基于改进EMD和滑动峰态算法的滚动轴承故障特征提取

针对滚动轴承故障特征往往被强背景噪声淹没的特点,提出一种基于改进经验模态分解(Empirical Mode Decomposition,EMD)与滑动峰态算法的滚动轴承故障特征提取方法。首先利用EMD方法分解原故障信号得到一组平稳固有模态分量(Intrinsic Mode Function,IMF)。然后采用互信息和广义相关系数筛选法消除传统EMD分解结果中虚假分量,并运用滑动峰态算法对真实IMF分量处理得到滑动峰态时间序列。最后计算滑动峰态序列频谱提取故障特征频率。滚动轴承的实例研究结果表明：该方法能够有效提取滚动轴承故障特征,可以取得比直接滑动峰态算法和传统包络解调分析更好的效果。     

基于紧密度FSVM新算法及在故障检测中的应用

针对传统的模糊支持向量机(FSVM)算法对边缘噪声敏感的不足,提出一种基于非线性紧密度和K最近邻方法(KNN)相结合的FSVM算法.该方法在计算样本隶属度大小时既考虑样本与类中心的距离,类中样本的紧密度,同时还考虑与其他类样本问的关系,其中紧密度的计算采用非线性数据分布描述方法进而使计算的隶属度更精确.实验结果同传统FSVM及其他改进的FSVM算法进行比较,对于国际标准测试数据及轴承故障检测问题,结果验证了建议算法具有很强的鲁棒性及高效的检测性能.     

基于HOS奇异值谱的SVDD轴承故障检测方法

针对轴承故障检测中异常样本不易收集、数据分布不均以及阈值设定等问题,提出了基于支持向量数据描述(SVDD)的轴承故障检测方法.该方法只需对正常样本进行训练.以高阶统计矩阵奇异值谱为故障诊断特征,解决了高阶统计特征(HOS)数据冗余且受噪声影响的不足.实验分析了不同参数对检测性能的影响,并将本方法与多层感知机(MLP)方法及K均值聚类方法进行了比较,验证了方法的有效性和正确性.     

基于EMD与GA-PLS的特征选择算法及应用

针对振动信号非平稳性和特征优化选择的问题,提出一种基于EMD和GA-PLS的特征选择算法。在该算法中,首先,采用EMD方法将振动信号分解成多个固有模态函数(Intrinsic Mode Function, IMF),对IMF分量建立自回归（AR）模型,以AR模型系数和残差作为初始特征向量,然后,遗传算法与偏最小二乘法相结合(GA-PLS)的算法对初始特征向量进行筛选得到新的特征向量,最后,以新的特征向量为输入,建立分类器,用来识别手动换向阀的工作状态和判断故障类型。实验结果表明,采用该特征选择算法能准确地选择出特征,并能应用于手动换向阀的故障诊断     

GASA-PSO优化算法共振稀疏分解齿轮故障诊断研究#br#

针对齿轮箱齿轮早期微弱故障信号在恶劣工况下信噪比降低、故障特征不明显、提取困难等问题,提出一种基于遗传模拟退火算法与粒子群算法融合的共振稀疏分解故障诊断方法,对成分复杂、存在模态混叠的非平稳齿轮箱振动信号进行分析。建立齿轮箱故障模型,模拟齿轮故障信号,将遗传模拟退火算法与粒子群融合算法对品质因子全局快速寻优,利用最匹配品质因子对齿轮振动信号分离得到高、低共振分量与残差分量,对低共振分量做Hilbert 包络分析,得到冲击脉冲信号,进而对齿轮箱进行故障诊断;利用MATLAB仿真分析与实验证明,所提出的方法可以有效提取齿轮箱早期微弱的故障信号,具有较高的分离精度,实现齿轮微弱故障诊断,证明了该方法的可行性与有效性。     

基于EMD和AR模型的滚动轴承故障诊断方法

提出了基于EMD(Empirical Mode Decomposition)和AR模型的滚动轴承故障诊断方法。该方法用EMD将滚动轴承振动信号分解成若干个平稳的IMF(Intrinsic Mode Function)分量，对每一个IMF分量建立AR模型，以模型的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数，进而判断滚动轴承的工作状态和故障类型。实验结果分析表明，该方法能有效地应用于滚动轴承的故障诊断。     

基于滑动峰态算法的信号弱冲击特征提取及应用

机械故障振动信号中往往含有故障引起的弱冲击成分,冲击信号具有显著的非高斯特性,而零时滞四阶累积量即峰态能够描述信号偏离高斯分布的程度;基于峰态这一特性,本文提取一种基于滑动峰态算法的弱冲击特征提取方法,首先对原信号进行滑动峰态计算,获得一个新的峰态时间序列,然后对该峰态时间序列进行傅立叶变换,提取出信号中冲击成分的频率特征。通过强背景信号及噪声环境下弱冲击特征提取的仿真研究,证明了该方法具有很好的冲击特征提取能力。以实测齿轮断齿信号分析结果证明了该方法的有效性。     

基于滤波残差的组合导航系统故障检测研究

论文研究了两种用于组合导航系统中的故障检测方法,首先介绍了传统的残差χ2检验法,随后给出了一种基于最大残差样本协方差阵特征值的故障检测算法.通过计算机仿真比较了两种算法在组合系统中的应用,仿真结果显示,基于特征值的故障检验算法对故障较敏感,系统组合精度略高,一定程度上优于传统残差χ2算法.最后,文章讨论了组合导航系统中两种故障检测算法的优缺点.     

基于时序模型和自联想神经网络的齿轮故障程度评估

齿轮是机械传动系统中的重要零部件,在役齿轮故障程度评估是机械系统剩余寿命预测和状态维修的基础。目前广泛研究的基于概率相似度量的故障评估方法存在过早饱和等问题,不利于在线监测。提出一种基于自回归时序模型(Auto-Regressive, AR)和自联想神经网络(Auto-Associative Neural Network, AANN)的齿轮故障程度在线评估方法,其中AR模型用于齿轮振动信号特征提取,AANN用于故障程度评估。提取基准阶段(如无故障阶段)振动信号AR模型系数作为AANN的输入和输出向量,得到基准评估模型。将待评估信号AR系数构成的特征向量输入到基准AANN,得到重构AR系数。基于原始AR系数和重构AR系数组成两个自回归模型分别对待评估信号进行时序建模,分别得到各自的模型残差序列。基于残差序列之间的差异,提出了一种基于残差均方根差值的故障程度定量评估指标。离散故障程度的齿轮振动数据分析结果表明,该方法能有效区分齿轮故障的不同程度;在此基础上利用齿轮全寿命周期试验数据进一步验证该方法的有效性,结果显示提出的方法能够及时发现肉眼没有观测到的早期故障,且随着齿轮性能的不断退化,能直观反映齿轮故障程度的加深。     

基于两阶段学习的半监督SVM故障检测方法

提出一种基于两阶段学习的半监督SVM故障检测方法。该方法首先使用标识传递算法给未标识样本赋予初始伪标识,并通过k近邻图对比样本点标识值,将可能是噪声的样本点识别并剔除;然后将去噪处理后的样本集输入到SVM中,使得SVM在训练时能兼顾整个样本集的信息,从而提高SVM的故障检测性能。实验中将该方法同支持向量机(SVM)、模糊支持向量机(FSVM)、直推式支持向量机(TSVM)及拉普拉斯支持向量机算法(LapSVM)进行比较,结果表明该方法在不同数目标识样本集合的情况下,检测精度较其他算法有较大幅度提高,同时该方法还比较了不含测试样本和含测试样本训练条件下的故障检测性能,结果表明结合测试样本可进一步提高算法的故障检测性能。     

基于GARCH模型MSVM的轴承故障诊断方法

针对振动信号因非平稳性导致自回归(AR)模型无法有效描述信号特征的不足,提出一种基于广义自回归条件异方差(GARCH)模型多类支持向量机(MSVM)的故障诊断方法。该方法首先利用GARCH模型拟合各种故障信号,将所得模型参数作为故障诊断特征,以MSVM作为故障诊断方法。试验结果验证了GARCH模型方法的可行性和有效性,同时将该方法同基于AR模型的方法及其改进方法进行比较,结果表明该方法在诊断率及诊断时间上都有明显提高。     

基于圆域分析的大型回转支承初期故障诊断

为解决真实工况下大型回转支承振动信号背景噪声大、常用故障诊断方法难以适用的问题,提出了一种基于圆域分析的振动信号处理方法。将时域信号进行圆域转换,并按一定角度将转换后的圆域信号划分成多个区域;判断各区域信号邻域相关离散点拟合椭圆的倾角方向,得到回转支承整圈对应的多个异常向量;以异常向量的平均向量作为圆域分析的特征向量,分析其均值、方差、歪度和峭度指标的变化情况,实现回转支承的故障诊断。对某型号回转支承进行了加速寿命试验,结果表明,该方法能够有效诊断出回转支承滚道的区域滑移、点蚀等初期故障,相比常见的时域特征、小波分析等方法准确度更高,故障可识别度更强,因此可以用于实际工况下回转支承的故障诊断。     

基于滚动轴承故障诊断的AR预测滤波器阶数问题研究

通过对滚动轴承故障原理的研究,详细讨论的了利用AR预测滤波器对滚动轴承故障进行降噪处理时其最优化阶数选择的问题。根据滚动轴承故障信号的冲击衰减模型,提出了共振衰减整周期截取的定阶思路。通过对仿真信号的研究分析,揭示了应用AR预测滤波器分析故障信号时阶数选取和信号的信噪比、衰减阻尼比、采样频率、结构共振频率之间的关系,为深入分析AR预测滤波器的阶数选择问题提供了良好的基础。同时,利用最大峭度方法实现了最优化阶数的确定,通过对实验数据的分析,验证了本定阶方法的有效性     

基于EEMD和自相关函数峰态系数的轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且易被强烈的背景噪声所淹没的特点,提出了基于EEMD和自相关函数峰态系数的轴承故障诊断方法。首先,对采集到的复杂振动信号进行EEMD分解,根据自相关函数峰态系数和峭度准则重构IMF分量以突出故障特征信息;然后,利用谱峭度自动确定带通滤波器的最佳中心频率和带宽;最后,将滤波后的信号进行包络解调分析并与理论故障特征频率对比。通过轴承故障的仿真和实验研究,验证了该方法的有效性和可行性。     

一种基于分段幂函数插值法的经验模态分解方法及其应用研究

针对经验模态分解(EMD)方法的分解不完全问题,提出一种改进EMD算法。该算法采用分段幂函数插值法代替原EMD算法中的三次样条插值法,实验表明其分解效果更充分更完全。在此基础上,结合时间序列分析中的AR模型,提出一种基于EMD和AR模型的故障诊断方法,并将其应用到电磁换向阀的故障诊断中。实验结果表明,该方法能够正确有效地实现电磁换向阀的故障诊断。     

基于AR模型的转子典型故障诊断方法

基于一种含外部输入的ARX模型（Env-AR-ARX）,提出了一种通过模型匹配的转子故障诊断方法。本文以航空发动机转子健康状态下的振动数据建立AR模型,模型的准确度是故障诊断的关键。为了提高模型的匹配度,在AR模型的基础上,充分考虑了模型残差和信号时变性的特点,对比讨论了AR模型, AR-ARX模型以及Env-AR-ARX模型,最终确定了最优的Env-AR-ARX模型。由于没有航空发动机转子的故障数据,本文对本特利转子的故障（碰摩、裂纹、双裂纹）振动信号建立AR模型,结合单因素方差分析的方法,确定信号是否存在故障以及故障类型。实验结果表明,该方法能有效的应用于转子的故障诊断。     

基于长短期记忆网络的风电机组齿轮箱故障预测

针对风电齿轮箱状态监测数据的多变量动态时空关联性特点,提出了一种基于长短期记忆(long short-term memory,LSTM)网络的齿轮箱故障预测方法,主要包括离线建模和在线监测两个阶段。首先,以齿轮箱油温为目标预测变量,充分考虑其与其它相关输入变量之间在时空维度上的重要关联信息,对历史监测数据进行训练学习,建立齿轮箱正常运行时的油温监测LSTM模型,通过对预测残差进行评估计算设定相应的检测阈值;然后,将训练好的油温监测LSTM模型用于在线测试,通过模型残差分析和阈值比较实现齿轮箱故障状态的检测和预测;最后,通过风电场测试数据对所提出的方法进行验证。结果表明,相比于其它传统方法,该方法表现出更好的预测性能,能够较早预测故障的发生。     

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,选用峭度原则滤除信号中的无关分量和冗余分量,重构筛选后的固有模态分量(IMF)得到EEMD重构信号;在此基础上,针对柔性薄壁轴承振动信号特点进行MCKD算法进行参数优化,利用参数优化后的MCKD对EEMD重构信号进行提取。运用此方法对实测柔性薄壁轴承外圈故障振动信号进行特征提取,结果表明,准确提取到了清晰的故障特征频率。将提取效果与单一EEMD算法和MCKD算法进行对比分析,EEMD-MCKD算法提取效果更佳。     

基于经验模式分解和排列熵的轴承故障特征提取

针对滚动轴承故障声信号故障诊断中共振解调滤波参数较难确定以及故障诊断困难的问题,提出一种基于经验模式分解和排列熵的改进滚动轴承故障诊断解调方法。该方法首先对滚动轴承声信号进行经验模式分解,将其分解为多个本征模态分量;然后计算各本征模态分量的排列熵值和相关系数,根据联合系数最大化原则对筛选出的分量进行信号重构;最后,利用快速谱峭度对重构信号进行滤波分析,将峭度值最大的频段进行平方包络提取特征频率。将该方法用于滚动轴承故障声信号的实际数据进行分析,结果表明该方法能够有效提取滚动轴承故障特征,并且相较于传统的包络解调具有更好的效果。