基于BQGA-ELM网络在滚动轴承故障诊断中的应用研究

提出一种基于Bloch球面量子遗传算法(BQGA)优化极限学习机(ELM)网络的诊断方法(BQGA-ELM),并将BQGA-ELM运用于滚动轴承故障诊断中。基于UCI标准数据集,通过仿真实验比较Bloch量子遗传算法与其它算法优化ELM的性能,仿真实验表明BQGA的优化效果强于其它优化算法。从实验室采集滚动轴承正常、内环故障、外环故障和滚珠故障四种工况的振动信号,并利用时域分析法提取振动信号的相关特征参量。将提取的特征参量经过数据预处理,再输入到诊断模型中进行滚动轴承故障诊断。结果表明:BQGA-ELM能够准确有效的对滚动轴承故障进行诊断,且其误差收敛与故障诊断时间均优于文中其它诊断模型。     

基于时时能量阶比谱的变转速工况滚动轴承微弱故障诊断研究

变转速工况下的滚动轴承微弱故障诊断同时面临两个难点:一是滚动轴承的故障特征信号容易被环境噪声和干扰信号淹没;二是滚动轴承故障振动信号的时变特征难以被常规频谱方法提取。针对上述问题提出了基于时时能量阶比谱的滚动轴承故障诊断方法。首先对变转速工况下的滚动轴承微弱故障振动信号进行时时(time-time,TT)变换,在双时域上刻画轴承故障振动信号的时变特征;然后利用提出的时时能量定义计算轴承故障振动信号的时时能量,获得轴承故障振动信号的时时能量信号;最后对时时能量信号进行阶比分析得到轴承故障振动信号的时时能量阶比谱,并根据时时能量阶比谱的阶次特征识别出轴承故障类型。分析了变转速工况下的滚动轴承故障仿真信号和实验测试信号,结果表明:时时能量信号能够有效追踪轴承故障振动信号的时变能量分布,增强故障特征信号的冲击特征,时时能量阶比谱较包络阶比谱抗噪能力更强,为变转速工况滚动轴承微弱故障诊断提供一种有效方法。     

基于ICEEMDAN能量矩和HHO-KLEM的滚动轴承故障诊断

为充分提取振动信号的特征信息并提高滚动轴承故障类型分类的准确率,提出一种基于改进的完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)能量矩和哈里斯鹰算法-核极限学习机(Harris Hawk Algorithm-kernel Limit Learning Machine,HHO-KELM)的滚动轴承诊断方法。首先采用ICEEMDAN将原始振动信号分解并得到一系列本征模态函数(Intrinsic Mode Function,IMF)，利用能量矩对其进行特征提取并构造包含关键特征信息的多维特征向量；其次将故障特征向量用于KELM的模型训练，通过HHO对KELM的正则化系数和核参数进行优化；最后通过HHO-KELM模型进行滚动轴承故障诊断。实验数据分析结果表明：所提出的方法分类可有效保留不同故障类型的特征差异，能够提高轴承故障识别准确率，具有一定的可靠性和实用性。     

基于小波-BP神经网络的发动机轴承故障诊断

本文针对发动机滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包变换与神经网络的滚动轴承故障诊断方法。由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,以振动信号小波分解后的能量信息作为特征,以神经网络作为分类器对滚动轴承故障进行识别、诊断。通过对滚动轴承的正常状态、滚珠故障、内圈故障和外圈故障信号的分析,表明以小波包分解为预处理器的神经网络故障诊断方法可以准确、有效地识别滚动轴承的工作状态和故障类型。     

局部保形映射和AdaBoost方法在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的随机性和非平稳性,提出基于局部保形投影(LPP)特征提取和自适应Boosting算法的滚动轴承故障诊断方法。首先对信号构建原始样本数据集合,提取时域、频域及时频域的相关特征,将该特征作为LPP的输入样本,得到维数降低的新数据集合并能尽可能保持原始局部流形结构。将此降维特征向量作为Adaboost输入,建立故障模型,用以识别滚动轴承故障类型。分析滚动轴承正常状态、内圈故障、外圈故障及滚动体故障特性。通过对比试验表明,基于LPP与Adaboost诊断方法识别率较高,可准确有效地对滚动轴承状态和故障进行分类。     

"双时域四谱"法在振动信号分析中的应用

准确地提取各种典型故障的振动信号的时频域特征是进行机械故障诊断的关键．为了综合提高诊断能力,突出信号特征,本文介绍了一种信号分析与故障诊断新方法,该方法以“双时域四谱”综合诊断法为理论基础．具体应用双时域（原始时域和包络时域分析）和四频域（功率谱分析、细化谱分析、解调谱分析、倒频谱分析）的振动诊断方法,综合各自的诊断优势,对用特征振动信号进行诊断的问题进行了研究,并阐述了这些方法的特点和功能．     

拉普拉斯特征向量相关谱及其在滚动轴承故障诊断中的应用

为了将谱方法的模式识别能力应用于机械故障诊断领域,提出了拉普拉斯特征向量相关谱,并应用于滚动轴承故障诊断。拉普拉斯特征向量相关谱定义为拉普拉斯矩阵特征向量之间夹角余弦的绝对值,由特征集的拉普拉斯矩阵进行标准正交分解后得到,具有计算过程简单、运算速度快等特点。基于拉普拉斯特征向量相关谱的滚动轴承故障诊断方法首先在时域、频域和能量熵域对滚动轴承振动信号进行特征提取,组成特征集;然后对特征集的拉普拉斯矩阵进行标准正交分解,计算拉普拉斯特征向量相关谱;最后通过相关谱矩阵实现滚动轴承不同故障类型的识别。应用实例表明,该方法能有效识别滚动轴承故障。     

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型

提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。     

VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用

针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识,为实现滚动轴承故障的智能诊断,提出基于VMD能量熵与核极限学习机(kernel extreme learning machine,K-ELM)的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解(variational mode decomposition,VMD),利用能量熵进一步提取各模态特征组成高维特征向量集;然后将构建的特征向量作为K-ELM算法的输入,通过训练建立K-ELM滚动轴承故障分类模型。实验结果表明:VMD能够很好地分解轴承振动信号,且K-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。     

基于MDS和神经网络的滚动轴承故障诊断方法

针对滚动轴承的智能诊断问题,提出基于多维尺度分析(Multidimensional Scaling,简称MDS)和神经网络的滚动轴承故障诊断方法。该方法首先提取原始信号常用的时域统计指标,再将包含故障信息的统计指标进行MDS降维处理,减少后续模式识别难度,最后将降维后的统计指标作为神经网络的输入参数来判断滚动轴承的故障类型。对滚动轴承正常状态、滚动体故障、外圈故障和内圈故障四种模式下的振动信号进行分析,结果表明,运用MDS进行降维预处理的神经网络故障诊断方法比没有经过预处理的故障诊断方法有更高的故障识别效率,可以准确有效识别滚动轴承的故障类型。     

基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法。采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集,将所提特征嵌入流形空间进行流形特征变换,同时,对变换后的流形特征动态分布对齐;利用源域数据和目标域数据训练分类模型,以获得未知标签的滚动轴承故障诊断结果。实验表明,所提方法能够最小化域间特征分布差异,有效提高滚动轴承状态识别的准确率。     

基于时间-小波能量谱熵的滚动轴承故障诊断研究

针对轴承振动信号中存在周期性冲击这一现象,提出了时间-小波能量谱熵的计算方法,用于滚动轴承的故障诊断。首先构造脉冲小波,采用连续小波变换的方法得到时间域内小波能量谱,再沿时间轴计算能量谱熵,定量描述振动信号沿时间的分布情况,不同故障下轴承的冲击振动随时间变化程度不同,其时间-小波能量谱熵值也就不同。将不同故障轴承信号的时间-小波能量谱熵作为向量特征输入建立支持向量机,实现了对轴承的工作状态和故障类型的判断。实验结果表明,时间-小波能量谱熵可以有效地对滚动轴承进行故障诊断。     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

形态学滤波方法改进及其在滚动轴承故障特征提取中的应用

滚动轴承是旋转机械设备的重要部件,对滚动轴承的故障诊断研究具有重要的意义。滚动轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取,进行局部故障诊断。在分析形态学滤波方法的基础上,提出机构结构元素(SE)选择方法,并用于振动信号中冲击响应特征的提取。通过对仿真信号的处理验证了该方法的有效性,并将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

基于Inception v3的印刷设备轴承故障智能诊断方法研究

目的 轴承作为印刷设备中的旋转核心元件,其运行状态对印刷设备的健康监测作用较大。通过融合小波时频处理与Inception v3模型的优势,提出一种用于印刷设备轴承故障智能诊断方法。方法 利用Morlet小波对采集到的印刷设备轴承原始振动信号进行处理,得到对应的二维时频图像,从时域和频域两方面对轴承故障进行表征;将时频图像作为Inception v3模型的输入,利用其模型的稀疏特性,快速从时频图像中自动学习故障特征,并对其模型参数进行调整;最后,利用训练好的模型实现印刷设备轴承故障诊断。结果 利用印刷设备轴承实验平台对提出方法的有效性进行了验证,实验结果表明该方法的平均诊断精度可达92.53%。结论 与传统智能诊断方法相比,所提方法在诊断精度与稳定性方面均具有一定的优势,可实现高精度印刷设备轴承故障诊断。     

基于振动信号分离的行星轴承故障特征提取

由于行星轴承振动信号传递路径的时变性,且行星齿轮箱中齿轮啮合振动信号较强,导致行星轴承故障特征提取较为困难。为此,提出了一种基于振动信号分离的行星轴承故障特征提取方法。该方法首先采用阶比分析技术将原始振动信号进行等角度采样;每当行星架旋转一周,采用Tukey窗进行加窗截取,按照啮合齿序重新拼接,构造振动分离信号。再采用离散随机分离从振动分离信号中提取行星轴承故障分量;最后进行包络谱分析提取故障特征。行星轴承内圈故障实测信号分析表明,该方法能有效提取行星轴承故障特征。     

基于小波变换的轧机振动信号降噪技术研究

由于轧机振动信号受到强烈的噪声干扰,给故障特征的有效识别和准确提取带来很大困难。直接采用频域分析方法诊断早期故障的收效甚微。利用小波分析的“带通滤波”特性,可以将信号按照特定的频段进行分解,分解后的单层重构可以将噪声与可用信号进行成功分离;根据预先设定的阈值对高频分解系数处理后进行全局重构同样可以达到消噪的目的。对于现场采集的轧机振动信号,多种方式的消噪结果表明,含有故障特征的低频信息被成功提取。     

基于自适应加权多尺度组合形态滤波的轴承故障特征提取研究

针对滚动轴承振动信号在进行早期故障诊断时往往会伴随着噪声干扰的问题,提出了一种选择性自适应加权多尺度组合形态滤波(Adaptive Weighted Multi-scale Combination Morphological Filtering,AWMCMF)方法,从振动信号中提取故障特征。首先,采用三种组合算子构成一组新的形态算子,可有效地提取出信号中的正负冲击特征;其次,基于新算子提出了加权多尺度形态滤波方法,并将Teager能量峭度作为评判指标为各尺度提供优化的权值;最后,将选择性自适应权值与多尺度算子进行加权绑定得到优化的故障特征提取结果。通过仿真信号和轴承故障振动信号的结果表明,该方法能有效地滤除噪声并提取故障特征。     

基于EMD-DCS的滚动轴承伪故障特征识别方法

伪故障特征是健康零部件振动信号中具有的故障特征,伪故障特征是由系统内故障零部件引起的。由于滚动轴承伪故障特征与故障特征具有相似性,针对转子-轴承系统中滚动轴承伪故障特征识别问题,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)和循环平稳度(Degree of Cyclostationarity,DCS)的伪故障特征识别方法。利用滚动轴承健康信号和伪故障信号对比分析基于单通道伪故障信号进行滚动轴承故障诊断的技术难点;建立了考虑滚动轴承打滑率的转子-轴承系统动力学模型;利用时频分析方法和循环平稳分析方法对滚动轴承伪故障特征进行分析;给出了基于EMD-DCS的滚动轴承伪故障特征识别流程;在滚动轴承故障模拟实验台上开展了滚动轴承伪故障特征识别实验。实验结果表明:基于EMD-DCS的滚动轴承伪故障信号识别方法可以有效区分滚动轴承故障特征与伪故障特征。该研究工作对于提高滚动轴承故障诊断准确率、保障设备安全运行具有理论意义和实际应用价值。     

基于可视图图谱幅值熵的滚动轴承故障诊断方法

为了准确有效地提取滚动轴承振动信号的非平稳、非线性故障特征,将复杂网络与图信号处理技术(graph signal processing,GSP)引入机械故障诊断领域,提出了基于可视图图谱幅值熵(graph spectrum amplitude entropy of visibility graph,GSAE VG)的滚动轴承故障诊断方法。该方法先将滚动轴承振动信号转换为可视图,获得可视图信号;再通过图傅里叶变换(graph Fourier transform,GFT)将可视图信号从顶点域变换到图谱域,并将计算得到的图谱幅值熵(graph spectrum amplitude entropy,GSAE)作为故障特征参数;利用马氏距离(Mahalanobis distance,MD)判别函数作为分类器对不同类型故障进行模式识别。实际滚动轴承振动信号的分析结果表明,基于可视图图谱幅值熵的故障诊断方法能对滚动轴承故障进行准确有效地识别。