基于改进形态分量分析的齿轮箱轴承多故障诊断研究

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号和图像处理方法,其主要目标是根据信号组成成分的形态差异性,选择合适的字典来分离信号。针对传统形态分量分析的字典选择和阈值选择的缺陷,提出了基于自适应字典选择和TH-MOM (Hard Threshold-MOM)的阈值更新策略,通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明：该方法不仅能将形态各异的多分量信号进行有效分离,提高了信噪比,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效地识别轴承的故障类型和部位。     

基于小波基稀疏信号特征提取的轴承故障诊断EI北大核心CSCD

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用优化最小(Majorization Minimization,MM)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

自适应学习字典的信号稀疏表示方法及其在轴承故障诊断中的应用

信号稀疏表示的过完备字典根据构造方式分为解析字典和学习字典两大类。解析字典结构固定,自适应性差。构建解析字典需要充分分析振动信号的振荡特性,获取充足的先验知识。学习字典摆脱了先验知识的桎梏,可以直接从信号中自适应地训练学习出来,自适应性强。结合信号保真能力较好的广义极小极大凹罚函数,提出了基于自适应学习字典的信号稀疏表示方法,改进了K‐SVD算法中样本训练矩阵的构造方式,减少了运算时间,并且利用软阈值算法弥补了学习字典对噪声抵抗性较差的缺点。最后在缺乏先验知识的条件下,分别在轴承的仿真信号和实验信号的分析过程中,运用所提出方法实现故障诊断。     

基于小波基稀疏信号特征提取的轴承故障诊断

轴承弱故障振动信号中的瞬态成分极易被强背景噪声湮没而无法及时检测,结合稀疏表示原理提出一种基于小波基的稀疏信号特征提取方法,从而实现信号中瞬态特征成分的提取。通过构建原始信号瞬态成分稀疏表示模型,对原始信号采用相关滤波法获取最优小波原子,并构建最优冗余小波基底,实现小波基与信号故障特征的最优匹配;设计二次严格凸函数并运用MM(Majorization Minimization)算法求解模型中的目标函数,将信号中的瞬态冲击成分转化为稀疏表示系数,实现强背景噪声下弱特征的有效提取。仿真信号及轴承微弱故障试验验证了该方法能有效地检测和提取强背景噪声下的微弱瞬态成分。     

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。     

基于稀疏表示和SVM的航空发动机故障诊断

针对某型航空发动机减速器一级齿轮毂断裂问题,考虑其不易拆卸的特点,提出基于信号稀疏表示和支持向量机(Support Vector Machine,SVM)的故障诊断算法。首先,利用稀疏表示提取出最大和次大的稀疏系数作为特征向量。其次,选取支持向量机进行故障识别,在小样本学习条件下保持了较高的识别准确率。通过对简易减速器和航空发动机振动信号的分析证明了所提算法的有效性及其在工程应用中的价值。     

应用一种多核稀疏表示模型实现掌纹分类

与稀疏表示(SR)模型相比,基于单个核函数的SR(KSR)模型可以有效减少数据维数、降低学习模型的计算复杂度并提高特征分类精度;但这种模型对核函数及其参数的选择通常不能包含恰当的、完整的分类信息。为了满足更高的特征分类精度需求,提出了一种基于多个核函数的SR(M-KSR)模型及其快速稀疏优化方法,并将其应用于掌纹图像的分类。测试结果证明了基于M-KSR模型的掌纹分类方法的有效性和实用性。     

基于贝叶斯最优核判别分析的机械故障诊断

针对在该方法中,用核判别分析到机械故障诊断时核参数选取困难的问题,提出了一种基于贝叶斯最优核判别分析的机械故障诊断方法。首先采用梯度下降法优化同方差性准则确定最优核参数;然后采用最优核参数使用核判别分析将原始样本投影到一个最优子空间,在该子空间中各类样本具有最佳判别性;最后基于投影后的样本使用最近邻方法进行故障分类。将该方法应用于滚动轴承故障诊断,并与相关方法的诊断结果进行了比较,实验结果表明:该方法可获得与支持向量机同样的诊断正确率,并实现了最优核参数的自动选择。     

基于核独立分量分析的齿轮箱故障诊断

：独立分量分析是近几年发展起来的基于信号高阶统计特性的分析方法,它是指从多个源信号的线性混合信号中分离出源信号的技术,但目前的算法在处理非线性变化的信号时还有一定的局限,而基于非线性函数空间的ICA方法—KICA,即核独立成分分析,可以解决这一问题。与传统的ICA方法相比,KICA方法具有更好的灵活性和鲁棒性。文章介绍了核独立分量的基本原理,并进行了仿真说明,最后结合包络阶次方法对齿轮箱实测的瞬态声音信号进行了分析,找到了故障特征,验证了该方法的有效性。     

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。     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

基于共振稀疏分解和松鼠优化算法的滚动轴承故障诊断

共振稀疏分解方法在滚动轴承故障诊断方面得到广泛应用,分解参数的选取对故障分离效果起决定性影响.为保证参数选择的准确性,提出基于松鼠算法的自适应共振稀疏分解多参数优化方法.以信号低共振分量峭度最大作为目标,使用松鼠算法同时优化共振稀疏分解的品质因子与权重系数;利用最优品质因子和权重系数对滚动轴承振动信号进行共振稀疏分解,...     

基于非线性判别分析的故障分类方法研究

针对复杂机械故障的模式分类问题,提出一种基于非线性判别的多故障分类方法。与线性判别分析相比,基于核的判别分析更适于处理线性不可分的分类问题。分析了基于核的判别分析方法与核函数主元分析方法之间的联系与差异,指出了两者不同的应用背景,核函数主元分析适于检测机械设备异常状态的出现,而基于核的判别分析则适于在积累历史故障征兆基础上对多种机械故障进行分类识别。将上述方法应用于风机工作状态的分类识别与齿轮故障模式分类,结果表明该方法对于多种复杂的故障模式分类具有出色表现。     

基于邻域自适应局部保持投影的轴承故障诊断模型

为了有效利用振动信号进行故障诊断,提出了一种基于邻域自适应局部保持投影的轴承故障诊断模型。首先,利用EMD将轴承振动信号分解为若干个平稳的固有模态函数（IMF）,对IMF分量建立自回归（AR）模型,构建原始特征子集。然后,利用邻域自适应局部保持投影算法对原始特征子集进行降维处理,获得原始特征子集的低维特征向量和投影矩阵。以低维特征向量为输入,以最小二乘支持向量机（LS-SVM）为分类器,通过研究故障识别率和低维特征空间维数的关系确定最优降维维数和对应的最优投影矩阵。最后,根据最优降维维数完成降维处理过程,得到低维特征向量,输入LS-SVM分类器,识别轴承的工作状态和故障类型。实验结果表明,该模型提高了轴承故障诊断的精度。     

基于小波域隐马尔可夫模型故障诊断方法

针对基于小波能量谱和能量谱熵的故障诊断方法要求小波分解系数基本符合高斯分布这一不足,提出一种基于多尺度小波域隐马尔可夫模型(WHMM)参数特征的故障诊断方法.该方法分析了信号多尺度小波分解系数的统计特征,利用隐马尔可夫模型描述小波变换域系数在尺度间,尺度内的统计相关性.采用最大似然估计方法确定的模型参数作为信号特征实现故障诊断.试验结果证实了设计思想的正确性和算法的高效检测性能.最后从小波基、窗口宽度和分类器三个层面对建议方法诊断性能的影响进行分析,结果表明本文方法具有很强的稳定性和鲁棒性.     

基于人工鱼群算法的轴承故障随机共振自适应检测方法

针对传统的自适应随机共振以单个参数为优化对象忽略参数间交互作用的不足及采用遗传算法优化参数在种群数量增加时算法收敛速度明显减缓的缺陷,提出基于人工鱼群算法的自适应随机共振新方法。该方法利用人工鱼群算法对初值、参数设定容许范围较大、具备并行处理能力及人工鱼个体数目增加时鱼群算法收敛速度能提高的特性,自适应实现与输入信号最佳匹配的随机共振系统。仿真数据与轴承滚动体故障数据分析表明,基于该算法的自适应随机共振方法可有效实现微弱特征检测与早期故障诊断。     

一种用于风机故障诊断的免疫克隆特征选择算法

提出一种新的用于风机故障诊断的免疫克隆特征选择算法.提取了生产线上实测风机噪声的时域波形结构特征、小波分析特征及听觉谱特征,进行特征选择和故障诊断仿真实验.实验结果表明：在特征选择后的特征数目比原特征数目减少61% 的情况下,支持向量机分类器的分类正确率下降很小,分类时间显著减少.实验结果证明了该算法的有效性和鲁棒性,且能有效地应用于风机故障诊断.