能量-特征法提取出信号特征,然后利用最小二乘支持向量机多分类算法进行故障类型的识别。实验与仿真结果表明:基于相关原则优化阈值的小波变换和最小二乘支持向量机相结合的故障诊断方法能有效地诊断出滚动轴承的典型故障。     

基于小波包和EMD的谱峭度法在滚动轴承故障诊断中的应用

共振解调法是滚动轴承故障诊断中最常用的方法之一,然而确定合适的带通滤波器参数并将高频共振成分提取出来并不容易。谱峭度能够发现故障特征最明显的频带即自动确定带通滤波器的参数。但是滚动轴承的早期故障信号中混有强烈的干扰噪声,单一采用谱峭度法无法确定故障部位。为此提出一种基于谱峭度法和经验模式分解(EMD),以及小波包变换联合应用的滚动轴承故障诊断的新方法,首先采用EMD对原始信号进行自适应性分解,突出高频共振成分,再利用谱峭度法确定最佳带通滤波器参数,然后使用小波包变换提取高频共振成分,最后使用Hilbert变换做包络解调,经过对实际故障信号的研究分析,证实了该方法的有效性。     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.     

基于DT-LMD机床轴承故障信号提取研究

为了准确得到机床故障轴承的运行状态,结合双树复小波变换(Daul-Tree Complex Wavelet Transform,DT-CWT)和局域均值方法 (LMD)分解的方法提出了一种新的方法 (DT-LMD),对轴承故障振动信号提取,首先利用双树复小波变换对信号进行降噪和重构,其次通过局域均值方法分解,再次利用该方法对机床轴承实际振动信号进行分解,提取其能量特征值并将特征值进行归一化处理,得到各个分量的能量值;最后判断轴承的故障类型。     

基于机器学习算法的滚动轴承故障诊断研究

为了解决滚动轴承故障诊断过程中特征提取困难以及数据处理缓慢等主要问题,提出了基于5种机器学习算法且仅需提取4种简单特征的滚动轴承故障诊断方法。首先,对不同故障类型的滚动轴承振动信号的时域信号进行了分析,并提取时域信号的4种简单特征输入到分类模型,然后,采用机器学习算法对滚动轴承进行故障分类与诊断。实验结果表明,与传统的轴承故障诊断方法相比,用机器学习方法对轴承进行故障诊断更简单且具有更好的诊断效果。研究内容为以后用机器学习分类算法来研究轴承的故障诊断问题提供了参考。     

基于WTD-AR谱和MEA-BPNN的轴承故障诊断方法

针对滚动轴承故障诊断模型在噪声干扰下鲁棒性能差的问题,提出一种基于小波阈值去噪（WTD）、AR谱和思维进化算法（MEA）优化反向传播神经网络（BPNN）的轴承故障诊断方法。以原始振动信号为输入,采用小波方法分解重构原始信号滤除高频噪声,然后采用Burg算法估计AR模型参数提取降噪信号功率谱特征,最后将特征向量与对应标签分别作为MEA-BPNN神经网络的输入、输出进行训练,最终实现诊断。将该方法与一些先进的人工神经网络诊断方法作比较,测试该诊断模型的性能。研究结果表明：WTD-AR谱-MEA-BPNN诊断模型能够有效降低轴承振动信号的噪声干扰,实现特征增强,分辨率更高;相较于传统神经网络训练速度更快,在更短时间内甄别故障类型且识别率高。     

基于EMD和支持向量机的滚动轴承故障诊断研究

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,提高诊断准确率,进行了经验模态分解(EMD)和支持向量机(SVM)的研究,给出了相应的决策流程。基于改进的EMD分解的特征提取算法,选取故障特征明显的IMF分量进行特征提取,最大限度地滤除了低频噪声干扰,捕捉到信号的故障特征,然后将特征集输入到SVM分类器中进行识别,结果表明:该方法对于轴承故障识别具有较高的准确率,为确保轴承安全运行和快速故障诊断提供了理论支持。     

基于改进形态学的滚动轴承故障诊断研究

针对滚动轴承的微弱故障特征提取，提出了基于特征幅值能量参数（FAEI）和自相关能量比（AER）的改进数学形态方法。首先使用7种形态算子对信号进行形态处理，以FAEI作为最优算子的选取依据，然后借助AER准则自适应地确定扁平结构元素的长度参数。通过轴承故障实验可知，AER准则能够选出最佳结构元素长度，结合形态算子对故障信号进行最优形态滤波。结果表明:该方法能够提取出噪声背景下的冲击脉冲信号，实现轴承微弱故障特征提取。与基于峭度的形态算法对比，改进方法使故障检测中的特征频率幅值提升了1倍。     

基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承的故障特征提取方法

与普通滚动轴承相比,柔性薄壁轴承存在背景冲击载荷,使得故障特征提取难度大。针对这一问题,提出基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承故障特征提取方法。利用多点峭度谱(MKurt)对原始故障信号进行分析,确定柔性薄壁轴承故障周期,然后通过多点最优最小熵解卷积(MOMEDA)处理,再经Teager能量算子增强,最终提取柔性薄壁轴承外圈与内圈的故障特征频率,并与单一的MOMEDA算法、基于MKurt-MCKD与Teager能量算子故障特征提取方法进行了对比,证明了该方法明显增强了故障特征频率的幅值,为柔性薄壁轴承故障特征提取提供了参考。     

基于多特征提取和LSSVM的轴承故障诊断

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。     

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SSD和MPE的滚动轴承故障诊断方法

为了解决滚动轴承故障特征难以提取的问题,提出了一种奇异谱分解(SSD)和多尺度排列熵(MPE)的故障特征提取方法,结合K近邻(KNN)算法识别滚动轴承故障类型。首先对滚动轴承振动信号用SSD进行分解,得到3个奇异谱分量(SSC),根据峭度最大原则选择主分析分量;然后用MPE计算主分析分量的熵值,实现滚动轴承的故障特征进行提取;最后将熵值作为特征向量输入KNN分类器中,完成滚动轴承的状态识别。将该方法应用于实验数据分析,并与VMD和MPE相结合的故障诊断方法做比较,结果证明,该方法能够有效地提取故障特征,实现故障诊断。     

基于多层降噪处理的轴承故障特征提取方法

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。