Auto term window method and its parameter selection

In this paper, the parameter selection in Auto term window (ATW) method is discussed and analyzed in the theoretical and experimental analysis. ATW method can suppress cross terms in Wigner–Ville distribution (WVD) effectively and applied in rotary machinery feature extraction and fault diagnosis. According to the characteristic that the auto terms and cross terms have no correlation, the ATW method introduces a window function which covers the auto terms in the time–frequency domain to windowing the WVD results. Aimed at the two difficulties in this new method which are window function selection and threshold value determination, this paper discusses the parameters optimization process in detail. The suitable window function with good time–frequency distribution and energy accumulation has been selected and compared to some other existent approaches. The optimal parameters are determined in the following analysis and the simulation examples are used to prove the validation of the results.     

基于混合时频分析方法的风电机组故障诊断

针对风电机组传动链系统振动信号非高斯、非平稳性的特点,提出了一种基于混合时频分析的风电机组故障诊断方法。该方法首先采用参数优化Morlet小波消噪方法对原始振动信号进行分析,滤除强大的背景噪声干扰;进而通过自项窗方法抑制时频面的干扰项,增强信号特征成分,提取故障特征以实现故障诊断。在Morlet小波参数优化过程中,采用交叉验证法优化波形参数及连续小波变换的尺度参数;在自项窗的设计过程中,采用基于平滑伪魏格纳分布的函数进行设计,并通过两次阈值处理以减少运算量、提高运算效率。通过对风电机组监测振动数据分析,证明了该方法可以有效地实现背景噪声的消除和故障诊断。     

滚动轴承故障特征提取的EMD频谱自相关方法

首先,在论述频谱自相关方法(spectrum auto-correlation,简称SAC)的特点、经验模态分解(empirical mode decomposition,简称EMD)分析过程和轴承故障机理的基础上,指出了在故障信号不占主导作用时频谱自相关方法在轴承故障诊断中的局限性,并得到仿真算例验证;然后,提出了基于经验模态分解和频谱自相关的轴承故障特征提取方法,将经验模态分解得到的各分量进行分析比较,再对适合的分量进行频谱自相关分析,可有效提出轴承故障频率;最后,分别在轴承故障试验台实测了深沟球轴承和圆柱滚子轴承内外圈故障振动数据,结果表明,EMD-频谱自相关分析方法可以很好地提取轴承故障信号,较单一EMD分解、频谱自相关和峭度等方法效果更好,为轴承故障诊断提供了新思路。     

基于改进多尺度模糊熵的滚动轴承故障诊断方法

滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采用滑动均值的方式代替粗粒化过程,提出了改进的多尺度模糊熵算法,并通过仿真信号将其与MFE进行了对比分析。在此基础上,提出了一种基于改进多尺度模糊熵与支持向量机的滚动轴承故障诊断方法。最后,将所提故障诊断方法应用于的滚动轴承实验数据分析,并与基于MFE的故障诊断方法进行了对比,结果验证了所提方法的有效性和优越性。     

基于余弦调频小波变换的滚动轴承故障研究

针对滚动轴承故障振动信号的特点，构造余玄调频小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：时间一小波能量谱自相关分析法。通过对滚动轴承具有缺陷的情况下振动信号的分析，说明时间一小波能量谱自相关分析法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

小波分析在滚动轴承故障诊断中的应用

本文阐述了基于小波分析的快速傅里叶变换应用于轴承故障诊断的原理,介绍了该方法在减速器滚动轴承故障诊断中的应用.给出了几种频谱图.     

基于Teager-Huang变换的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征,介绍了一种基于Teager-Huang时频谱和边际谱的滚动轴承故障诊断方法。详细阐述了Teager-Huang时频谱和边际谱的计算方法及物理意义。给出了该故障诊断方法的步骤,并对仿真和实际轴承的滚动体故障、内圈故障和外圈故障信号进行了分析和故障诊断。结果表明,基于Teager-Huang变换的故障诊断方法具有计算速度快,估计准确稳定的特点,是准确判断滚动轴承故障状态的一种有效新方法。     

基于角域AR模型滤波的滚动轴承故障诊断

在齿轮噪源存在的变转速滚动轴承故障诊断过程中,因混合信号中转频分量相对较小,使得基于时频表达的阶比跟踪技术受到限制。虽然基于故障特征频率的角域重采样能提取轴承的故障特征,但这种算法不能确定故障位置,而且可能会出现误判。针对这一问题,提出了基于角域自回归(auto regressive,简称AR)模型滤波的处理方法。该方法利用线调频小波路径追踪算法从降采样处理的混合信号中提取齿轮瞬时啮合频率趋势线并估计转速,根据估计转速信息对原混合信号进行等角度重采样,获得了角域信号。利用角域信号中齿轮啮合振动成分具有周期性的特点,使用AR模型对其滤波,并且对滤波后信号进行包络阶比分析,完成故障判断。通过处理仿真信号和实验信号,验证了该方法不仅能有效地去除齿轮噪声,并且可以判断轴承故障位置。     

A new rolling bearing fault diagnosis method based on multiscale permutation entropy and improved support vector machine based binary tree

A new bearing vibration feature extraction method based on multiscale permutation entropy (MPE) and improved support vector machine based binary tree (ISVM-BT) is put forward in this paper. Local mean decomposition (LMD), a new self-adaptive time–frequency analysis method, is utilized to decompose the roller bearing vibration signal into a set of product functions (PFs) and then MPE method is used to characterize the complexity of the principal PF component in different scales. After the feature extraction, a new pattern recognition approach called ISVM-BT is introduced to accomplish the fault identification automatically, which has the priority of high recognition accuracy compared with other classifiers. Besides, the Laplacian score (LS) is introduced to refine the fault feature by sorting the scale factors. Finally, the rolling bearing fault diagnosis method based on LMD, MPE, LS and ISVM-BT is proposed and the experimental results indicate the proposed method is effective in identifying the different categories of rolling bearings.     

基于重分配魏格纳时频谱和SVD的故障诊断

时频谱重分配能有效提高时频谱的时频聚集性,减少干扰项。当振动信号中存在着能量较大噪声时,重分配时频谱会受到噪声干扰影响,降低时频分布的可读性。将重分配魏格纳时频谱(RWVDS)和奇异值分解(SVD)结合形成一种新的机械故障诊断方法。利用重分配算法对魏格纳时频谱进行重分配,提高魏格纳时频谱的时频聚集性,再对重分配时频谱进行SVD降噪,降低了噪声干扰影响,提高其时频分布的可读性。该方法对仿真信号、滚动轴承及齿轮箱故障信号进行了分析,并与其他几种方法作了比较。结果表明,该方法时频聚集性好,抗噪能力强,能有效识别强噪声背景下的机械故障特征。     

滚动轴承故障特征参数自动提取新方法

针对目前基于小波变换的滚动轴承故障诊断系统中故障特征参数依靠人工提取的问题,提出了一种基于小波分析与Hilbert变换的滚动轴承故障特征自动提取新方法.该方法能够在特征频率的一定范围内自动计算出最大包络谱值,实现滚动轴承故障特征参数自动提取.经过对实际滚动轴承实验数据的处理和分析,表明此方法能够准确、快速地提取出滚动轴承的故障特征参数.     

滚动轴承早期故障的多源多方法融合诊断技术

为了使滚动轴承故障的诊断效果更好,提出基于振动信号的滚动轴承多源多方法融合诊断技术。在融合方法中考虑小波分析、时延相关解调法和希尔伯特-黄变换(HHT)3种方法,采用3个传感器测试轴承座加速度,得到多源振动数据。利用3种方法得到的滚动轴承故障特征值,研究了9种融合方案,并利用支持向量机(SVM)进行了特征融合,讨论了不同方法和数据融合的诊断效果。经过实验验证和融合方案比较,表明了融合诊断方法的可行性和有效性     

多小波系数特征提取方法在故障诊断中的应用

针对机械故障的特征提取问题,提出一种基于多小波系数的机械故障特征提取方法。首先,对不同工况的机械振动信号进行多小波分解;其次,利用分解后各层多小波系数的统计特征包括最大值、最小值、均值和标准差作为该工况振动信号的特征向量;最后,利用支持向量机的方法对机械故障进行识别。对滚动轴承正常状况与内圈故障、滚动体故障、外圈故障3种故障及多种损伤程度的实测振动信号进行故障识别试验,试验结果表明,该方法用于机械故障诊断可以获得较高的识别率,识别效果要优于基于单小波系数统计特征的识别方法,具有一定的工程应用价值。     

滚动轴承故障特征的时间—小波能量谱提取方法

振动信号中的周期性冲击现象是诊断滚动轴承各元件故障的重要依据之一,针对滚动轴承故障特征,在小波变换理论基础上提出一种时间—小波能量谱信号处理方法,它能够有效地提取出振动信号中冲击成分的时域和频域特征。利用时间—小波能量谱方法分析正常、外圈故障、内圈故障、滚珠故障等四种状态下滚动轴承的振动信号,并与传统的包络解调分析方法进行对比分析。时间—小波能量谱不仅可以有效提取出冲击特征明显的滚动轴承外圈故障,还能提取出内圈、滚珠等信号特征微弱的滚动轴承故障,而包络解调分析方法只能提取出外圈故障特征而不能提取出滚珠故障、内圈故障特征。结果表明,时间—小波能量普比包络解调分析方法更能有效地提取出振动信号中的冲击信号成分。     

考虑局部故障边缘形态的球轴承振动特征

在分析球与不同边缘形态的局部故障之间接触关系的基础上,根据赫兹接触理论建立了球与局部故障光滑圆柱型边缘之间的接触刚度模型,以及球进入故障区域时的时变位移激励模型。考虑弹性流体动力润滑油膜的影响,提出时变冲击激励耦合的球轴承圆弧边缘型局部故障动力学模型。该模型考虑了故障边缘形态特征变化引起的球进入故障时的时变额外位移激励,以及球与故障边缘之间的时变接触刚度。研究滚道表面圆弧型边缘型局部故障激励下的球轴承振动响应特征,并分析故障边缘形态变化对球轴承振动响应特征的影响规律,解决了尖锐边缘型局部故障模型无法描述其边缘形态变化的问题,为获得可靠的局部故障球轴承的动力学响应特征提供新的手段和方法,也为球轴承局部故障的准确识别与定量诊断提供一定的理论依据。     

基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法

为克服多尺度样本熵的不足,更精确地提取滚动轴承非线性故障特征,将一种新的非线性动力学分析方法--精细复合多尺度散布熵引入到滚动轴承的故障特征提取。在此基础上,提出了一种基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断新方法。通过滚动轴承实验数据分析,将所提方法与基于多尺度样本熵和多尺度散布熵的故障诊断方法进行了对比,结果表明：所提方法不仅能精确地识别滚动轴承故障类型和故障程度,而且故障识别率高于另两种方法。     

基于小波与径向基神经网络的轴承故障诊断

研究了小波包分析与人工神经网络结合起来应用于轴承故障诊断的问题。采用小波包分析对其提取频域能量特征向量，利用径向基函数神经网络完成滚动轴承故障诊断。     

基于高阶统计量的滚动轴承故障诊断方法

针对滚动轴承故障振动信号易受高斯噪声影响的问题,从高阶统计量的理论入手,提出了由信号的高阶谱恢复功率谱.由恢复的功率谱提取故障特征信息的高阶统计量方法,建立了通过高阶谱恢复功率谱的数学模型,并对仿真数据和实测故障数据进行了分析.结果表明,利用高阶累积量对高斯噪声不敏感的特点,可实现高斯噪声下瞬态信号频率与功率谱的正确估计.与传统方法相比,本研究方法可以有效地提取滚动轴承故障特征,同时具有更高的分辨率.     

考虑三维运动和相对滑动的滚动球轴承局部表面损伤动力学建模研究

滚动体通过局部表面损伤时轴承的运动参数及动力学响应是轴承疲劳损伤分析和故障诊断的有效输入和重要依据。基于GUPTA轴承模型构建具有局部表面损伤的滚动球轴承的完整动力学模型。该模型中每个轴承元件(滚球、内圈及外圈)具有6个自由度,并且考虑了元件之间的相对滑动和润滑牵引特性。在对局部表面损伤进行建模时,完整考虑了损伤出现后由于材料缺失而引入的额外间隙,以及损伤对赫兹接触刚度及接触载荷作用方向的影响。研究滚球在通过局部表面损伤时轴承的加速度与滚球/损伤之间冲击力的对应关系,以及轴承转速和损伤宽度对轴承振动响应的影响规律。仿真结果表明,由于考虑了相对滑动和滚球/损伤之间冲击力的影响,本模型能够对具有局部表面损伤的球轴承进行更为合理的动力学特性分析,可为滚动球轴承的疲劳损伤分析和故障定量诊断提供一定的理论依据。     

Semi-supervised weighted kernel clustering based on gravitational search for fault diagnosis

Supervised learning method, like support vector machine (SVM), has been widely applied in diagnosing known faults, however this kind of method fails to work correctly when new or unknown fault occurs. Traditional unsupervised kernel clustering can be used for unknown fault diagnosis, but it could not make use of the historical classification information to improve diagnosis accuracy. In this paper, a semi-supervised kernel clustering model is designed to diagnose known and unknown faults. At first, a novel semi-supervised weighted kernel clustering algorithm based on gravitational search (SWKC-GS) is proposed for clustering of dataset composed of labeled and unlabeled fault samples. The clustering model of SWKC-GS is defined based on wrong classification rate of labeled samples and fuzzy clustering index on the whole dataset. Gravitational search algorithm (GSA) is used to solve the clustering model, while centers of clusters, feature weights and parameter of kernel function are selected as optimization variables. And then, new fault samples are identified and diagnosed by calculating the weighted kernel distance between them and the fault cluster centers. If the fault samples are unknown, they will be added in historical dataset and the SWKC-GS is used to partition the mixed dataset and update the clustering results for diagnosing new fault. In experiments, the proposed method has been applied in fault diagnosis for rotatory bearing, while SWKC-GS has been compared not only with traditional clustering methods, but also with SVM and neural network, for known fault diagnosis. In addition, the proposed method has also been applied in unknown fault diagnosis. The results have shown effectiveness of the proposed method in achieving expected diagnosis accuracy for both known and unknown faults of rotatory bearing.