基于小波阈值滤波的轴承故障诊断

针对软阈值滤波和硬阈值滤波的缺陷,设计出了-个线性和非线性相结合的新的阈值函数.在试验仿真后,将其用于实际的振动信号处理.实践证明,此方法不仅滤除了大量的噪声,而且很好地保留了信号的细节,为提取到清晰的故障特征以及分析故障特征创造了条件.     

基于特征融合和稀疏表示的齿轮故障诊断

提出了基于特征融合和稀疏表示的机械故障诊断方法。用小波包分解齿轮振动信号,提取各频带的能量,组成初始特征向量。为了去除初始特征向量中的冗余信息,采用核主元分析进行特征融合,对初始特征向量进行降维,将降维之后的特征向量进行归一化,作为稀疏表示分类的输入。齿轮故障诊断实验表明,所提方法能较好地诊断出齿轮不同类型的故障。     

基于ALE的自适应滤波在轴承故障诊断中的应用

提出了一种基于谱线增强的变步长自适应滤波方法,从滚动轴承的振动信号中分离出故障冲击信号,便于包络分析获取故障特征频率.介绍了该方法的原理及算法实现,并对未知高频固有振动的滚动轴承进行了故障诊断,效果明显优于传统带通滤波方法.     

基于融合特征与数模联动的轴承寿命预测方法

针对现有数模联动剩余使用寿命（remaining useful life, 简称RUL）预测方法易受随机噪声干扰、没有考虑轴承的退化特性等问题,提出了一种基于融合指标与数模联动的轴承RUL预测方法,以提高原始数模联动RUL预测方法的准确性。首先,利用主成分分析及指数加权移动平均算法融合表征轴承退化状态的多种特征,构建单调趋势良好的性能退化融合指标;其次,基于3σ准则建立一种首次预测时间确定方案,以触发RUL预测模型的启动,避免RUL预测的无效性;最后,考虑轴承的退化特性,嵌入Rauch-Tung-Striebel平滑滤波算法,以减小退化模型的随机波动,实现轴承RUL的可靠预测。仿真数据和试验信号分析结果证明了所提方法的有效性,相较于现有数模联动方法,显著提高了轴承RUL的预测精度。     

多尺度柔性形态滤波在轴承故障诊断中的应用

针对经典的形态学滤波在取单一结构元素的情况下存在缺陷的问题,提出了一种基于多尺度柔性形态滤波的轴承振动信号滤波方法。多尺度柔性数学形态学在保留柔性形态学好的鲁棒性、滤除正负噪声和保留细节等优点的同时,进一步对其结构元素进行改进,以期获得更好的脉冲提取性能。将多尺度柔性形态滤波应用于轴承故障诊断,结果表明,其比经典的柔性形态滤波能更好地保留振动信号中的冲击脉冲,为轴承故障的进一步诊断打下基础。     

谐波特征模式分解方法在轴承故障诊断中的应用

分解方法是处理机械信号多成分分离最有效的手段。然而,现有的分解方法并非以典型的机械故障特征作为分解目标,且分解模式的提取难以做到自适应滤波,因此面对复杂信号的成分分离与特征提取效果差,难以满足诊断需求。针对此,提出谐波特征模式分解方法 (Harmonicfeaturemodedecomposition,HFMD),选择信号周期性强度评价指标谐噪比(Harmonics-to-noiseratio,HNR)作为分解目标,借助有限冲激响应(Finiteimpulseresponse,FIR)滤波器系数更新机制实现分解模式提取过程中的自适应滤波。首先,借助基于树状结构的频带划分方式初始化滤波器组。在此基础上,以HNR作为分解目标求解最优滤波器系数。进一步,利用相关系数评价、比较进而筛选冗余模式。最后,通过设定分解模式数量作为收敛准则,实现复杂信号中周期性特征的提取与谐波信号成分的分离。仿真和试验案例证实相比于传统分解方法,提出的HFMD能更准确、有效地提取轴承故障信息。     

谐波小波滤波与HHT在轴承故障诊断中的应用

谐波小波具有良好的盒形频谱特性,可以将非平稳振动信号既不交叠又无遗漏地分解到相互独立的频带上。将谐波小波作为滤波器,可以将特定频段的成分与信号的其他频率成分分离,进行重构后就能够提取出强背景噪声干扰下的特定信号频段成分,实现谐波小波滤波。然后,对故障敏感段信号进行HHT边际谱分析,并以边际谱的最大峰值作为特征向量判断轴承的工作状态和故障类型。     

时域流形特征增强在数控机床轴承故障诊断中的应用

以数控机床轴承的时域振动信号为研究对象,提出一种基于流形学习的特征增强方法。首先,将采集信号的时间序列进行相空间重构,通过计算子相空间的信息熵来构建信号在特征空间中的表示,并以流形距离作为原始信号来集中不同故障类型的度量。然后,使用等距特征映射算法求取信号在特征空间中同胚的低维流形,其结果可用于对故障类型的分类判别。经实例数据集的验证分析发现,信息熵—等距特征映射变换能够在低维特征空间表达并强化轴承时域信号的故障类型特征,可有效应用于数控机床轴承单一和复合故障场景的设备运行诊断。     

基于子小波布置和系数融合的轴承故障诊断

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于子小波布置策略和小波系数融合的故障诊断方法。首先,布置子小波并进行小波变换;然后,根据峰度指标对多尺度小波系数进行融合集成;最后,运用自相关谱抑制噪声,突出故障信息。通过仿真信号和实际信号对该方法进行了验证,结果表明,该方法能够提取出微弱的故障特征,实现滚动轴承的早期故障诊断。     

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。     

滚动轴承故障监测诊断中的自适应滤波算法

针对滚动轴承故障分析诊断中的载波带选择过程进行研究,提出了基于峭度指标的自适应最优滤波算法,仿真和试验台的研究结果表明,此算法不仅能够准确地诊断出轴承故障,以全自动的方式实现滤波过程,而且自适应最优滤波算法的故障诊断效果远远优于固定滤波算法和基于小波包变换的滤波算法。     

基于LMD能量特征的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的多载波多调制特性,提出一种基于局域均值分解(local mean decomposition,简称LMD)能量特征的特征向量提取方法,并与支持向量机相结合用于滚动轴承的故障诊断。首先,采用LMD方法将复杂调制振动信号分解为若干单分量信号乘积函数(production function,简称PF);然后,对反映信号主要特征的PF基于时间轴积分,得到各PF分量能量矩并构造特征向量;最后,将其输入多分类支持向量机中,用于区分滚动轴承的故障类型与故障程度。对滚动轴承内圈故障、外圈故障及滚动体故障振动信号的分析结果表明,该方法能有效提取滚动轴承各工作状态信号的故障特征,能准确识别故障类型,同时对故障程度的判断表现出较高的识别率。     

滚动轴承故障的小波诊断法

对小波变换原理和信号局部奇异性在小波变换下的特性进行了分析,通过选用多尺度小波变换成功地对滚动轴承故障信号进行了检测。     

基于包络分析的滚动轴承故障诊断研究

在研究滚动轴承振动机理的基础上,提出了利用对振动信号进行包络分析,以及特征提取的方法来进行故障类型的判断。在QPZZ-Ⅱ型故障模拟实验台上进行了滚动轴承实验,对振动信号进行包络分析和特征提取,准确地判断出了滚动轴承的故障类型,证明了该方法是有效的。     

基于多指标模糊融合的滚动轴承诊断的最优频带解调方法

轴承运行时会产生较大的振动噪声,采用振动信号统计量指标可以识别其共振频带,并通过共振频带解调来提取故障特征信号。目前常用的峭度图等方法根据经验自顶向下粗略划分轴承振动频谱,而且采用单一指标识别共振频带,常常被噪声所干扰,因而鲁棒性不高。为了提高滚动轴承故障诊断的精度,提出一种多指标模糊融合的最优频带解调方法。采用自底向上的思路,以最小化代价函数为条件,通过细分振动频谱,将细分的频谱进行双向合并,可以提高频带划分的精度。在提出的方法中,代价函数由峭度、平滑因子、峰度系数等多个指标应用模糊贴近度方法进行数据融合构造,可以有效提高识别最优共振频带的鲁棒性。分别采用仿真信号和实际采集信号对所提出的方法进行测试,与现有的单指标方法相比,试验结果表明所提出的方法可以正确诊断滚动轴承的故障。     

基于多方法融合的铁路轴承故障诊断

由于铁路轴承的易损性和故障信号提取的复杂性,文中应用了多方法融合的诊断法对铁路轴承进行故障诊断,并对基于多方法融合的BP和RBF两种网络进行了比较。首先,对采集到得信号进行FIR降噪,再对降噪后的信号进行小波包分解,构造特征向量,以此为故障样本对BP和RBF网络进行训练,实现智能化故障诊断,实验结果表明文中提出的方法能很好地诊断出轴承故障类型,但多方法融合的RBF的泛化能力优于BP网络,同时,在训练时间上,RBF网络也要优于BP网络,这为机械故障诊断提供理论依据。     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

S变换用于滚动轴承故障信号冲击特征提取

为从低信噪比的滚动轴承故障信号中提取出冲击特征,以便于进行轴承故障诊断,引入S变换的信号处理方法。以短时傅里叶变换（short time Fourier transform,简称STFT）以及连续小波变换（continuous wavelet transform,简称CWT）为理论基础,分别推导得出了连续S变换的定义式,并利用快速傅里叶变换（fast Fourier transform,简称FFT）实现S变换离散化计算。S变换克服了STFT时频分辨率固定的缺点,弥补了CWT缺乏相位信息的不足。仿真信号研究表明,S变换在信号整个频带上具有良好的时频分辨率和时频聚集性,能够提取低信噪比信号中的冲击特征,且性能优于STFT和CWT。最后对一组实际的滚动球轴承故障振动信号进行S变换处理,结果表明,S变换能够方便有效地从中提取出周期性的冲击特征,从而指导滚动轴承相关故障的诊断。     

基于卷积稀疏表示及等距映射的轴承故障诊断

针对卷积稀疏表示(convolution sparse representation,简称CSR)在轴承故障脉冲提取过程中过于依赖惩罚因子的缺点,提出了一种基于卷积稀疏表示、希尔伯特变换(Hilbert transform,简称HT)以及流形学习降维相结合的轴承故障诊断方法。首先,通过在不同惩罚因子下的CSR提取不同稀疏特征的脉冲;其次,针对提取的一系列脉冲进行希尔伯特变换,构造脉冲包络空间;最后,利用等距映射(isometric feature mapping,简称Isomap)流形学习算法对脉冲包络空间求解低维本征包络,以实现故障诊断。通过仿真数据以及台架实验数据验证表明:基于CSRHT-Isomap算法的轮对轴承故障诊断方法可以很好地提取轴承内圈及滚动体故障特征,通过与基于聚合经验模态分解和小波包变换的包络空间算法进行比较,证明该方法在提取本征包络、强化本征包络谱以及放大故障特征频率的谐波数方面具备较大优势。     

基于改进堆叠稀疏降噪自编码器的轴承故障诊断

为提高堆叠稀疏降噪自编码器的性能,解决其计算复杂度高、收敛速度慢等问题,提出了一种基于堆叠边缘化稀疏降噪自编码器的滚动轴承故障诊断方法.首先,对稀疏降噪自编码器的损失函数进行边缘化处理,并结合逐层贪婪训练策略构建出SMSDAE网络;然后,将SMSDAE网络与Softmax分类器结合,得到SMSDAE-Softmax特征...