基于SSD和Teager能量算子的滚动轴承故障诊断方法

针对滚动轴承早期故障冲击信号较难提取的问题,提出基于奇异谱分解(singular spectrum decomposition,SSD)和Teager能量算子的滚动轴承故障诊断方法。首先,利用SSD分解振动信号得到一组不同频带分布的奇异谱分量(singular spectrum component,SSC);其次,根据峭度准则选取最佳SSC分量,利用Teager能量算子计算该分量的瞬时能量信号并对其进行傅里叶分析,从而得到信号的Teager能量谱;最后,根据能量谱图提取故障特征频率。将该方法运用到仿真信号和滚动轴承实测信号中,并和包络谱、EMD及EEMD方法进行对比分析,结果表明,该方法能有效解调故障特征信息,准确识别轴承故障类型,诊断效果更佳。     

轴承故障信号的平均组合差值形态滤波分析

为了提取受谐波和随机噪声干扰的信号中的冲击故障特征,提出基于平均组合差值形态滤波（ACDIF）和Teager能量峭度（TEK）的滚动轴承故障诊断方法.将对冲击成分具有不同抑制方式的4种基本形态算子两两合并加强抑制效果,组合作差反向提取出正、负冲击,构造出一组新的组合差值形态算子（CDIF）,通过比较分析选择其中2种CDIF的平均值作为最终滤波输出.针对滤波过程中结构元素（SE）的选择问题,采用TEK作为评价指标筛选最佳结构元素长度,有效提高了滤波处理的效率和精确度.数值仿真和轴承外圈故障振动信号的试验结果表明,利用该方法能够有效地滤除随机噪声和谐波干扰,提取强背景噪声下的冲击故障特征,滤波效果优于传统方法.     

基于ITD-AR模型的故障诊断方法研究

消减噪声干扰,提取振动信号故障特征是旋转机械设备故障诊断的关键问题,为此本文提出了基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)-自回归(Auto Regressive,AR)模型的故障诊断方法.首先用ITD将振动信号分解成一系列的固有旋转(Proper Rotation,PR)分量;然后通过峭度准则对PR分量进行筛选,并对峭度值大的PR分量建立AR模型;最后对AR模型进行Teager能量算子(Teager-Kaiser Energy Operator,TKEO)分析,绘制Teager能量频谱,提取振动信号的冲击特征.将该方法应用于滚动轴承的故障诊断,实验结果表明,该方法能够准确地提取故障特征信息.     

基于DRSN-CW和LSTM的轴承故障诊断

利用深度残差网络中逐通道不同阈值的残差收缩模块(DRSN-CW)的降噪能力和特征提取能力,结合长短时记忆网络(LSTM)和注意力机制,设计了一个端到端的基于振动信号的轴承故障诊断模型DRSNCW-LSTM。其中,LSTM模块很好地利用了信号的时序特点,充分提取振动信号的内部时域特征。同时,注意力机制的引入可以使得模型自动提取出重要的时域特征用于后续的故障类型识别。在凯斯西储大学(CWRU)数据集上对提出的模型进行了测试,实验表明提出的方法在无降噪处理的情况下,相比于最新的MCNN-LSTM模型能更准确地诊断轴承故障。在训练数据不足的情况下,提出的方法依旧能较好地实现轴承故障诊断,平均准确率能达到98.16%,比MCNN-LSTM平均提升了2.62%。     

基于形态梯度算子的滚动轴承故障特征提取

滚动轴承故障信号是一种典型的脉冲调制信号,从含有噪声的振动信号中有效地提取出冲击脉冲信号是振动轴承故障诊断的关键.提出了采用形态梯度算子提取滚动轴承冲击脉冲信号的方法,并与常用的包络解调分析和形态闭算子进行了比较分析.仿真信号和实测轴承故障信号的分析结果表明:形态梯度解调算子具有更强的噪声抑制和脉冲提取能力,并且计算简...     

应用奇异值分解和峭度分离滚动轴承复合故障

滚动轴承多故障特征影响故障诊断结果,为此提出一种结合奇异值分解和峭度的复合故障诊断方法。将采集的双通道多故障特征振动信号进行多层奇异值分解,利用奇异值差分谱和归一化峭度进行筛选和重构,实现对多故障特征的分别提取;通过滚动轴承内外圈故障实验,最终分离出轴承的2种故障。与直接采用原始信号诊断相比,该方法能够在背景噪声下准确分离频率相近的微弱故障成分,提高提取瞬态冲击信号特征的能力,能有效识别滚动轴承的故障类型和发生部位,提高复合故障诊断的准确性。实验结果表明,该方法可以有效地分离和提取滚动轴承多故障特征。     

基于LCD和Teager能量算子的滚动轴承故障诊断

提出了一种基于局部特征尺度分解和Teager能量算子包络解调的滚动轴承故障诊断方法.首先,在定义具有物理意义瞬时频率的单分量信号——内禀尺度分量(intrinsic scale component,ISC)的基础上介绍了一种全新的信号自适应分解方法——局部特征尺度分解(local characteristic-scale decomposition,LCD).然后,在滚动轴承故障模拟试验台上采集振动信号,并对信号进行局部特征尺度分解,将其分解成为若干个内禀尺度分量,之后对包含故障信息的ISC进行能量算子包络解调,从而得到轴承故障的特征频率.实验和工程实践的轴承故障信号分析结果表明:该方法可以准确识别滚动轴承的故障,可以应用于工程实践.     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于FV-FBE的滚动轴承故障诊断研究

针对单通道信号不能全面提取旋转机械的振动信息,为了从强背景噪声中准确提取出滚动轴承的微弱故障特征,提出了一种全矢频带熵(FV-FBE)的滚动轴承故障诊断算法。该方法采用短时傅里叶变换计算频带熵(FBE),根据FBE最小原则自适应设计双通道信号的带通滤波器带宽和中心频率,对滤波后的双通道信号采用全矢Hilbert包络解调,得到全矢包络谱进行滚动轴承的故障识别。实验结果表明:FV-FBE算法可以全面准确地提取滚动轴承故障特征,优于谱峭度算法得到的全矢包络谱,抗干扰能力强。     

基于Hermitian小波的时间-小波能量谱滚动轴承故障诊断方法

针对滚动轴承早期故障微弱特征难以提取的问题,提出了一种基于Hermitian小波时间-能量谱的滚动轴承故障诊断方法.该方法针对轴承故障振动信号具有奇异性的特点,首先利用Hermitian小波对原始信号进行连续小波变换;再根据小波变换的结果求取信号能量在时间轴上的分布情况,利用谱峭度指标作为选择最佳累积尺度的标准,得到时间-小波能量分布;最后对时间-小波能量分布进行谱分析得到时间-小波能量谱以提取故障特征.利用时间-小波能量谱对仿真信号和轴承外圈及内圈点蚀故障信号进行分析.结果表明:该方法可有效地提取出强噪声环境下微弱故障的特征成分,并与普通的时间-小波能量谱作对比,特征提取效果更为明显,非常适用于滚动轴承早期故障诊断.     

基于时频消噪TFPF和时频分布MBD的轴承早期故障诊断

噪声是影响轴承、齿轮等机械设备早期微弱故障特征正确提取的主要因素,利用新颖的时频峰值滤波技术TFPT有力的噪声消减特性,将PTFT与改进的时频分布MBD相结合,提出了时频峰值滤波TFPT-时频分布MBD的故障识别新方法,即应用TFPF消减振动信号的随机噪声作为时频分析的前置处理,对消噪的故障信号作MBD时频分析来识别故障特征,给出了时频峰值滤波时频分布的故障诊断模型。诊断实例的分析结果表明了与传统的MBD的故障特征提取相比,提出的改进方法更易提取出强噪声背景下的轴承早期的微弱故障,具有明显的可诊断性和实用性。     

Extraction of failure characteristic of rolling element bearing based on wavelet transform under strong noise

There has been a lot of research has been performed regarding diagnosing rolling element bearing faults using wavelet analysis, but almost all methods are not ideal for picking up fault signal characteristics under strong noise. Therefore, this paper proposes auto-correlation, cross-correlation and weighted average fault diagnosis methods based on wavelet transform (WT) de-noising which combine correlation analysis with WT for the first time. These three methods compute the auto-correlation, the cross-correlation and the weighted average of the measured vibration signals, then de-noise by thresholding and computing the auto-correlation of de-noised coefficients of WT and FFT of ctlergy sequence. The simulation results indicate that all methods enhance the capabilities of fault diagnosis of rolling bearings and pick up the fault characteristics effectively.     

基于改进稀疏滤波与深度网络融合的轴承故障诊断

针对滚动轴承故障时特征提取依赖人工经验,以及故障类别难以自动准确识别的问题,提出了一种改进稀疏滤波和深层空洞门卷积网络相结合的故障诊断模型. 采用滑动窗对具有时序特征的轴承振动信号进行采样处理以避免过拟合;通过改进目标函数的稀疏滤波消除数据中的异方差并提取数据特征,达到缩短计算时间和提高分类准确率的效果;利用空洞门卷积和双向LSTM网络对噪声进行滤除,同时进行故障分类识别. 对比凯斯西储大学和动力系统装置的轴承实验数据,显示该模型故障诊断准确率可达98%. 不同负载和不同信噪比的轴承振动信号实验,表明该模型具有泛化性和抗噪性.     

A bearing fault diagnosis method based on sparse decomposition theory

The bearing fault information is often interfered or lost in the background noise after the vibration signal being transferred complicatedly, which will make it very difficult to extract fault features from the vibration signals. To avoid the problem in choosing and extracting the fault features in bearing fault diagnosing, a novelty fault diagnosis method based on sparse decomposition theory is proposed. Certain over-complete dictionaries are obtained by training, on which the bearing vibration signals corresponded to different states can be decomposed sparsely. The fault detection and state identification can be achieved based on the fact that the sparse representation errors of the signal on different dictionaries are different. The effects of the representation error threshold and the number of dictionary atoms used in signal decomposition to the fault diagnosis are analyzed. The effectiveness of the proposed method is validated with experimental bearing vibration signals.     

一种滚动轴承故障的诊断方法

针对滚动轴承的故障特点,提出了一种小波包分析、粗糙集理论和神经网络相结合的轴承诊断方法.利用小波包变换对信号进行适当层次的小波包分解,对信号的频带进行精细的分割,以各个频带信号能量的分布情况作为故障特征量,形成故障诊断决策表;接着根据粗糙集理论进行处理得到更为简明的最优诊断规则;然后根据约简结果,建立了神经网络故障诊断系统;最后以诊断实例验证了该方法的有效性和可行性.     

基于局域波法和KPCA-LSSVM的滚动轴承故障诊断

针对故障滚动轴承振动信号具有非平稳性,提出基于局域波法和核主元分析 最小二乘支持向量机(KPCA LSSVM )的故障诊断方法.先对轴承振动信号进行局域波分解得到若干内禀模式函数(IMF),分别计算各IMF分量的特征能量、奇异值和AR模型参数作为原始特征向量,再用KPCA将原始特征向量映射到高维特征空间提取主元构造新的特征向量,将其作为LSSVM分类器的输入来实现轴承的故障诊断.故障诊断试验结果表明,KPCA LSSVM诊断方法通过KPCA得到更多的识别信息,改善了LSSVM的分类性能,相对于直接LSSVM诊断方法具有更优的泛化性,可准确识别轴承的故障类别和严重程度.