基于双谱估计的轴承非线性振动信号模式识别

当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性耦合信号.本文对把高阶统计量用于滚动轴承非线性振动信号特征模式识别的方法进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法.利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位耦合信息的双谱特征图谱.实验研究表明,利用双谱图谱中不同的非线性耦合其故障特征模式不同的特点,可以快速地识别轴承的工作状态.     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征，提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解，然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析，得到各分量的功率谱图，清晰直观显示出故障特征信号的功率谱，从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性，适宜于非线性、非平稳信号的分解，该方法应用于滚动轴承的故障振动信号分析中，结果表明，该方法能够突出滚动轴承振动信号的故障特征，从而提高滚动轴承故障诊断的准确性。     

小波包-双谱分析和Hilbert-双谱分析的滚动轴承故障诊断方法对比研究

滚动轴承故障诊断是机械故障检测中的一个重要方面. 为了提取滚动轴承微弱振动信号,给出了两种方法小波包-双谱分析法和Hilbert-双谱分析法,并就不同状况对两者进行了对比研究,结果表明,两者都克服了传统谱分析和普通双谱分析中不能充分体现故障信号的缺点.在高斯和非高斯噪声干扰很小时,前者优于后者;在高斯噪声干扰下,而前者更优于后者,在非高斯噪声干扰下,后者则无能为力,前者能够充分体现滚动轴承故障信息.所以小波包-双谱分析法为滚动轴承故障诊断提供了一种准确有效的方法.     

基于双谱分析的滚动轴承故障模式识别

当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性信号。本文对高阶统计量方法用于滚动轴承故障特征提取进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法。利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位信息的双谱特征图谱。研究表明,双谱图谱可以有效地监测滚动轴承工作状态的模式,因而可以快速地识别滚动轴承不同的故障特征。     

基于HVD与1.5维Teager能量谱的滚动轴承故障诊断方法研究北大核心

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了一种基于Hilbert振动分解(HVD)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先将故障信号进行HVD分解,然后采用相关系数法重构原始信号,降低噪声的干扰,增强故障信号的冲击特征,最后对重构后的信号进行1.5维Teager能量谱运算,提取出滚动轴承的故障特征。     

基于HVD与1.5维Teager能量谱的滚动轴承故障诊断方法研究

针对强背景噪声下滚动轴承微弱故障信号特征难以提取的特点,提出了一种基于Hilbert振动分解(HVD)与1.5维Teager能量谱的滚动轴承故障诊断方法。首先将故障信号进行HVD分解,然后采用相关系数法重构原始信号,降低噪声的干扰,增强故障信号的冲击特征,最后对重构后的信号进行1.5维Teager能量谱运算,提取出滚动轴承的故障特征。     

基于高阶累积量的齿轮箱故障诊断研究

当齿轮箱发生故障时，实际测得的齿轮振动信号一般是非平稳和非高斯分布的信号，不同故障状态下的振动信号具有不同的高斯性和对称性，通常包含较强的噪声。高阶累积量具有对加性高斯噪声和对称非高斯噪声不敏感的特性，可以应用在齿轮箱的故障诊断中。短时分析方法可以在低信噪比情况下提取周期性冲击故障信号特征。在对振动信号进行短时分析的基础上，计算原始信号及其短时能量函数的高阶累积量。从高阶累积量提取的特征可有效地将正常状态、中度磨损状态、严重磨损状态和断齿状态的齿轮振动信号分离开来，这表明高阶累积量可定量地描述振动信号偏离正态分布的程度，采用样本分割后，还可以定量描述齿轮的磨损程度。     

基于高斯函数的小波基的构造方法及在滚动轴承故障诊断中的应用研究

为了精确诊断出滚动轴承的故障,提出基于高斯函数的小波基构造方法.该方法采用叠加的高斯函数作为构造小波基函数的初始模型,使用该初始模型和滚动轴承振动信号进行数据拟合来确定小波基函数的各项系数.通过对6205滚动轴承的外圈、内圈、滚动体故障信号分析的结果表明:新构造的小波基能有效的抑制信号中的噪声成分,提取故障特征,实现精确的诊断滚动轴承的故障.在同样的分解条件下,新构造的小波基比高斯小波能更精确的诊断出滚动轴承的运行状态,具有较高的使用价值.     

基于总变差去噪和Teager能量谱的滚动轴承故障诊断

针对强噪声背景下滚动轴承振动信号故障特征难以提取的问题,提出了结合总变差去噪和Teager能量谱的滚动轴承故障特征提取方法。首先,使用总变差去噪方法对滚动轴承振动信号降噪;然后,对降噪后的信号进行Teager能量谱分析,从中识别出滚动轴承的故障特征频率,实现对滚动轴承的故障诊断;最后,通过美国凯西西储大学的实验数据验证了该方法的有效性。     

基于多小波和CEEMD的轴承故障诊断方法

滚动轴承振动信号中的强噪声背景对准确提取轴承的故障特征信息具有很大影响,本文提出利用多小波降噪与CEEMD方法相结合,提取滚动轴承的故障特征信号的方法:首先通过多小波方法自适应地消除滚动轴承故障信号中的噪声,然后利用CEEMD进行分解,将分解后的IMF的最大Shannon信息熵值作为判断标准,最大可能地保持原始信号中的故障信息,提取Shannon信息熵值最大的有效IMF进行频谱分析,利用频谱特性提取滚动轴承故障特征。利用数值算例和滚动轴承数据验证了该方法的可行性,为轴承故障诊断提供参考。     

基于PPCA-EWT的滚动轴承轻微故障诊断

针对经验小波变换(empirical wavelet transform,简称EWT)在强背景噪声下对轴承的轻微故障特征提取不足的问题,提出了概率主成分分析(probabilistic principal component analysis,简称PPCA)结合EWT的滚动轴承轻微故障诊断方法。首先,对信号做PPCA预处理,提取信号主要故障特征成分,去除强背景噪声干扰;然后,采用EWT方法分解轴承故障信号,按相关系数-峭度准则选出故障特征较为明显的分量,并将所选分量重构故障信号;最后,对信号采取包络分析,提取出轴承故障特征。仿真和实验结果表明,该方法能够有效地诊断出轴承故障且效果优于对信号进行EWT包络分析。     

基于经验模态分解包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征和传统包络分析法的缺陷,提出了一种基于经验模态分解包络谱的滚动轴承故障诊断方法.该方法首先采用经验模态分解将原始信号分解为若干个平稳的固有模态函数之和,然后求出包含主要故障信息的若干个固有模态函数分量的包络谱,再定义包络谱中故障特征频率处的幅值比为特征幅值比,最后以特征幅值比作为故障特征向量,输入神经网络,以神经网络的输出来判断滚动轴承的工作状态和故障类型.对滚动轴承内圈、外圈故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能有效地提取滚动轴承的故障特征.     

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。     

基于余弦调频小波变换的滚动轴承故障研究

针对滚动轴承故障振动信号的特点，构造余玄调频小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：时间一小波能量谱自相关分析法。通过对滚动轴承具有缺陷的情况下振动信号的分析，说明时间一小波能量谱自相关分析法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

Application of an impulse response wavelet to fault diagnosis of rolling bearings

To target the characteristic of roller bearing fault vibration signals, the impulse response wavelet is constructed by using continuous wavelet transform to extract the feature of fault vibration signals, based on which two methods namely scale-wavelet power spectrum comparison and auto-correlation analysis of time-wavelet power spectrum are proposed. The analysis results from roller bearing vibration signals with out-race or inner-race fault show that the two proposed methods can detect the faults of roller bearing and identify fault patterns successfully.     

基于多元经验模态分解的旋转机械早期故障诊断方法*

针对旋转机械早期微弱故障诊断问题,提出了基于多元经验模态分解的旋转机械早期故障诊断新方法。首先将多个加速度传感器合理布置在轴承座的关键位置,同步采集多通道振动信息;再利用多元经验模态分解同时对多通道振动信号进行自适应分解,得到一系列多元IMF分量;最后,依据峭度准则和相关系数从中选取包含故障主要信息的IMF分量进行信号重构,提取故障特征。多元经验模态分解方法克服了EMD等方法在进行多通道数据融合时缺乏理论依据的局限性。仿真信号和旋转机械故障信号的实验结果表明,该方法明显优于EEMD方法,对齿轮和滚动轴承故障的检测精度更高,可以在强背景噪声情况下更好地提取出故障冲击特征。     

基于LMD和增强包络谱的滚动轴承故障分析

针对滚动轴承发生故障时振动信号幅值分布的峭度和歪度都会发生变化的特点,提出基于峭度-歪度的局部均值分解分量筛选准则,将峭度值和歪度绝对值最大的分量筛选出来并重构故障信号,以达到降噪的目的。对降噪后的信号进行增强包络谱分析,得到故障的特征频率。应用提出的新方法对实测的滚动轴承外圈、滚动体和内圈发生故障时的振动信号分别进行了分析。结果表明,基于峭度-歪度的局部均值分解分量筛选准则有效地降低了信号中的噪声,在此基础上应用增强包络谱有效地减少带内噪声影响,从而使故障特征信息凸现出来,有利于对滚动轴承的各种故障进行诊断。     

Fault diagnosis method of rolling bearing using principal component analysis and support vector machine

To effectively extract the fault feature information of rolling bearings and improve the performance of fault diagnosis, a fault diagnosis method based on principal component analysis and support vector machine was presented, and the rolling bearings signals with different fault states were collected. To address the limitation on effectively dealing with the raw vibration signals by the traditional signal processing technology based on Fourier transform, wavelet packet decomposition was employed to extract the features of bearing faults such as outer ring flaking, inner ring flaking, roller flaking and normal condition. Compared with the previous literature on fault diagnosis using principal component analysis (PCA) and support vector machine (SVM), one-to-one and one-to-many algorithms were taken into account. Additionally, the effect of four kernel functions, such as liner kernel function, polynomial kernel function, radial basis function and hyperbolic tangent kernel function, on the performance of SVM classifier was investigated, and the optimal hype-parameters of SVM classifier model were determined by genetic algorithm optimization. PCA was employed for dimension reduction, so as to reduce the computational complexity. The principal components that reached more than 95 % cumulative contribution rate were extracted by PCA and were input into SVM and BP neural network classifiers for identification. Results show that the fault feature dimensionality of the rolling bearing is reduced from 8-dimensions to 5-dimensions, which can still characterize the bearing status effectively, and the computational complexity is reduced as well. Compared with the raw feature set, PCA has a higher fault diagnosis accuracy (more than 97 %), and a shorter diagnosis time relatively. To better verify the superiority of the proposed method, SVM classification results were compared with the results of BP neural network. It is concluded that SVM classifier achieved a better performance than BP neural network classifier in terms of the classification accuracy and time-cost.     

基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法

针对滚动轴承故障诊断在工程实际中故障数据稀缺的问题,提出一种基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法。首先利用典型故障信息丰富、标记样本充足的滚动轴承数据构建多源域数据集,使用不同源域的数据对源域特征提取器与分类器进行预训练;然后利用基于动态时间规整的shapelets学习算法提取源域与目标域的shapelets作为判别结构,通过度量判别结构优化源域数据,对源域网络进行微调以得到诊断模型;最后根据每个源域与目标域的shapelets之间的差异,利用自适应域权重对各分类器的结果进行聚合得出诊断结果。实验结果表明,该方法在小样本与强噪声的情况下具有较高的故障诊断准确率。