基于极限学习机的滚动轴承故障诊断方法

针对传统智能故障诊断方法所需调整参数多且难以确定、训练速度慢,致使滚动轴承故障分类精度、效率差的问题,提出了一种基于极限学习机的滚动轴承故障诊断方法。首先,将采集的信号经EMD后,提取与原信号相关度较大的IMF能量指标。其次,建立滚动轴承的极限学习机故障分类模型;最后,将能量指标组成的特征向量作为模型输入进行滚动轴承不同故障状态的分类识别。实验结果表明:与基于BP、SVM、PSO-SVM与GA-SVM故障分类方法相比,基于极限学习机的滚动轴承故障诊断方法具有更快的运行速度、更高的分类精度。     

基于VMD与分层极限学习机的滚动轴承故障诊断方法研究

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的问题,为实现滚动轴承故障的智能诊断,提出基于VMD排列熵与分层极限学习机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),利用排列熵进一步提取各模态特征组成高维特征向量集;其次利用自动编码器(Automatic Encoder,AE)对极限学习机的隐含层进行分层,且使隐含层节点的输入权值和阈值满足正交条件;最后将构建的特征向量作为H-ELM算法的输入,通过训练建立H-ELM滚动轴承故障分类模型。实验结果表明:H-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EEMD和ELM的齿轮故障状态识别

由于传统智能故障诊断方法所需调整参数多且难以确定、训练速度慢,致使齿轮轴承故障分类精度、效率差的问题,提出一种基于集合经验模态分解与极限学习机结合的齿轮诊断方法。首先将采集的信号经EEMD后,提取与原信号相关较大的IMF能量指标,建立齿轮的极限学习机故障分类模型;最后,将能量指标组成的特征向量作为模型输入进行齿轮不同故障状态的分类识别。把ELM识别的结果与SVM识别结果作对比,结果表明ELM的齿轮故障诊断方法具有较快的运行速度、较高的分类精度。     

基于机器学习算法的滚动轴承故障诊断研究

为了解决滚动轴承故障诊断过程中特征提取困难以及数据处理缓慢等主要问题,提出了基于5种机器学习算法且仅需提取4种简单特征的滚动轴承故障诊断方法。首先,对不同故障类型的滚动轴承振动信号的时域信号进行了分析,并提取时域信号的4种简单特征输入到分类模型,然后,采用机器学习算法对滚动轴承进行故障分类与诊断。实验结果表明,与传统的轴承故障诊断方法相比,用机器学习方法对轴承进行故障诊断更简单且具有更好的诊断效果。研究内容为以后用机器学习分类算法来研究轴承的故障诊断问题提供了参考。     

排列熵与核极限学习机在滚动轴承故障诊断中的应用

针对极限学习机(Extreme Learning Machine,ELM)隐含层节点数需要人为设定,致使滚动轴承故障分类模型精度低、稳定性差,提出基于排列熵(Permutation Entropy,PE)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,将测得信号经集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)处理后得到一系列IMF本征模态函数,并提取各分量的排列熵PE值组成高维特征向量集;其次,在利用高斯核函数的内积来表达ELM输出函数,从而自适应确定隐含层节点数;最后,将所得高维特征向量集作为K-ELM算法的输入建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识。实验结果表明: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。     

基于改进聚类评价的特征选择和轴承故障诊断方法

针对滚动轴承故障特征提取过程中存在低相关特征和特征信息冗余的问题,提出一种基于调整互信息(Adjust Mutual Information,AMI)和标准差(Standard Deviation,SD)的特征选择方法,量化评价统计特征并选择和故障状态相关度较高的统计特征用来进行轴承状态的判识;对于高维故障特征集采用线性判别分析方法实现数据从高维到低维的映射,提升基于支持向量机和极限学习机构建的故障诊断模型的性能。采用变负载情况下的12种滚动轴承故障数据进行实验验证所提方法的有效性和适应性,实验表明,所提方法能够有效筛选出相关特征,实现滚动轴承故障状态的准确识别,并具有良好的适应性。     

基于EMD和支持向量机的滚动轴承故障诊断研究

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,提高诊断准确率,进行了经验模态分解(EMD)和支持向量机(SVM)的研究,给出了相应的决策流程。基于改进的EMD分解的特征提取算法,选取故障特征明显的IMF分量进行特征提取,最大限度地滤除了低频噪声干扰,捕捉到信号的故障特征,然后将特征集输入到SVM分类器中进行识别,结果表明:该方法对于轴承故障识别具有较高的准确率,为确保轴承安全运行和快速故障诊断提供了理论支持。     

多核的LSSVM的轴承故障诊断算法研究

针对滚动轴承故障诊断中出现的多故障类型识别与诊断问题,在LSSVM和多核学习的基础上,提出了多核的LSSVM的轴承故障诊断算法。多核的LSSVM实现的关键是如何确定多核函数的每个基本核函数的权系数,采用核度量标准——核极化来解决此难题。首先,选择基本核函数及其核参数值;然后,用核极化求解基本核函数的权系数,组合多核函数;最后,创建多核的LSSVM算法模型,进行轴承故障诊断。美国西储大学的滚动轴承的实验结果表明,与5-fold SVM和LSSVM相比,多核的LSSVM算法具有更优的故障识别率,验证了所提算法的有效性。     

基于改进AFSA的参数优化VMD和ELM的轴承故障诊断

针对滚动轴承早期故障信号微弱、故障特征难以提取,导致故障分类效果差的问题,提出了一种基于改进人工鱼群(AFSA)进行参数优化的变分模态分解(VMD)和多特征向量融合的极限学习机(ELM)的滚动轴承故障诊断方法。首先,将改进后的AFSA对VMD算法的重要参数(分解个数K和惩罚因子α)进行自动寻优,适用度函数采用最小包络谱熵;其次,提取经AFSA-VMD分解后的包络谱熵最小的内蕴模态函数(IMF)分量作为最优分量,通过计算最优IMF分量的均方根值和峰值构造第一层特征值向量,计算最优IMF分量的样本熵、峭度和均方根构造第二层特征值向量;最后,将特征值向量送入极限学习机ELM进行滚动轴承故障的训练分类。试验结果表明本文算法具有良好的故障诊断效果且最终可实现98.25%的分类准确率和93.36%的实际诊断精度。     

基于振动时域特征的船用滚动轴承故障诊断方法

基于机器学习故障诊断方法,针对船用滚动轴承复合故障特征提取多样化的特点,提出一种以振动信号时域指标为特征的随机森林故障诊断方法。将振动时域信号进行清洗转换,构造5个量纲一化指标的衍生特征,并选取以决策树为基本分类器的随机森林算法建立训练模型;通过特征筛选、评估测试和模型优化得到较为理想的故障诊断分类模型;采用滚动轴承竞赛数据集进行模型仿真,并结合实际模拟8种船用滚动轴承故障状态。通过三向振动实验和算法建模,证明特征提取的科学性和故障诊断模型的有效性。结果表明:采用该方法,数据仿真诊断准确率为98.61%,实验诊断准确率为98.85%,且该方法在振动采集方向为轴向时诊断效果最优。     

基于参数优化变分模态分解的滚动轴承微弱故障诊断研究

为了提高变分模态分解(VMD)对滚动轴承微弱故障特征提取的准确性,提出了一种基于参数优化VMD与奇异值分量及其熵相结合的滚动轴承故障诊断方法。该方法通过寻优算法确定VMD的模态数K和二次惩罚因子α;根据余弦-标准差指标提取VMD典型本征模态分量(IMF);计算IMF奇异值及其熵,并利用计算结果分别判断滚动轴承的不同故障状态。结合美国西储大学轴承振动信号数据,实验结果表明:相比经验模态分解奇异值故障诊断方法,基于参数优化VMD奇异值故障诊断方法能更明显地识别滚动轴承的不同故障类型,为区分滚动轴承微弱故障提供了一种可行的诊断思路。     

基于FFT与CS-SVM的滚动轴承故障诊断

针对滚动轴承故障信号强噪声背景和非线性等特点,为精确识别滚动轴承的故障特征频率并精准分类,提出了一种基于Hanning窗插值快速傅里叶变换并利用布谷鸟算法优化支持向量机的滚动轴承故障诊断新方法。采用Hanning窗对得到的频域信号进行加窗处理并求得样本特征的均方根特征值;经过布谷鸟算法优化后的支持向量机(CS-SVM)对样本数据进行故障诊断分类。通过凯斯西储大学的轴承故障振动信号数据进行的实验,验证了该混合智能诊断方法的有效性和优势,结果表明:所提出的方法可以对轴承故障准确进行分类。     

改进K均值模拟退火聚类算法的滚动轴承故障诊断

为解决传统聚类分析方法 K均值易求得最优局部解而非最优全局解的问题,引入一种新的中心点交换机制,提出将K均值与模拟退火法相结合的改进K均值模拟退火算法。该算法既继承了K均值可调整聚类中心的特点,又利用模拟退火法跳出最优局部解,能为故障诊断提供一种新思路。论文采用gr120数据首先验证了该算法的可靠性。然后基于该算法构建了滚动轴承振动故障诊断模型,接着采用美国凯斯西储大学轴承数据中心滚动轴承数据对算法及模型进行了应用验证,验证结果表明该方法能够诊断出滚动轴承的典型故障。     

基于GMDH与SVM的信号缺失情景下轴承故障诊断

针对在轴承故障数据采集过程中,由于外界干扰导致部分信号缺失的问题,提出一种基于数据分组处理算法(GMDH)与经粒子群优化的支持向量机(PSO-SVM)算法相结合的轴承故障诊断方法。首先,利用GMDH算法搭建时间序列预测模型,预测出并弥补上缺失的数据并与采集信号整合;其次,经过PSO-SVM模型对完整的数据集进行故障类型诊断;最后,实验采用了凯斯西储大学轴承故障振动数据,并与SVM、PSO-SVM等算法进行比较,验证了在信号缺失情景下,GMDH-SVM混合诊断方法的有效性。     

基于MFCC与PCA的滚动轴承故障诊断

针对振动传感器不易安装、传统分类算法训练时间较长等问题,提出了基于美尔倒谱系数(MFCC)与主成分分析(PCA)的滚动轴承故障诊断方法。首先利用声音传感器采集滚动轴承声音信号,而后提取声音信号的MFCC特征,最后将MFCC特征作为PCA分类器的输入进行故障分类,并与反向传播神经网络(BPNN)、支持向量机(SVM)进行比较研究。实验结果表明:MFCC系数可以有效反应轴承不同工作状态下的信号特征;基于MFCC与PCA的轴承故障诊断方法能够准确、有效地识别轴承故障类型。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于GWO-CMFH和改进ResNet轴承故障诊断

针对不同程度的小分类轴承故障，现有故障诊断方法准确率不高的问题，提出基于GWO-CMFH和改进ResNet的滚动轴承故障诊断方法。对于同一类型不同程度故障，提出基于GWO自适应优化结构元素参数的CMFH滤波方法，增强振动信号的脉冲故障特征并抑制背景噪声；采用连续小波变换将滤波后的信号转换成二维时频图谱；最后，提出基于混合注意力机制改进的残差网络模型，提高轴承故障诊断精度。在西储大学、东南大学及所选轴承数据集上进行验证实验，不同故障程度的小分类诊断准确率分别达到99.73%、98.12%和99.07%,表明所提方法具有很好的抗噪性、鲁棒性，可提高滚动轴承不同故障程度的诊断效果。     

基于声信号的滚动轴承故障诊断

对现有振动传感器存在安装困难等问题,提出了基于声信号的滚动轴承故障诊断方法;利用声学传感器,采用非接触方式采集故障轴承声信号;通过Matlab设计线性相位FIR滤波器,得到所需频带的冲击响应序列;通过Hilbert变换,得到被故障源调制信号的包络信号;通过对包络信号进行频谱分析,确定滚动轴承的故障类型。利用该方法对实验台故障轴承进行诊断,得到了准确的诊断结果,验证了方法的可行性与有效性。     

基于LMD近似熵和改进PSO-ELM的轴承故障诊断

针对滚动轴承故障特征提取与故障识别困难的问题,提出局部均值分解(LMD)近似熵和改进粒子群优化的极限学习机(PSO-ELM)结合的滚动轴承故障诊断方法。将不同工况信号用LMD分解为一系列乘积分量,不同工况的信号在不同频带的近似熵值会发生改变,结合相关性系数选出前3个分量,计算近似熵定值作为输入的特征向量。针对PSO早熟收敛的缺点,引入自适应权重法与DE算法对PSO进行改进,将特征值输入到改进PSO-ELM网络模型中,对滚动轴承不同工况进行故障识别与分类。结果表明,基于LMD近似熵和改进粒子群优化的ELM不仅能够识别滚动轴承的故障类型,并且有更高的分类正确率,验证了该方法的可行性。     

基于改进阈值函数及SVM的滚动轴承故障诊断

为了提高稀缺的滚动轴承故障样本的利用价值,以及针对支持向量机对噪声敏感的特点,提出了基于小波阈值去噪和SVM的轴承运行状态识别的新方法。对现有故障轴承振动信号样本进行小波阈值去噪,得到相应的去噪后样本。在此基础上结合SVM的参数寻优进行SVM模型的初步建立,并将错分样本重新去噪后进行SVM模型的重建,直到惩罚因子和交叉验证的精度达到预定标准,从而实现最优模型的建立以及轴承状态的识别。但是传统的软硬阈值函数各自存在的不足制约了信号去噪和特征提取的效果,并且无法实现去噪处理的可调性,因此,首先提出了一种改进的阈值函数,并结合MATLAB仿真实验分析了其优点。最后的滚动轴承诊断实例表明,引入改进阈值函数的去噪法能有效提高样本数据利用率和SVM的抗噪与泛化能力以及滚动轴承智能诊断的可靠性。