基于SVDD和距离测度的齿轮泵故障诊断方法研究

提出了一种基于支持向量域描述和距离测度的齿轮泵故障诊断方法。该方法首先对齿轮泵各种工况下的振动信号进行小波包分解,提取各频带能量百分比作为特征向量;然后仅利用正常工况下的特征向量训练SVDD超球模型,通过定义绝对距离测度检测齿轮泵状态是否出现异常;最后针对每类工况下的特征向量单独训练SVDD超球模型,通过定义相对距离测度准确定位齿轮泵的不同故障工况。试验结果表明,采用小波包频带能量降低了数据维数,有效浓缩了故障信息;基于绝对距离测度和相对距离测度的SVDD故障诊断方法既能检测异常状态,又能区分各种故障工况,达到了状态监测和故障分类识别的目的。     

基于谱峭度的滚动轴承故障包络阶比跟踪分析

通过对旋转机械变速运行工况的齿轮箱振动分析研究,提出一种基于谱峭度的滚动轴承故障包络阶比跟踪分析方法。该方法利用旋转机械运行过程中滚动轴承故障引起的冲击性振动会激起其周围结构共振的原理,应用谱峭度方法自适应地确定优化的共振解调带通滤波中心频率和滤波带宽,进而通过共振解调算法获得包含轴承故障初始阶段振动特征的包络信号,再将变速工况下的非平稳包络信号通过等角度重采样转化为角度域的准平稳信号,进而获得消除了频率模糊的阶比谱,实现对旋转机械变速运行工况下的滚动轴承故障诊断。仿真和测试试验结果验证了本方法的有效性。     

基于声振信号EMD分解的轻微碰摩故障诊断方法研究

针对转子系统局部碰摩故障特征及声音振动信号特点,采用一种基于声振信号经验模式分解(Empirical Mode Decomposition简称EMD)的轻微局部碰摩故障诊断方法对滑动轴承碰摩故障进行特征提取。由于EMD分解不需要固定的基函数,根据信号特征自适应的调整,从而实现碰摩特征及旋转激励背景信号自动分解。通过设计滑动轴承缺油工况轴承碰摩试验,并进行振动全息测试分析,将所得声振信号本征模式函数时域特征和边界谱特征与转子径向位移及轴承座加速度信号对比分析,确定了碰摩部件;从而证明基于声振信号EMD分解的碰摩故障诊断方法的有效性。     

时变工况下基于精细复合多尺度散度熵的旋转机械故障诊断方法

时变工况下旋转机械的振动信号具有明显的时变调制的特点，熵值方法在提取该类信号特征时具有独特的优势。为了克服传统的熵值方法计算速度慢、熵值不稳定等问题，提出了一种基于精细复合多尺度散度熵的时变工况下旋转机械故障诊断方法，能够更有效地提取故障特征信息并提高故障诊断准确率。首先，采用重采样的方法将时域信号转为角域信号，并利用变分模态分解和独立分量分析相结合的方法对角域信号进行去噪。其次，采用精细复合多尺度散度熵对去噪后的角域信号进行特征提取，然后将提取到的特征输入LR(logistic regression)分类器中识别故障类型。最后，通过时变工况下的齿轮试验对所提方法进行验证，结果表明，所提出的方法有效提高了时变工况下故障诊断准确率。     

基于KD-DenseNet的旋转机械故障诊断模型

针对传统旋转机械故障诊断算法在复杂多变的工况下,缺乏良好的自适应与泛化性的问题。提出了基于DenseNet的卷积核dropout(KD)智能故障诊断模型KD-DenseNet。将各类故障状态的原始振动信号进行重叠分段预处理,并将预处理得到的数据作为KD-DenseNet的输入进行训练,使用训练得到的模型对不同工况下的振动信号进行自适应特征提取与分类,并将dropout应用于卷积核中以提高模型对振动信号的处理速度及抗干扰性,最终得到故障类型判定结果。KD-DenseNet的应用避免了梯度弥散现象,提高了有效特征的提取效率,解决了传统特征提取方法中无法有效挖掘特征、无法自适应于任务进行调整等问题。     

基于多元角域指标离群检测的风电齿轮箱故障预警方法

针对风速和载荷随机波动造成的早期故障特征难以提取和量化的特点,提出基于多元角域指标离群检测的风电齿轮箱故障预警方法。首先利用阶比重采样技术将非平稳的时域振动信号转化为具有平稳或准平稳特性的角域信号,提取角域无量纲指标反映风电齿轮箱早期故障趋势;其次利用多元相关度测量建立风电齿轮箱早期故障识别模型;最后采用多元离群检测方法实现风电齿轮箱早期故障预警。实验表明,该方法能够实现较为准确地的风电齿轮箱早期故障预警,具有较好的工程实际意义。     

基于NIC-DWT-WOASVM的齿轮箱混合故障诊断

由于齿轮箱中振动信号的复杂性和非平稳性,致使齿轮箱混合故障诊断工作具有一定难度。针对这一问题提出基于NIC-DWT-WOASVM的齿轮箱混合故障诊断方法。首先通过窄带干扰消除(Narrow Band Interference Canceller, NIC)滤除原始信号中齿轮啮合和转轴等窄带干扰信号,接着对信号进行离散小波变换(Discrete Wavelet Transform, DWT),重构小波系数得到小波分量,提取分量的方差作为特征参数构成特征矩阵样本。针对传统优化支持向量机收敛速度慢及容易局部最优等问题,提出鲸鱼算法优化的支持向量机(Whale Optimization Algorithm Support Vector Machine, WOASVM),运用训练样本对WOASVM进行训练得到优化分类模型,将测试样本输入到优化模型中得到诊断结果。为验证方法的有效性,开展了变工况下齿轮箱混合故障实验,通过实验分析及与其他方法的比较,证明方法对于齿轮箱混合故障诊断是有效的。     

深度领域自适应及其在跨工况故障诊断中的应用

实际生产中,机械设备的工况变化会造成监测数据的分布差异,破坏分类模型的应用基础,降低诊断准确率。为此,提出一种基于深度学习的领域自适应方法,用于跨工况情境下轴承故障诊断。该方法构建两个级联的深度网络:前者用于处理振动信号,自动挖掘故障敏感特征;后者用于将不同工况的样本特征同步映射到一个深度隐藏层(公共特征空间)中,消除工况波动引起的分布差异,生成工况不变特征,实现领域自适应。此外,该深度映射网络可通过参数优化方法自适应构建,能够实现最佳的跨域诊断性能。实验表明,与其他方法和相关研究相比,深度领域自适应在跨工况故障识别中具有更高的准确率。     

基于模糊神经网络的智能故障诊断专家系统

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了基于模糊神经网络的智能故障诊断系统。建立了发动机故障信号采集试验台,在试验台上人工模拟3种转速下6种工况,通过加速度传感器采集正常工况和异常工况的振动信号,之后利用小波包技术进行消噪处理,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,完成对信号的离线模式识别,之后以测试样本数据实现在线故障诊断,通过仿真分析,取得了很好的诊断效果。与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。同时,在专家系统的理论基础上,将模糊神经网络与专家系统进行信息融合,实现数据接口通信,利用网络的自学习能力建立智能故障诊断数据库和诊断规则库,通过程序语言快速高效的设计出智能诊断系统。最后,通过发动机故障诊断实例仿真分析,验证了基于模糊神经网络的智能故障诊断专家系统的可行性。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

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。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过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。     

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。     

基于时频域模型的噪声故障诊断

为了避免传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取故障特征频率的麻烦,采用一种基于内燃机工作噪声信号和时频域分析的方法。首先讨论了对内燃机噪声信号进行小波包络谱分析,得到可以判断主轴承磨损故障的特征频率。然后,进一步阐述了采用噪声信号小波包分解,可得到包含更多故障信息时-频分布图。基于此,运用图像处理技术建立基于图像匹配的内燃机主轴承诊断模型。结果表明此方法简单有效,充分利用了故障信息。     

改进的灰色关联法在柴油机故障诊断中的应用

在分析常规关联度计算方法存在问题的基础上,提出一种改进的灰色关联度对柴油机故障诊断的方法。针对柴油机故障的特征,对经过降噪后的振动信号,提取时域频域特征值相结合作为特征向量,分别通过改进的灰色关联度方法、常规灰色关联度方法以及灰色神经网络模型对待检测特征向量和标准模式向量进行关联度计算。对结果进行分析,得知改进的灰色关联度分析方法克服常规灰色关联度容易误判的缺陷,同时验证改进的灰色关联度方法大大的提高柴油机故障诊断的精度,说明该方法是一种有效可行的方法。     

基于特征优选和GA-SVM的滚动轴承智能评估方法

针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。     

Adaptive Bearing Fault Diagnosis based on Wavelet Packet Decomposition and LMD Permutation Entropy

Bearing fault signal is nonlinear and non-stationary,therefore proposed a fault feature extraction method based on wavelet packet decomposition( WPD) and local mean decomposition( LMD) permutation entropy,which is based on the support vector machine( SVM) as the feature vector pattern recognition device.Firstly,the wavelet packet analysis method is used to denoise the original vibration signal,and the frequency band division and signal reconstruction are carried out according to the characteristic frequency. Then the decomposition of the reconstructed signal is decomposed into a number of product functions( PE) by the local mean decomposition( LMD),and the permutation entropy of the PF component which contains the main fault information is calculated to realize the feature quantization of the PF component. Finally,the entropy feature vector input multi-classification SVM,which is used to determine the type of fault and fault degree of bearing.The experimental results show that the recognition rate of rolling bearing fault diagnosis is 95%. Comparing with other methods,the present this method can effectively extract the features of bearing fault and has a higher recognition accuracy.     

基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断

摘 要：为了提高齿轮箱轴承故障识别率,提出基于核独立分量分析（KICA）、广义辨别分析（GDA）与最小二乘支持向量机（LSSVM）的轴承故障识别方法。首先将轴承故障振动信号的谱峭度、信息熵等故障特征作为原始特征向量,通过KICA方法将原始特征向量映射到核特征空间,从而去掉不同故障特征间的冗余并消除原始特征向量间的相关性。然后利用GDA方法对故障特征进行非线性融合,并构造新的特征向量。最后,将新的特征向量作为LSSVM分类器的输入,并实现轴承的故障分类。齿轮箱滚动轴承故障诊断试验结果表明：KICA-GDA和LSSVM的故障诊断方法可以识别出更多的轴承故障信息,且提高了LSSVM的分类性能,该方法相对于直接采用LSSVM进行分类的轴承故障方法具有更优秀的分类性能。     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

基于可拓学和SVDD的轴箱轴承故障监测

为监测轴箱轴承的故障状态,提出了一种基于可拓学和支持向量数据描述(SVDD)的轴承故障监测方法。该方法充分利用了可拓学的定性定量描述特性和SVDD的单值分类特性:通过特征提取构建轴箱轴承的运行状态物元;训练SVDD的单值分类器,通过求取最小超球体的支持向量来获取物元模型的特征参数经典域;利用关联函数对轴箱轴承的故障状态进行定性定量评估。通过分析轴箱轴承的实际振动信号,证明了该方法的可行性及有效性。     

基于本征时间尺度分解和变量预测模型模式识别的机械故障诊断

基于变量预测模型的模式识别(variable predictive model based class discriminate,VPMCD)方法是一种充分利用特征值之间相互内在关系进行多分类模式识别的新方法。对VPMCD算法进行了研究,并采用交叉验证法来选择VPMCD模型。针对机械故障振动信号的特征值之间的相互内在关系,结合本征时间尺度分解(intrinsic time-scale decom-position,ITD),提出了一种基于本征时间尺度分解和VPMCD的机械故障诊断方法。该方法首先利用ITD方法将原始信号分解若干个PR(proper rotation,PR)分量,然后提取第一个PR分量的无量纲时域统计参数组成特征向量,最后采用VPMCD方法进行机械故障诊断。通过滚动轴承故障诊断实验验证了该方法能有效地应用于小样本多分类机械故障诊断。