基于稀疏性非负矩阵分解的滚动轴承复合故障诊断

将时频图像非负矩阵分解算法加以改进,提出时频图像稀疏性非负矩阵分解(SNMF)算法,并将其用于滚动轴承复合故障诊断.滚动轴承复合故障信号的双谱时频图中蕴含了丰富的故障信息,对双谱进行稀疏性非负矩阵分解分析,提取时频图的稀疏系数矩阵,将其分别作为训练及测试特征向量输入到支持向量数据描述(SVDD)算法,进而实现滚动轴承的3类复合故障类型(内圈外圈复合故障、滚动体外圈复合故障及外圈内圈滚动体复合故障)的正确分类.     

局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。     

LTSA和KECA相结合的轴承故障诊断

针对轴承的工况复杂,其振动信号呈现非线性、非平稳特性。传统算法不能充分挖掘出非线性、非平稳信号内部本质信息,提出了基于局部切空间排列算法(LTSA)与核熵成份分析(KECA)相结合的故障诊断方法。该方法首先将滚动轴承振动信号一维时间序列重构到高维相空间,并估计数据的本征维数;然后利用局部切空间排列算法对数据集进行维数约简,得到初始的低维流形结构特征向量空间的第一行特征,对其进行快速傅里叶变换(FFT),从其频谱中分别提取滚动轴承内环、外环的故障特征频率及它们分别对应的倍频和频谱能量等7个变量作为故障特征向量;最后采用KECA对滚动轴承的故障特征向量进行模式识别,KECA可实现根据熵值大小进行特征分类,具有较强的非线性处理能力,从而实现故障的识别与诊断。采用Case Western Reserve大学提供的轴承实验数据对算法进行了验证,结果表明该方法可有效提取滚动轴承的故障特征,可以对滚动轴承的故障类型精确分类,实现对滚动轴承准确的故障诊断。     

柴油机振动谱图纹理增强的NMF特征提取方法

针对柴油机振动加速度信号特征提取困难的问题,提出一种对时频图像纹理信息进行增强的矩阵非负分解方法,用于提取柴油机振动信号的时频特征。首先,利用匹配追踪算法(MP)结合Wigner-Ville分布获取时频分辨率较好的时频表征;然后引入局部二值模式(LBP)算子对时频图像的灰度矩阵重新编码,再利用非负矩阵分解算法(NMF)获取时频图像对应的低维特征参量,以增强时频图像的纹理特征,提高NMF的特征提取效果。通过对柴油机4种不同状态的振动信号进行分析研究,可得出结论:该方法能有效地表达柴油机缸盖振动加速度信号的时频特征,可用于准确地诊断柴油机的气门故障。     

基于非负矩阵分解的单通道故障特征分离方法

针对单通道振动信号的多特征分离问题,提出了一种基于正交非负矩阵分解的故障特征提取方法。首先,采用短时傅里叶变换,利用时频分布来描述信号中的局部故障特征,通过核心一致性指标评估子空间维数;然后,在幅值谱矩阵分解的基础上,通过正交性约束实现低维嵌入分量信息的分离,获取局部特征的准确描述;最后,采用相位恢复理论重构出特征波形,对仿真信号和滚动轴承故障数据进行了测试。结果表明,所提出的方法能利用单通道信号有效地分离出微弱的局部故障特征,为机械状态的早期故障诊断识别提供了一种有效手段。     

一种基于非线性流形的滚动轴承复合故障诊断方法

针对滚动轴承振动信号的非平稳以及非线性特点,提出了一种基于非线性流形的滚动轴承复合故障诊断方法。该方法首先提取振动信号的时域指标和小波包频带分解能量所构成的频域指标,组成原始特征空间,采用基于判别准则的邻域因子优化选择算法,运用基于局部切空间排列算法的非线性降维算法对原始特征空间进行学习,极大地保留了信号中内在的整体几何结构信息,从而提取出振动信号最优的敏感故障特征。试验结果表明,与经典的线性降维方法相比,该方法的聚类效果更好。     

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。     

基于局部特征尺度分解和奇异值差分谱的滚动轴承故障诊断方法

为有效消除滚动轴承故障振动信号中噪声,更好提取故障特征频率,提出了基于局部特征尺度分解和奇异值差分谱的故障诊断方法。该方法首先利用局部特征尺度分解将非平稳信号分解成若干个不同频带的内禀尺度分量;然后对包含故障特征的分量构造Hankel矩阵并进行奇异值分解并求得奇异值差分谱曲线,利用差分谱最大突变点确定重构信号的阶数并重构信号;最后再求重构信号的包络谱,便可准确获得相应故障特征频率。滚动轴承故障诊断的试验结果证明,该方法能快速准确地提取出故障信息,具有一定的优势。     

基于监督拉普拉斯分值和主元分析的滚动轴承故障诊断

在拉普拉斯分值(Laplaian score,LS)方法的基础上,提出一种监督拉普拉斯分值(Supervised laplaian score,SLS)特征选择方法。该方法同时考虑数据的标号信息和局部几何结构,避免LS方法中要设定近邻图参数的问题。将SLS和主元分析(Principal component analysis,PCA)相结合,提出基于SLS和PCA的滚动轴承故障诊断方法。该方法在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征矢量;利用SLS进行特征选择,形成故障特征矢量;再对特征矩阵进行PCA降维处理,并用K近邻(K-nearest neighbor algorithm,KNN)分类算法实现滚动轴承不同故障类型的识别。应用实例表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障,且故障分辨率优于基于LS和PCA的故障诊断方法。     

基于MCKD和VMD关联维数的轴承故障特征提取AR模型

针对滚动轴承早期故障易受噪声影响难以准确提取特征信息的问题,提出了一种基于最大相关峭度解卷积(MCKD)和变分模态分解(VMD)关联维数的故障诊断AR模型.采用MCKD对滚动轴承振动信号进行降噪处理,滤除噪声影响;对降噪后的信号进行VMD分解,选择对故障特征敏感的IMF分量进行信号重构,并对重构信号建立AR模型,获取自回归参数;计算在指定嵌入维数上自回归参数的关联维数,对滚动轴承的故障进行诊断.实验结果表明,所提方法能够有效提取故障信号中的特征信息,证明了方法的有效性.     

变转速下基于rSVD-ST和SBCT的滚动轴承故障诊断方法

针对变转速下滚动轴承振动信号易受噪声干扰，导致轴承的故障特征信息被掩盖的问题，文中提出了一种基于随机奇异值分解-软阈值去噪（rSVD-ST）和尺度基线性调频变换（SBCT）的滚动轴承故障诊断方法。r SVD-ST是通过对目标信号构造Hankel矩阵，并随机投影到低维子空间上实现降维，随后对其进行奇异值分解（SVD）以获得基本特征向量，并重构成平滑的信号，在此基础上利用软阈值算法对平滑信号进行处理，从而实现信号的去噪。SBCT是在线性调频变换（CT）的基础上引入核相位函数，实现了在对应的时间中心缩放时频基的尺度，达到精确匹配多分量信号时频轨迹的目的。因此，通过SBCT获得的时频表示（TFR）可以实现更高的时频能量集中，尤其对于频率间隔较近的多分量信号效果更较显著。最后通过数值模拟仿真和实验台振动信号分析，验证了文中所提方法在强背景噪声和变转速工况下滚动轴承故障诊断的有效性。     

应用多分辨SVD和ICA的轴承复合故障诊断研究

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于多分辨奇异值分解(SVD)和独立分量分析(ICA)的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量实现维数的增加;然后将分解得到的分量组合为混合信号,并利用ICA进行欠定盲分离;最后对分离后的独立分量进行Hilbert包络解调,由此实现对复合故障特征信息的分离和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。     

基于EMD-SDP特征融合的CNN轴承保持架故障诊断研究

针对滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取等问题,提出了一种基于EMD-SDP特征融合的CNN轴承保持架故障诊断方法.采用了SDP信息融合方法对保持架故障振动信号的EMD固有模态分量进行了特征信息融合,展示了不同保持架故障振动信号的时频特性;分析了滚动轴承保持架不同故障状态下的SDP特征...     

柴油机振动信号快速稀疏分解与二维特征编码

针对柴油机故障诊断方法中的信号时频表征及特征提取问题,提出一种基于振动信号快速稀疏分解与二维时频特征编码识别的柴油机智能故障诊断方法。首先,为了获得时、频聚集性优良的时频图像,提出一种随分解残差信号自适应更新Gabor字典的改进匹配追踪(adaptive matching pursuit,简称AMP)算法,利用AMP算法将柴油机振动信号分解后叠加各原子分量的Wigner-Ville分布,获取原信号的稀疏分解时频图像;然后,为提取时频图像的特征参量,提出了双向二维非负矩阵分解(two-directional,2-dimensional non-negative matrix factorization,简称TD2DNMF)算法,用于对时频图像的幅值矩阵进行特征编码,获取蕴含在时频图像内部的低维特征,并利用最近邻分类器实现了时频图像的自动分类识别。将提出的方法应用于4种不同状态柴油机气门故障的诊断试验中,结果表明,该方法能够获得无交叉项干扰、聚集性好的时频图像,使各时频分量的物理意义更加明确,并改进了传统图像模式识别中的特征参数提取方法,是一种有效的柴油机故障诊断方法。     

基于小波分析的滚动轴承摩擦副表面损伤故障诊断系统

针对滚动轴承故障振动(非平稳信号)之特征,提出了基于小波分析的滚动轴承故障诊断方法.该方法应用Matlab软件对包含滚动轴承故障信息的信号进行小波分解和重构,通过细化频谱分析,可有效地把轴承中的故障信息成分检测出来,从而快速地判断轴承的故障类型.基于上述研究,研发出一套适用的滚动轴承摩擦副表面损伤故障诊断系统.经实践检验,诊断方法正确,检测结果稳定、可靠.该系统经改进和功能扩展,可应用于其他振动信号的采集和分析.     

局部特征尺度分解和局部切空间排列在故障特征频率提取中的应用

为了从非线性、非平稳的振动信号中提取故障特征频率,提出了一种故障特征频率提取新方法。该方法将局部特征尺度分解和流形学习算法局部切空间排列相结合,首先利用局部特征尺度分解将振动信号分解成若干个内禀尺度分量,将其组成多维特征向量;其次采用流形学习算法中的局部切空间排列对多维特征向量进行降维处理,得到低维特征向量,对得到的低维特征向量进行信号重构;最后采用频谱分析方法对重构信号进行故障特征频率的提取。在滚动轴承故障试验中,所提出方法能够准确提取出内圈和外圈故障的特征频率,验证了该方法的有效性。     

基于S-CBiGRU的风电机组滚动轴承故障诊断方法

风电机组滚动轴承的振动信号存在非线性、非平稳的特性,且其特征不易被提取,针对这一问题,提出了一种基于S变换、卷积神经网络、双向门控循环单元的滚动轴承故障诊断方法(即基于S-CBiGRU的诊断方法)。首先,利用S变换对风场采集的振动信号进行了多分辨率时频分析,将一维振动信号转化为包含时间与空间特征信息的二维时频图像;然后,将经S变化所得到的时频图输入到CBiGRU网络模型中,采用CNN卷积池化层提取了振动信号的空间特征;其次,采用BiGRU结构提取了振动信号中的时间序列特征;最后,为了对上述诊断方法的有效性进行验证,采集了风电机组轴承实验数据,并将其输入到该模型中进行诊断实验。实验结果表明：在风电机组轴承故障诊断中,采用S-CBiGRU方法准确率达到93.17%,分类效果优于其他深度学习算法。研究结果表明：S-CBiGRU故障诊断方法具有可行性,可以为风电机组滚动轴承的故障诊断提供一种新途径。     

基于S变换与奇异值中值分解的滚动轴承故障诊断

为了有效地提取出滚动轴承故障信号的冲击特征,提出了一种基于S变换时频谱和奇异值中值分解(SVMD)算法的滚动轴承故障诊断方法。首先,利用S变换对滚动轴承原始振动信号进行了时频变换,得到了其时频系数矩阵,通过SVMD对时频系数矩阵进行了计算,筛选出合适的奇异值用以降噪;然后,通过仿真的方式,对结果进行了S逆变换,以获得信号的时域冲击特征;最后,以滚动轴承(型号N205)外圈、滚动体故障为例,进行了故障信号冲击特征提取实验,通过对轴承的外圈和滚动体故障数据分析处理,对基于ST-SVMD算法的有效性进行了验证。研究结果表明：通过采用基于ST-SVMD算法,得到了滚动轴承外圈的故障频率,该频率与该型号轴承特征频率基本一致;基于ST-SVMD算法,得到了滚动轴承滚动体的故障频率,该频率与该型号轴承特征频率基本一致;该结果证明,基于ST-SVMD算法在滚动轴承故障信号冲击特征的提取方面是有效的。     

基于HVD与1.5维Teager能量谱的滚动轴承故障诊断方法研究

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了一种基于Hilbert振动分解(HVD)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先将故障信号进行HVD分解,然后采用相关系数法重构原始信号,降低噪声的干扰,增强故障信号的冲击特征,最后对重构后的信号进行1.5维Teager能量谱运算,提取出滚动轴承的故障特征。     

基于递归复杂网络的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳的特征,提出了一种基于递归复杂网络(recurrence complex network,简称RCN)的轴承故障诊断方法。首先,利用相空间重构的理论将一维时间序列扩展到高维相空间中,构建递归矩阵;然后,研究了基于递归思想的定量递归分析方法;最后,采用递归复杂网络的方法提取故障轴承振动信号的非线性特征参数,对轴承正常状态、内圈故障、滚动体故障和外圈故障振动信号进行分析。研究结果表明,RCN方法可以对滚动轴承故障进行较为准确的诊断,与传统方法相比具有较好的诊断效果。