基于改进层次基本熵融合SMA-SVM模型的轴承故障诊断方法

针对煤矿机械轴承的故障特征提取和故障状态识别问题，提出了改进层次基本熵(IHBSE)特征提取融合黏菌优化(SMA)—支持向量机(SVM)分类模型的煤矿机械轴承故障诊断方法。首先，引入了能够同时分析信号低频和高频信息的IHBSE方法，并将其用于捕捉不同状态下，煤矿机械轴承振动信号中的多维故障特征，构建了特征向量；然后，采用具有优异全局寻优性能的黏菌算法，对支持向量机的惩罚系数和核函数的最佳值进行了搜索，提出了黏菌算法—支持向量机(SMA-SVM)模型；最后，利用部分特征样本对诊断模型进行了训练，并采用训练完毕的具有最佳参数的SMA-SVM分类器，进行了轴承故障类型和严重程度的判断。研究结果表明：所提出的煤矿机械轴承故障诊断方法可以有效地识别煤矿机械轴承的运行状态，分类准确率达到了1,而在多次实验下的平均准确率也高于0.98,对实际工程应用具有一定的参考价值。     

基于广义S变换与双向2DPCA的轴承故障诊断

将轴承故障诊断问题转化为故障信号时频图像的识别问题,提出一种采用双向二维主成分分析(two-directional,two-dimensional,principal component analysis,简称TD-2DPCA)的时频图像矩阵特征提取方法。首先,利用广义S变换将轴承故障信号变换为时频域图像,采用一种双向压缩的二维PCA方法对图像信息进行特征提取;然后,进行了轴承故障试验,分别采集了轴承在正常、内圈故障及外圈故障状态下的振动信号,采用所述方法对轴承3种状态下的时频分布图像进行特征提取,并根据集成矩阵距离(assembled matrix distance,简称AMD)实现图像的分类识别。试验结果表明,结合广义S变换的双向2DPCA特征提取算法可有效提高计算效率,同时具有良好的诊断性能。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

多脉冲激励法在轴承滚珠磨损中的状态研究及应用

机械故障中的轴承故障具有强的非线性特征,其故障特征提取具有一定的困难,针对此问题提出了一种基于多脉冲激励法下的Volterra级数核的故障特征提取方法。通过系统的输入输出信号并建立非线性系统的Volterra级数模型,利用时域和频域的低阶核进行轴承所处状态的对比,进而分析是否处于故障状态。以美国西储大学滚动轴承故障为例来验证该算法,应用小波算法和多脉冲激励法进行对比,得出多脉冲激励法能够较为方便准确地提取轴承的故障特征。     

基于改进EMD-BSS算法的地铁齿轮箱单通道轴承微弱故障特征提取

地铁齿轮箱振动情况复杂,微弱故障特征常被噪声湮没而难以提取。本文提出一种改进的EMDBSS算法,通过计算IMF分量的相关系数矩阵,优化单通道EMD-BSS方法中的IMF信号重组过程,并对重组后的信号进行微弱故障特征提取。将该算法应用于仿真信号及实测地铁齿轮箱轴承故障振动信号中,成功提取出微弱故障特征,验证了算法的有效性。该算法的提出对于单通道微弱故障特征提取具有积极意义。     

张量模型区分度函数在轴承故障诊断中的应用

目前对故障信号的刻画方法多以向量模型为主,信号的表现形式单一,存在着小样本和维数灾难等问题。另外,多数特征提取算法在处理新样本时,通常需要同时利用新、旧样本构建新数据空间,并进行重新计算,算法处理新样本的效率较低。为此,提出了一种新的基于张量模型的故障诊断方法,采用小波变换和相空间重构建立轴承故障信号的张量模型,通过高阶奇异值分解获得轴承振动信号的初始特征。在此基础上提出了张量模型初始特征最优分类点的区分度函数,实现了轴承故障的快速诊断。分别利用轴承试验平台和凯斯西储大学轴承数据集进行实验,实验结果证明了所提算法能够提取显著的特征,并具有诊断速度快和识别精度高等优点,适合于实际工程应用。     

基于DE-VMD和GMDE的往复压缩机轴承间隙故障诊断方法

针对往复压缩机轴承间隙故障特征提取困难、识别准确率不高等问题,提出了差分进化算法优化变分模态分解方法和广义多尺度散布熵相结合的往复压缩机间隙故障诊断方法。首先,采用差分进化算法对变分模态分解算法的两个核心参数进行了优化,并利用优化后的变分模态分解方法对轴承间隙振动信号进行了信号分解和重构处理;然后,研究了多尺度散布熵的粗粒化过程,通过将方差粗粒化代替均值粗粒化,进行了多尺度处理,构建了广义多尺度散布熵算法,利用广义多尺度散布熵算法对重构信号进行了故障特征提取分析;最后,设计了核极限学习机模型对故障特征向量集进行了分类识别,完成了往复压缩机轴承间隙不同故障状态的智能诊断研究。研究结果表明,该故障诊断方法的识别准确率高达97%,高效地实现了轴承不同种类故障的智能诊断目的。     

改进SVD与EEMD的TEO伺服压机滚动轴承故障提取

针对伺服电动机滚动轴承故障信号受噪声干扰不易识别的问题,提出一种基于改进SVD-EEMD与Teager能量算法相结合的故障诊断方法。该方法首先用改进SVD方法进行信号降噪,随后利用集合经验模态分解(EEMD)对降噪信号进行故障特征提取,最后利用Teager能量算法对故障信号特征进行增强。实验结果表明,文中提出的方法能够有效地去除噪声干扰,对伺服冲压电动机轴承的故障特征信息起到了增强的作用。     

基于AVMD-TOTEO与深度学习的轴承故障诊断方法

本文针对轴承故障诊断中故障特征提取和故障识别的难点,提出了一种基于AVMD-TOTEO、门控循环单元（Gated Recurrent Unit,GRU）和卷积神经网络（Convolutional Neural Network,CNN）的轴承故障诊断方法。首先,通过自适应变分模态分解（Adaptive Variational Mode Decomposition,AVMD）对原始数据进行分解和重构,以消除信号中的部分干扰,然后利用三阶太格能量算子（Third-Order Teager Energy Operators,TOTEO）对故障信号中的冲击特征进行增强,突出每个故障信号的特性。最后,将新的故障数据集引入具有全局平均池化（Global Average Pooling,GAP）层的GRU-CNN-GAP故障诊断模型中,用于特征提取和故障分类。实验表明,该方法不仅具有良好的故障诊断精度,而且提高了算法的检测速度,具有优于其他模型的诊断性能。     

基于改进开关卡尔曼滤波的轴承故障特征提取方法

提出了一种基于改进开关卡尔曼滤波的滚动轴承故障特征提取新方法,与传统卡尔曼滤波算法相比,该方法每次迭代只需当前监测数据测量值和上一时刻最优估计值,计算效率高,具有较强实时性。首先将故障轴承振动信号分为故障冲击振动和正常振动两种成分;其次,针对故障冲击振动和正常振动两种状态,分别建立基于轴承质量-弹簧-阻尼系统动力学脉冲响应的卡尔曼滤波器及线性卡尔曼滤波器模型;然后,应用基于贝叶斯估计的开关卡尔曼滤波算法对振动信号进行状态估计;最终,通过时域迭代滤波,滤除噪声并识别故障冲击成分,实现轴承故障特征提取。仿真和试验信号分析结果表明了所提方法的可行性和有效性。     

基于VMD-GST和AMCNN相结合的滚动轴承故障诊断方法

针对传统滚动轴承故障诊断方法故障特征提取困难、诊断准确率低等问题，提出了一种变分模态分解(VMD)、广义S变换(GST)和注意力卷积神经网络(AMCNN)相结合的智能诊断方法。首先，基于VMD算法分解振动信号，以互信息指标筛选真实分量并进行重构，通过GST将重构信号转化为时频图；然后，以得到的二维特征图像为输入，通过AMCNN自适应学习其时频特征；最后，通过分类器输出滚动轴承的故障诊断结果。以NJ208EM圆柱滚子轴承为例进行试验验证，结果表明：VMD-GST方法能有效提取故障特征，AMCNN模型具有更强的特征提取能力和识别能力，平均故障识别准确率达到99.76%,优于其他方法。     

HHT相对谱熵及其在轴承退化状态识别中的应用

为有效地对轴承退化状态进行识别,对轴承退化特征提取方法进行了研究。基于HHT变换的非平稳信号分析能力和相对熵可以较好表征振动信号概率分布差异的特性,提出基于HHT相对谱熵的轴承退化特征提取方法。通过仿真信号对定义的HHT相对能谱熵(HREE)和HHT相对奇异谱熵(HRQE)的合理性和有效性进行了验证。将这两个特征指标组成退化特征,对实测轴承内圈和外圈故障模式下的不同程度故障振动信号进行了进一步分析,并通过相关向量机对轴承退化状态进行了识别,结果验证了所提方法的有效性。     

基于稀疏分解的轴承声阵列信号特征提取

利用滚动轴承运行时的异常声响来识别轴承故障,搭建了轴承声阵列信号故障诊断实验平台。针对轴承声信号信噪比差、成分复杂、故障特征不明显的特点,提出一种基于稀疏分解的轴承传声器阵列信号特征提取方法。利用全息面有效声压场及其投影图对实验设备进行噪声源识别与定位,通过coif4小波字典和局部余弦字典构建冗余字典,采用稀疏分解提取热点噪声源声信号的冲击特征。仿真和实际声信号的处理结果表明,该方法准确提取了不同转速下声信号中的故障特征频率,证明了利用声阵列信号对轴承进行故障识别的有效性和可靠性。     

基于压缩感知弱匹配追踪算法的信号特征提取

针对滚动轴承故障诊断中的特征提取问题,提出一种基于压缩感知弱匹配追踪算法的特征提取方法。针对轴承故障信号特征特点构建了一个由傅里叶字典和冲击时频字典组成的联合字典,作为弱匹配追踪算法中的过完备冗余原子库。进而利用改进的简化粒子群寻优算法在联合字典原子库中寻找最能匹配轴承故障信号特征的原子,实现故障信号的快速高效稀疏分解。在信号重构阶段提出了一种改进的阈值降噪策略,解决了软阈值降噪存在恒定偏差以及硬阈值降噪的不连续问题。对CWRU（Case Western Reserve University）轴承数据中心所提供的标准轴承故障信号和某钢厂滚动轴承实测信号进行了仿真,仿真结果验证了该方法的优越性。     

轴承故障的全视角特征提取与模式诊断方法

为了提高轴承故障诊断的准确率,提出了一种轴承故障的全视角特征提取方法和专家森林算法的模式诊断方法。在故障特征提取方面,首先从时域、频域、时频域选择参数,以此来作为初始故障特征库,而后使用KPCA提取了基础故障库的全局结构特征,使用t-SNE算法提取了基础故障库的局部结构特征,从而保留了对故障模式相对敏感的全视角特征参数;在故障模式识别方面,为决策树赋予了专家属性和专家权值,得到了专家树的概念,基于专家树思想提出了专家森林算法,解决了随机森林算法无差别对待决策树的问题;最后采用实验的方式,对轴承故障全视角特征提取方法和基于专家森林算法的模式诊断方法进行了验证。研究结果表明：由KPCA+t-SNE结合提取的全视角故障特征优于单独提取的全局结构特征与局部结构特征;随机森林算法的诊断准确率均值为96.14%,专家森林算法的故障诊断准确率均值为99.48%,比随机森林算法提高了3.47%,验证了所提故障诊断方法的优越性。     

基于MATLAB的齿轮箱轴承故障预诊与健康管理系统开发

设计开发了基于MATLAB的齿轮箱轴承故障预诊与健康管理无忧运行系统。该系统可对原始机床轴承振动数据进行特征提取和信息融合,并采用复合轴承健康评估算法定量计算轴承运行时候的健康度,对轴承样本进行故障识别。最后,预测预判模块可实现轴承剩余健康寿命的预测,实现轴承全生命周期的管理。     

基于人工蜂群算法的KPCA特征优化提取

采用KPCA进行特征提取时,其核函数参数对轴承故障特征的可分性影响很大,直接影响轴承故障诊断的准确率,而使最优的核参数难以选取。针对这一问题,采用人工蜂群算法与KPCA相结合,提出了基于人工蜂群算法的KPCA核参数优化选取方法,并实现了滚动轴承故障特征的优化提取。试验结果表明,该方法能够最大程度提高故障样本的可分性和SVM模型的分类精度;同时通过对比分析遗传算法、粒子群算法及人工蜂群算法的优化结果,验证了该方法具有更好的寻优能力。     

基于深度字典学习的滚动轴承故障识别

针对传统滚动轴承故障识别算法存在的特征提取与选择困难的问题,提出了一种基于深度字典学习(DDL)的滚动轴承故障诊断方法.首先,利用传感器采集了不同工况下的滚动轴承故障振动数据,并利用字典学习的稀疏性约束逐层学习了轴承故障数据中的典型结构特征;然后,借鉴深度学习的"逐层特征提取"思想,根据故障样本结构构造了深度故障字典,...     

基于拉普拉斯特征映射和深度置信网络的半监督故障识别

针对机械设备故障诊断过程中有标签样本不足,结合流形学习与深度学习的思想,提出了基于拉普拉斯特征映射(Laplacian eigenmap, LE)和深度置信网络(Deep belief network, DBN)的半监督故障识别模型。该模型运用LE算法直接对原始高维振动信号进行特征提取,将低维流形特征输入DBN,利用少量昂贵的有标签样本和大量廉价的无标签样本,二次挖掘故障特征,并构建Soft-max分类器最终识别出机械设备的故障模式。将该半监督模型应用于轴承故障和齿轮裂纹的识别中,试验结果表明,LE算法有效降低了模型的时间复杂度,增强了特征提取的智能性,提高了诊断效率;DBN网络可以充分挖掘故障特性,得到更好的特征表示,提高了分类精度。此外,该模型在不平衡的训练标签下也实现了很好的诊断效果,且适用于多传感器特征融合的诊断,具备实际应用的价值。     

轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征（即不同域）的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。