基于LMD能量熵的滚动轴承故障特征提取

为了对滚动轴承运行状态进行有效的判断,利用局部均值分解(LMD)对滚动轴承振动信号进行分解,将复杂的多分量信号分解成多个单分量信号;针对分解后的单分量信号在各频域范围分布不均匀特点,利用LMD能量熵提取出滚动轴承振动信号的故障特征。实验结果表明,LMD能量熵具有较强的信号表征能力,可以有效提取出滚动轴承故障特征。     

基于改进AILF与JRD算法的轴承损伤量化评估研究

在对轴承损伤进行量化评估时,在特征提取算法方面易出现模态混叠、收敛速度慢的现象,同时在轴承损伤的评估指标方面,由于工况的变化也容易导致其鲁棒性差、精确度不高,而难以满足实际的需求,针对上述一系列问题,提出了一种以改进的自适应局部迭代滤波(ALIF)算法作为性能退化特性提取算法,以频带间能量JRD距离作为评估指标的轴承损伤量化评估算法。为了提高AILF算法的收敛速度和精度,首先,将具有主成分分析(PCA)特性的奇异值分解(SVD)算法作为AILF算法的前置滤波单元;然后,采用AILF将通过前置处理的信号进行自适应迭代分解;最后,以频带间能量的JRD距离作为评估指标,对轴承的损伤状态进行了量化评估实验以及加速寿命实验。研究结果表明：在量化评估轴承损伤和监测其全寿命性能退化状态方面,该评估算法具有较好的效果;在外界工况发生变化时,与其它的相关算法相比,该量化评估算法具有更好的鲁棒性和量化积聚性,能够更加灵敏地辨识轴承的早期性能退化,因此,该算法在工程实际中具有良好的应用前景。     

基于DLMD样本熵和模糊聚类的滚动轴承故障诊断

针对传统的局部均值分解(LMD)方法不能有效提取微弱高频信号成分的问题,提出了一种基于微分的微分局部均值分解(DLMD)方法,在此基础上,将DLMD、样本熵和模糊聚类分析相结合,提出了一种基于DLMD样本熵和模糊聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行微分局部均值分解,得到若干具有物理意义的乘积函数(PF)分量,然后求取各PF分量的样本熵并将其作为特征向量,最后通过模糊聚类对特征向量进行识别分类。实验结果表明,基于DLMD样本熵和模糊聚类相结合的方法能够准确、有效地对滚动轴承故障信号进行识别分类。     

经验模态分解与核马氏距离的滚动轴承性能退化评估

为了准确识别滚动轴承退化状态,提出了一种基于经验模态分解(EMD)和核马氏距离的滚动轴承性能退化评估方法。该方法通过EMD分解得到各阶IMF分量的标准偏差提取信号的特征信息,以样本的标准偏差向量作为样本的特征向量,将无故障样本的特征向量和待测样本特征向量设为样本集,通过衡量样本集和待测样本之间的核马氏距离来评估滚动轴承的性能退化程度。通过对轴承不同故障程度数据以及对轴承全寿命实验数据的分析验证了该评估模型的可行性,所提出方法能够准确反映故障程度的加深并持续跟踪故障发展趋势。     

基于小波包Tsallis熵和FCM的滚动轴承性能退化评估

鉴于小波包Tsallis熵和模糊C均值(FCM)的优点,提出了一种将两者相结合的滚动轴承性能退化评估方法。该方法首先提取正常数据和失效数据的小波包Tsallis熵,并利用FCM建立性能退化评估模型。然后提取待测数据的小波包Tsallis熵,并以待测数据隶属于失效状态的程度作为轴承性能退化中的定量评估指标,同时设定了早期故障阈值。实验分析表明,与基于小波包熵和FCM的评估方法相比,该方法得到的评估指标能更及时地发现早期故障,对噪声的鲁棒性也更强,且其变化范围为[0,1],可解释性强。     

流形模糊C均值方法及其在滚动轴承性能退化评估中的应用

滚动轴承全寿命周期性能退化监测是设备主动维修技术重要的组成部分,对损伤状态进行有效评估可以实现设备接近零停机运行,发挥机器的最大生产力。为有效描绘滚动轴承性能退化趋势,提出一种基于流形学习的模糊C均值(Fuzzy C-means algorithm,FCM)方法。首先提取监测信号的时域、频域特征及小波包时频域特征组成高维特征集,然后按确定的本征维数提取高维特征集的低维流形特征,进而建立基于局部线性嵌入流行学习(Locally linear embedding,LLE)的模糊C均值模型评估轴承当前运行状态。通过IMS滚动轴承全寿命试验,验证了该方法能够有效描绘滚动轴承性能退化阶段,为预知维修提供了重要信息。     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。     

LMD能量熵和SVM相结合的滚动轴承故障诊断

为实现小样本情况下对滚动轴承进行故障检测和分析,提出了基于局部均值分解(LMD)的能量熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。利用LMD信号处理方法将滚动轴承振动信号分解成有限个乘积函数(PF)分量,通过计算PF分量的能量熵进行故障特征提取,然后将提取的特征输入到SVM分类器中进行训练及测试,最终实现对滚动轴承的故障诊断。实验数据显示,在仅有少量样本条件下,LMD能量熵和SVM相结合的方法能够精确地对滚动轴承的故障类型进行识别和分类,这表明该方法对滚动轴承故障诊断的有效性。     

滚动轴承性能不确定性与可靠性评估

以灰色系统理论和泊松计数过程为基础,对滚动轴承性能不确定性进行参数量化,并在设定阈值条件下研究不同工况下轴承性能可靠性,进而建立其性能不确定性与可靠性匹配序列,以寻找轴承服役期间两者之间的内在联系。根据轴承运转期间某属性时间序列,进行灰自助处理得到该属性的不确定性;然后参考设定阈值进行泊松计数,获得该时间序列的有效变异强度,进而得到其性能运转可靠性;最后分析不确定性与可靠性两者之间的灰关系。实验结果显示,滚动轴承性能不确定性与可靠性的演变状况可以被真实描述,两者归一化处理结果十分相像,有着明显的灰关系,各案例的实验结果保持良好的一致性。     

基于模糊综合评判法的滚动轴承性能评价

为了全面评价滚动轴承的各项性能指标,建立了滚动轴承综合性能的评价指标体系,采用专家估值法确定了轴承各项性能指标的权重系数.以某种轴承为对象,给出了运用二级模糊综合评判法对其各项性能指标进行评价的结果,模糊综合评判法可为用户合理地选择轴承型号提供参考.     

滚动轴承振动性能的混沌特性与不确定性之间的灰关系评估

鉴于滚动轴承振动性能的失效概率分布呈现多变性、非线性、不确定性等特征,提出分别用振动数据序列的Hurst指数和最大熵指标表征滚动轴承振动性能的混沌特性和不确定性。基于滚动轴承服役过程中的振动数据序列,在对数坐标系中运用最小二乘法拟合得到Hurst指数值,判断各个振动序列对应时间段内轴承运行性能状态的混沌特性。运用最大熵法求解各振动序列的最大熵值,进而对轴承振动性能的不确定性进行定量分析。运用灰关系分析法,计算均值归一化后的Hurst指数和最大熵序列之间的灰置信水平,分析轴承振动性能的混沌特性和不确定性之间的非线性相关程度。两个案例中Hurst指数与最大熵序列之间的灰置信水平分别为96.99%和82.1%,表明轴承振动性能的混沌特性和不确定性之间的关系非常紧密。     

基于改进模糊熵和灰关系的滚动轴承性能退化评估

针对模糊熵在提取滚动轴承性能退化特征时敏感度较低的问题,提出了一种基于类Sigmoid函数的改进模糊熵,并将其用于滚动轴承退化特征提取.针对传统的滚动轴承性能退化评估方法局部化的问题,提出了一种基于灰关系的滚动轴承性能退化评估方法,该方法使用灰关系理论评估提取的滚动轴承退化特征与可靠性之间的关系,从而达到从滚动轴承可靠...     

密封轧机轴承及其应用

介绍了密封式四列圆锥滚子轴承和密封式自调游隙双列圆锥滚子轴承两种结构。密封轧机轴承的结构特点、工作特性、材料特性和冷热加工的技术条件 ,同时介绍了安装使用及日常检修的注意事项。附图 2幅 ,表 1个。     

GAPSO-KELM在滚动轴承故障诊断中的应用

为了减小故障特征提取对信号处理方法和人工经验的依赖性、降低诊断模型的计算复杂度、有效提高诊断精度,本文提出了一种卷积神经网络(CNN)与核极限学习机(KELM)相结合的滚动轴承故障诊断方法.首先,直接将不同故障模式下的滚动轴承原始振动信号进行分段处理,用以构建训练集、验证集和测试集.其次,利用CNN卷积运算提取特征,通...     

基于果蝇优化算法-小波支持向量数据描述的滚动轴承性能退化评估

针对支持向量数据描述(SVDD)算法对滚动轴承早期故障不敏感、参数选择困难的问题,提出了一种基于果蝇优化算法-小波支持向量数据描述(FOA-WSVDD)的滚动轴承性能退化评估方法。提取滚动轴承早期无故障振动信号的时域、时频域特征向量,并基于单调性进行特征选择;针对现有核函数对滚动轴承早期故障不敏感问题,将小波核函数引入到SVDD算法中;针对SVDD算法参数选择困难的问题,以支持向量个数与总样本数的比值作为适应度函数,采用改进的FOA算法对其核参数进行优化,建立FOA-WSVDD评估模型;最后,将轴承后期振动数据的特征向量输入到该WSVDD模型中,得到轴承的性能退化指标。试验结果表明,采用所提方法能准确地对轴承早期故障作出预警,与基于高斯核函数的SVDD算法相比,提前了17h。     

基于Bayes网络高性能滚动轴承失效影响因素可靠性评估方法

滚动轴承是精密机床、高速列车、航空发动机等重大装备的关键核心部件,其性能的好坏直接影响到主机的使役寿命.因此,对高性能滚动轴承失效形式、损伤机理进行相关影响因素可靠性定量评估具有重要意义.首先建立了高性能滚动轴承失效影响因素故障树模型,直接映射建立其Bayes网络模型,利用桶排除法对轴承失效概率及中间失效结点概率进行了...     

KTA-KELM在滚动轴承故障诊断中的应用

在数据驱动的滚动轴承状态辨识模型构建过程中,针对核极限学习机(Kernel ExtremeLearning Machine,KELM)算法中高斯核函数的径向宽度参数σ选取不当极易造成模型分类精度差的问题,提出一种核排列优选核参数σ的滚动轴承状态辨识方法。首先,将测取滚动轴承振动信号经总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)进行分解并计算其能量熵、排列熵来构建高维的特征向量集;然后,初始化核排列(Kernel Target Alignment,KTA)算法参数:最大核排列值Ai和核参数σi,通过判断核矩阵与理想目标矩阵间距离来调节不同的Ai和σi值,来获取两矩阵距离最短时所对应的Ai,此时核参数σi最优。最后,将上述滚动轴承的高维特征向量集作为输入通过KTA-KELM算法的学习,建立基于KTA-KELM的滚动轴承的状态辨识模型。仿真实验结果表明,与KELM、ELM算法相比,KTA-KELM算法将滚动轴承状态辨识的精度由92. 5%和90%提高到98. 75%,分别提高6. 25%和8. 75%。