归一Laplacian矩阵有监督最优局部保持映射故障辨识

提出基于归一化Laplacian矩阵有监督最优局部保持映射(Normalized Laplacian-based supervised optimal localitypreserving projection,NL-SOLPP)维数化简的故障辨识方法。构造全面表征不同故障特性的时频域特征集,利用NL-SOLPP将高维时频域特征集自动约简为区分度更好的低维特征矢量,并输入到Shannon小波支持向量机中进行故障模式辨识。NL-SOLPP结合流形局部结构和类标签来设计相似加权矩阵,并使输出基矢量统计不相关和相互正交,提高了故障辨识精度。深沟球轴承故障诊断和空间轴承寿命状态辨识实例验证了该方法的有效性。     

基于VMD与增强包络谱的轴承早期故障诊断方法

针对滚动轴承的早期故障信号容易受到噪声的干扰,造成信号的信噪比较低等问题,结合VMD和增强包络谱两种算法的优势,提出了一种基于遗传算法优化VMD与增强包络谱的轴承故障诊断方法。首先,使用包络熵与平方包络谱峭度的组合作为遗传算法的适应度函数,对变分模态分解的参数进行了寻优,得到了最优的模态分量个数和惩罚因子组合;然后,使用最优参数组合对轴承故障信号进行了变分模态分解,得到了若干模态分量,并选择了最小适应度值对应的最优模态分量;最后,为验证该方法的有效性,采用无刷直流电机轴承和全寿命加速退化轴承两种实测信号进行了轴承故障类型识别分析。研究结果表明：相比传统方法,采用基于VMD与增强包络谱的方法,其输出信噪比平均提升了5.94 dB,对于全寿命轴承退化数据可提前600 min识别出轴承的早期故障;该方法具有输出信噪比高、适应性好等优点,在轴承的微弱信号检测和早期故障识别方面具有较好的应用前景。     

基于VMD的自适应随机共振在滚动轴承早期故障检测中的应用

针对滚动轴承早期微弱故障难以检测的问题,提出一种基于变分模态分解(Variational mode decompsition,VMD)的自适应随机共振轴承故障检测方法。首先对滚动轴承的振动故障信号进行VMD分解,得到有限个本征模态函数(Intrinsic mode function,IMF),选取包含故障特征的IMF分量并进行信号重构;将重构信号输入随机共振系统,采用以改进加权峭度为目标函数的量子粒子群算法,优化系统结构参数,得到最佳共振输出,从而实现降噪和增强故障特征的目的,最后通过输出信号的自相关包络谱提取故障特征频率。实测数据的分析结果验证了该方法的有效性和优势。     

判别式正交线性局部切空间排列故障辨识

针对现有旋转机械故障诊断模式难以实现自动化、高精度和泛化性的关键问题,提出基于判别式正交线性局部切空间排列特征约简的故障辨识方法。该方法首先构造全面表征不同故障特性的时、频域特征集,再利用DOLLTSA将高维时、频域特征集自动约简为区分度更好的低维特征矢量,并输入到K-近邻分类器中进行故障模式辨识。时、频域特征融集可较全面准确地反映旋转机械的故障特征;DOLLTSA综合利用局部几何结构和类判别信息进行流形解耦,并采用谱回归法和子空间正交化处理来优化低维嵌入子空间,提高了故障辨识精度。深沟球轴承故障诊断实例和空间轴承寿命状态辨识实例验证了所提方法的有效性。     

基于VMD-LPP融合的轴承故障特征频率提取

为提高轴承故障特征频率的提取效果,提出了变分模态分解(VMD)和局部保持投影(LPP)相融合的轴承故障特征频率提取方法.该方法主要有三个步骤:一是利用VMD对信号进行分解,得到若干个本征模态分量(IMF),并将各分量组成高维信号矩阵;二是利用LPP对高维信号矩阵进行降维得到低维信号矩阵,而后进行信号重构,得到重构信号;三是对重构信号进行包络分析,根据包络谱中突出的频率成分判断轴承故障类型.轴承故障诊断实例验证了方法的有效性.     

基于长短期记忆网络的滚动轴承寿命预测方法

为解决滚动轴承剩余寿命预测问题,提出一种基于长短期记忆网络(long short-term memory,简称LSTM)的剩余寿命预测方法。首先,从时域、频域及时频域特征中提取特征参数;其次,定义三个评价指标定量评估表征轴承退化过程的特征参数效果,筛选得到退化特征参数集,搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络;最后,用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明,该方法可以准确预测滚动轴承剩余寿命,并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机(support vector regression machine,简称SVRM)的预测效果对比,验证了提出方法的有效性。     

基于改进Laplace小波和改进卷积神经网络的压裂车动力端轴承故障识别

在强背景噪声工况下,压裂车动力端轴承振动信号故障特征较微弱,导致轴承故障诊断的准确率较低。针对这一问题,提出了一种基于改进Laplace小波(ELW)和改进卷积神经网络(ECNN)的压裂车动力端轴承故障识别方法。首先,采用了一种Laplace小波振荡频率参数选取策略,使Laplace小波搜寻到了最佳频率参数;然后,采用改进Laplace小波,对采集到的压裂车动力端轴承故障振动信号进行了降噪处理,并在卷积神经网络(CNN)的基础上引入了自注意力机制和编码器、解码器结构,设计出了改进卷积神经网络(ECNN)模型;最后,将压裂车动力端轴承降噪后的信号输入改进卷积神经网络,进行了自动特征提取和故障识别;为了验证该方法的有效性和先进性,将其与其他方法(模型)进行了对比分析。研究结果表明：采用基于改进Laplace小波与和改进卷积神经网络的方法(模型),对压裂车动力端轴承故障进行识别的准确率可高达99.67%,单个样本的测试时间仅为0.14 s;在识别准确率、召回率、F1得分和统计检验等方面,与其他方法(模型)相比,基于改进Laplace小波与改进卷积神经网络的组合模型具有更为优秀的故障识别性能。     

基于 VMD 的数控机床旋转机械运行路径偏离故障检测方法

为精准提取数控机床旋转机械设备故障信息,量化数控机床旋转机械运行路径偏离程度,提出一种基于 VMD 的旋转机械运行路径偏离故障检测方法。分析数控机床旋转机械设备运行频率和振动情况,运用突变检测算法优化采集效率,使用自适应脉冲法采样机械信号;创建约束变分模型,利用遗传算法搜索信号变量最优值,通过 VMD 法分离信号频域分量,提取机械信号故障特征;通过聚类法评估路径偏离水平,构建胶囊网络进行路径偏离故障检测,利用 squash 函数挤压处理胶囊矢量并提升矢量维度,运用特征编码和归一化处理获得高精度偏离故障检测输出值。实验结果表明,所提方法检测的数控机床旋转机械运行路径偏离故障效果较好,且检测效率较高。     

自动扶梯轴承健康指标提取及剩余寿命预测方法研究

针对小样本情况下滚动轴承的健康指标提取及寿命预测问题,提出了一种结合变分模态分解(VMD)和门控循环网络(GRU)的轴承健康指标提取及寿命预测方法.首先,针对现场设备轴承故障全寿命数据稀缺问题,对样本数据进行扩增,通过VMD分解将一维数据分解为多维数据;然后,对多维数据进行时域特征提取及归一化处理;最后,以归一化特征为...     

气动准零非线性隔振器的刚度特性与参数调控

为解决滚动轴承剩余寿命预测问题，提出一种基于长短期记忆网络（long short-term memory, 简称LSTM）的剩余寿命预测方法。首先，从时域、频域及时频域特征中提取特征参数；其次，定义三个评价指标定量评估表征轴承退化过程的特征参数效果，筛选得到退化特征参数集，搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络；最后，用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明，该方法可以准确预测滚动轴承剩余寿命，并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机（support vector regression machine，简称SVRM）的预测效果对比，验证了提出方法的有效性。     

有监督不相关正交局部保持映射故障辨识

提出基于有监督不相关正交局部保持映射(SUOLPP)维数化简的故障辨识方法.首先构造全面表征不同故障特征的时频域特征集,再利用SUOLLP将高维时频域特征集自动约简为具有更好区分度的低维特征矢量,并输入到Littlewood-Paley小波核支持向量机中进行故障模式辨识.时频域特征融集可较全面准确地反映旋转机械的故障特征;SUOLPP同时利用流形局部几何结构和类标签来设计相似加权矩阵,并使输出基向量统计不相关和相互正交,提高了故障辨识精度.深沟球轴承故障诊断和空间轴承寿命状态辨识实例验证了该方法的有效性.     

基于变分模态分解和奇异值差分谱的轴承故障诊断方法

为有效地提取出轴承故障的特征频率,提出了基于变分模态分解(VMD)和奇异值差分谱(SVDS)相结合的轴承故障诊断方法.该方法主要有三个步骤,一是通过VMD对轴承故障信息进行分解,并得到若干个不同频段的分量信号;二是选取有效的分量信号构建Hankel矩阵,并对该矩阵进行奇异值分解,由此得到SVDS曲线;三是通过SVDS曲线的峰值确定重构阶数并完成信号重构,而后对重构信号进行包络谱分析,便可得到相应故障类型的特征频率.轴承故障诊断实例验证了方法的有效性.     

基于Hilbert-Huang变换和时频域参数的机车轴承故障诊断

提出了基于Hilbert-Huang变换和时频域参数指标相结合的机车轴承故障诊断方法,分别对时频域参数指标诊断方法、Hilbert-Huang变换诊断方法进行了理论分析和研究,通过试验验证了此方法能有效提取机车轴承的故障特征频率。     

基于FOA的变分模态分解在轴承故障诊断中的应用

变分模态分解(VMD)广泛应用于故障诊断中,从振动信号中提取故障特征是故障诊断过程中的关键部分。针对强背景噪声和脉冲干扰下滚动轴承早期故障特征难以提取的问题,提出了一种新的基于果蝇优化算法(FOA)的变分模态分解的轴承故障诊断方法。首先,利用果蝇优化算法自适应优化VMD的惩罚参数α和分解数K,获取最优参数组合;然后,对信号进行VMD分解,得到K个模态分量;最后,基于峭度最大化准则选取最优模态分量进行包络解调分析,提取出故障特征频率。通过仿真信号分析、实际故障轴承信号验证以及与基于果蝇优化算法的多分辨奇异值分解(MRSVD)方法进行对比,证明了所提方法的有效性。     

基于并行卷积神经网络和特征融合的小样本轴承故障诊断方法

在风力发电机轴承故障诊断过程中,基于深度学习的故障诊断方法受限于有限的标注样本,存在模型收敛困难和识别准确率较低等问题,为此,提出了一种基于并行卷积神经网络(P-CNN)和特征融合的小样本风机轴承故障诊断方法。首先,采用集合经验模态分解(EEMD)方法,将轴承的原始振动信号分解为若干个本征模态函数(IMF)分量以及残余分量;然后,分别对其进行了短时傅里叶变换(STFT),将其转换为时频特征图,同时构建了多个相同的卷积神经网络分支,以此作为特征提取器;最后,在融合层中,将提取到的时频域特征进行了通道特征融合,作为最终分类器的输入数据,对风机轴承进行了故障识别;并采用美国凯斯西储大学不同大小的轴承数据集,对该方法的适用性和有效性进行了验证。研究结果表明：在仅含有160个样本时,基于并行卷积神经网络(P-CNN)和特征融合的诊断方法的平均准确率高达94.5%;与支持向量机(SVM)、故障网络(FaultNet)、第一层宽卷积核深度卷积神经网络(WDCNN)相比,该诊断方法具有更高的准确率和更强的鲁棒性。     

基于AOA-LSTM的施工升降机电机轴承剩余寿命预测

针对施工升降机电机轴承剩余寿命预测问题,提出一种基于算术优化算法（AOA）和长短时记忆网络（LSTM）融合算法的轴承剩余寿命预测方法。首先,对原始振动信号提取时域和频域特征指标,利用随机森林算法对提取的特征指标进行重要度分析,并构建退化特征决策表;然后,通过AOA优化算法优化LSTM中的超参数,选择最优超参数建立预测模型;最后,把退化特征输入预测模型中进行预测,并通过均方根误差（RMSE）和平均绝对误差（MAE）评估预测模型。XJTU-SY数据集实验验证,结果表明：AOA-LSTM模型RMSE和MAE分别为5.56%和4.37%,与MLP模型相比,RMSE和MAE分别降低31.58%和29.61%;与循环神经网络（RNN）模型相比,RMSE和MAE分别降低24.66%和25.49%,验证所提方法的有效性。     

自适应变分模态分解的齿轮箱故障诊断研究

强噪环境下,复合故障特征提取难度更大,VMD(Variational Mode Decomposition)被大量应用于齿轮箱故障诊断中;但是它属于参数型分解方法,K过大或过小都会导致过分解或欠分解现象,因此分解的层数需要自适应的确定。提出了一种多点峭度和VMD的复合故障特征提取方法。考虑到多点峭度可以提取多故障的冲击性周期的个数;周期性冲击个数决定VMD的分解层数K,通过VMD处理后,进一步通过FFT确定故障特征。所提出的自适应复合故障特征提取方法和EEMD(En?semble Empirical Mode Decomposition)对比分析,验证了它可以克服模态混叠的特征,通过对实测性信号处理进一步确定了此方法的有效性。最终确定了齿轮剥落和轴承滚珠等复合故障特征。     

用于滚动轴承故障检测与分类的支持向量机方法

介绍了支持向量机原理与算法，给出了基于支持向量机多类故障层次分类检测模型以及多类故障分类器构建方法及步骤。用滚动轴承实验数据对分类器的性能进行检验，并与神经网络分类器性能进行初步对比，结果证明了支持向量机方法用于轴承故障检测与识别的可行性和有效性。     

变工况下基于信息融合的地铁牵引电机轴承故障智能诊断

针对传统滚动轴承故障诊断方法过于依赖先验知识和专家经验,以及单一信号对某些故障识别率偏低的问题,提出一种变工况下基于信息融合的地铁牵引电机轴承故障诊断方法.首先搭建滚动轴承试验与多信息采集系统;其次对地铁牵引电机轴承进行缺陷预制并采集轴承试验过程中的声发射和振动信号;然后用小波包分解对原始信号进行处理并提取特征,再用卷积神经网络对归一化后的特征信息进行融合;最后建立二维卷积神经网络模型,对不同工况下的地铁牵引电机轴承故障进行智能诊断.试验结果表明:变工况下基于信息融合的地铁牵引电机轴承故障智能诊断方法,可在载荷和转速变化的情况下准确识别轴承的故障类型,当神经网络训练集与测试集涵盖工况相同时,准确度可达100％.     

变分模态分解在转子故障诊断中的应用

针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。