自适应稀疏贝叶斯滤波在轴承故障提取中的应用

稀疏贝叶斯滤波作为一种简单、新颖的滤波器,对噪声中的步进动态具有较好鲁棒性。同时,该滤波器引入一种L1正则化,其稀疏解可通过标准凸优化方法快速获得,因此它也具有较高的运算效率。但是在原始的稀疏贝叶斯滤波中,正则化参数必须提前设定,而该种参数的选择主要依靠人为经验,这就可能导致所选择的参数无法满足要求。针对现有不足,提出一种基于樽海鞘群优化算法的自适应稀疏贝叶斯滤波的轴承故障提取方法。该种自适应滤波方法采用轴承故障信号的包络谱峭度和负熵为目标函数选择最优的正则化参数,从而得到最优的滤波信号。最后通过包络分析得到轴承故障特征频率。通过模拟数据和真实数据证明该方法的有效性和优越性。     

谱峭度方法在柔性薄壁轴承故障特征频率提取中的应用

柔性薄壁轴承是一种特殊的轴承,工作时其内、外圈都受力变形为椭圆,这导致正常柔性薄壁轴承的振动信号存在周期性冲击,这种冲击背景使柔性薄壁轴承的故障特征提取更为困难。谱峭度方法是利用峭度对信号中的瞬态成分敏感这一特性,根据峭度值最大原则来准确提取共振带,克服了传统共振解调技术存在带通滤波器参数需要人工预先确定的缺陷。对自适应谱峭度,基于滤波器组的快速谱峭度以及基于短时傅里叶变换的快速谱峭度进行了对比分析,利用它们提取柔性薄壁轴承内、外圈故障特征频率,对这三种方法的特征提取效果进行了比较,结果表明自适应谱峭度方法更适合于提取柔性薄壁轴承的故障特征频率。     

基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取

谐波减速器用柔性薄壁轴承运行过程中因内圈长、短轴交替产生周期性冲击成分.当柔性薄壁轴承发生故障后,这种正常的周期性冲击成分和因故障引起的冲击叠加在一起,使得其故障特征提取难度很大.针对这一特点,提出基于峭度原则的EEMD-MCKD的柔性薄壁轴承故障特征提取方法.首先使用集成经验模态分解算法(EEMD)对信号进行预处理,...     

基于改进快速峭度图的轴承故障诊断方法研究

针对传统快速峭度图在轴承故障诊断中,通过计算滤波信号的包络峭度确定频带范围容易受到随机脉冲干扰的问题,提出一种基于改进快速峭度图的轴承故障诊断方法。首先运用自相关算法、改进谱幅值调制(improved spectral amplitude modulation, ISAM)算法对包络信号进行处理,获取修正信号并以其频谱峭度衡量冲击响应的强度;然后以修正信号谱峭度代替传统快速峭度图中的包络峭度,得到可降低各频带随机干扰的改进峭度图;最后通过对3组信噪比不同的仿真信号、2组轴承试验信号的平方包络谱故障诊断情况进行对比分析,验证该方法的有效性和稳定性。通过与原始快速峭度图、功率谱峭度图、ISAM法3种方法对比,验证该方法的优越性。对比结果表明,所提方法可有效降低随机脉冲的影响,实现轴承故障特征频率的准确提取。     

谐波分解结合自互补Top-Hat变换的轴承微弱故障特征提取方法

针对轴承早期故障特征微弱,极易被背景噪声淹没而不能及时检测的问题,本文提出了基于谐波分解和自互补Top-Hat变换的轴承微弱故障特征提取方法。首先,通过改进广义谐波小波函数,使得信号分解后子带个数和带宽范围不受二进制分解方式的限制,并在此基础上应用谱峭度图方法确定信号中故障特征相对集中的最优频带;然后,对最优频带信号进行多尺度自互补Top-Hat变换,抑制背景噪声的干扰,突出微弱的故障冲击特征,并引入故障特征能量比的方法自适应确定最优结构元素的尺度;最后,通过包络解调提取出轴承微弱的故障特征。对仿真信号和实测轴承全寿命数据分析的结果表明,该方法能较为有效检测出轴承微弱的故障特征,具有较高的工程应用价值。     

风力发电机轴承复合故障特征提取方法研究

针对较强背景噪声干扰下的风力发电机轴承复合故障特征难以准确提取的问题,提出了基于自适应最大相关峭度解卷积(AMCKD)的风力发电机轴承复合故障特征提取的方法。首先,利用人工鱼群算法(AFSA)以解卷积信号包络谱的相关峭度值为目标函数对最大相关峭度解卷积算法(MCKD)的影响参数自适应寻优;然后,将影响参数优化的MCKD对原始故障信号进行解卷积处理,对解卷积信号进行包络谱分析,通过包络谱中的主导频率成分与轴承各元件的故障特征频率相对比,准确实现轴承复合故障的诊断。仿真和工程应用实例验证了所提方法的有效性与实用性。     

基于时频融合的转速估计及轴承故障特征提取研究

针对通过齿轮啮合频率与转速间存在的比例关系估计齿轮振动转速,提出基于齿轮啮合振动的时频融合分布估计转速新方法,将Wigner-Ville分布与小波尺度谱进行融合,对融合后的时频分布用峰值搜索法估计转速。与基于时频分布的转速估计方法相比,该方法的估计精度与对噪声的不敏感度更高。用该方法估计齿轮传动装置转速,并对轴承故障进行阶比分析以评估其效果表明,该方法能有效获得轴承故障阶比。     

基于二维互补随机共振的轴承故障诊断方法研究

一维随机共振(One-Dimensional Stochastic Resonance,1DSR)被广泛用于轴承故障诊断中。针对传统1DSR对微弱信号的检测效果不够理想,输出信号噪声大,不能准确获得轴承故障特征频率(Fault Characteristic Frequency,FCF)等问题,提出一种新的二维互补随机共振(Two-Dimensional Complementary Stochastic Resonance,2DCSR)方法并应用于轴承故障诊断。将采集到的轴承故障信号根据共振带位置进行带通滤波并解调,随后将解调信号对半分成两个子信号并输入2DCSR的两个输入端,利用输出信号的加权功率谱峭度(WPSK)指标对2DCSR系统参数进行自适应调节优化,得到最优的滤波输出信号及频谱,以识别轴承FCF并诊断轴承故障类型。数值仿真及实验结果表明,提出的方法可以有效地增强轴承FCF并提高轴承故障诊断效果。     

基于EEMD和参数自适应VMD的高速列车轮对轴承故障诊断

针对高速列车轮对轴承工作环境复杂,振动信号中时常伴有冲击性噪声和循环平稳性噪声,使得传统的参数自适应变分模态分解(variational modal decomposition,VMD)方法对轮对轴承的故障特征信息提取不准确的问题,提出了一种基于集成经验模态分解(ensemble empirical mode deco...     

故障特征选择与特征信息融合的加权KPCA方法研究

针对旋转机械振动故障特征与故障类别间不完全对应问题,以双跨转子系统12个通道的故障信息集合为研究对象,提出一种基于加权核主成分分析的故障敏感特征集合提取方法。通过对每个通道的振动信号进行时域、频域、时频域的特征提取,得到一种描述双跨转子系统的原始故障特征集合。采用多准则特征选择方法对这种原始故障特征集合进行特征属性筛选,得到一种利于故障分类的敏感特征集合。对这12个通道的敏感特征集合进行信息融合处理,可得到一种多通道信息的融合特征向量,利用加权核主成分分析方法提取出融合特征向量中的核主成分。结果表明,这种核主成分能够显示出故障类别间的较显著差异,和具有较好的敏感特征子集寻优能力。该研究为解决好双跨转子系统的故障数据集的类别划分问题,提供了一种新途径。     

基于深度度量学习的轴承故障诊断方法

针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。     

基于快速独立分量分析的模态振型识别方法研究

摘要：快速、准确地识别出结构的模态参数,特别是结构的振型是结构损伤精确识别与健康监测的重要前提。大多的模态参数识别时域方法都是从曲线拟合的角度或解算特征值的过程来实现。振型向量通过求解各阶模态的留数获得,这些方法依赖于模态频率与模态阻尼的识别。本文提出一种模态振型的直接提取方法,该方法基于快速独立分量分析技术,以模态响应之间的独立性构造目标函数,通过优化目标函数寻求振型向量的最优解,直接从结构自由响应或脉冲响应的数据矩阵中提取结构的振型向量。三自由度数值算例表明该方法有效,具有很高的识别精度且对测量噪声具有很好的鲁棒性。     

基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击响应成分常被强大噪声淹没,造成轴承故障特征提取困难等问题,将集成经验模态分解(EEMD)与改进形态滤波方法相结合,在本征模态函数(IMF)及形态学结构元素(SE)选取时均以峭度准则为依据,对筛选出的IMF分量进行信号重构后,再进行基于峭度准则的改进形态滤波方法处理。结果表明,该方法可避免共振解调中中心频率及滤波频带选取,自适应性较好;通过对实际滚动轴承内外圈故障分析,该方法可清晰准确提取到故障特征信息,噪声抑制效果好,可用于轴承故障精确诊断。     

多域信息融合结合改进残差密集网络的轴承故障诊断

针对滚动轴承原始时域信号信息单一、深度卷积神经网络提取的特征对信息的传递存在差异等问题,该研究提出了一种多域信息融合与改进残差密集网络的轴承故障诊断方法。为了获取故障的多方面信息,先对原始数据进行多域变换,再将融合信息输入经卷积注意力改进的残差密集网络进行深度学习。经注意力机制改进的网络能够实现对提取特征的重要性区分,提高网络的训练速度、改善识别准确率。试验结果及对比分析表明该算法可以提取较为全面的特征,较传统方法具有更好的识别效果。     

基于遗传算法的滚动轴承复合故障诊断研究

建立了滚动轴承外圈与滚动体各有一点损伤的典型故障模型,在损伤模型振动分析的基础上,利用遗传算法的寻优功能,对故障的特征参数进行自动优化,最后利用逐次诊断理论,对变工况条件下的滚动轴承复合故障进行诊断。计算结果表明该方法对于滚动轴承的复合故障诊断非常有效。     

基于MMSE和谱峭度的滚动轴承故障诊断方法

共振解调作为滚动轴承常用的故障诊断方法,存在带通滤波器参数难以确定的缺点,针对此缺点以及滚动轴承早期故障信号信噪比低的问题,结合最小均方误差估计方法(MMSE)和基于谱峭度的共振解调方法,并将其应用于滚动轴承早期微弱故障诊断中。首先用MMSE方法抑制白噪声来提高信噪比,然后利用谱峭度自适应确定最优带通滤波器参数,最后对带通滤波后的信号进行能量算子解调谱分析,得出诊断结果。数字仿真信号和实验信号验证了该方法的有效性。     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法.通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类.为了避免因人为选择DB...     

基于同步挤压S变换和集成深层脊波自编码器的轴承故障诊断

针对传统滚动轴承故障诊断算法过度依赖专家经验和故障特征提取困难的问题,提出一种基于同步挤压S变换(SSST)和集成深层脊波自编码器(EDRAE)方法。该方法对轴承振动信号进行SSST变换得到时频图像,并将时频图像进行双向二维主成分分析压缩;利用不同的脊波函数设计不同的脊波自编码器(RAE),并构造相应的深层脊波自编码器(DRAE)且引入"跨层"连接以缓解DRAE的梯度消失现象;将压缩时频图像输入各DRAE网络进行无监督预训练和有监督微调,并通过加权平均法输出识别结果。试验结果表明,基于SSST和EDRAE的轴承故障诊断方法能有效地对轴承进行多种工况和多种故障程度的识别,特征提取能力和识别能力均优于人工神经网络、深度信念网络和深度自编码器等模型。     

基于异类信息融合的齿轮健康评估方法

针对齿轮传统健康评估方法中特征描述单一,齿轮箱中多种参数信息未能有效利用的问题,为更准确地监测齿轮运行的健康状况,提出一种基于异类特征信息融合的齿轮健康评估方法。对前期正常状态运行的齿轮采集振动、油液、铁谱等多种信号并提取特征指标,建立各类特征的模糊C均值聚类中心;利用模糊理论输出待测信号对于正常状态信号的隶属度作为各类特征的健康评估指标;以隶属度构造基本概率赋值函数,应用D-S证据理论组合规则,在决策层进行异类信息融合,从而完成齿轮的健康评估。通过对齿轮全寿命试验的数据处理与对比分析,证明该方法能够有效地评估齿轮健康状况。     

基于PSO-BFA和改进Alexnet的滚动轴承故障诊断方法

现实中滚动轴承的工况复杂易变,无法有效地对其进行故障诊断。对此,提出一种基于粒子群优化的细菌觅食(Particle Swarm Optimization and Bacterial Foraging Algorithm,PSO-BFA)和改进Alexnet(第二代卷积神经网络)的滚动轴承故障诊断方法。该方法将Alexnet的结构简化,并分别在其前两层池化层之后添置局部归一化层以降低训练成本;将以小批量样本softmax的交叉熵为损失函数,按Adam迭代优化法小样本、少迭代次数训练改进Alexnet后的变负荷样本诊断精度设计为适应度函数,并结合PSO中粒子移动速度的更新方法更新BFA中细菌的游动方向来寻找改进Alexnet的结构等相关参数;根据PSO-BFA所得的参数,以相同的训练方法大样本、多迭代次数训练改进Alexnet,实现复杂工况下滚动轴承多状态故障诊断。实验结果表明所提出的方法对复杂工况下滚动轴承16种故障状态的诊断是可行的,且有更高的诊断精度、更好的抗干扰和泛化性能。