基于LMD与改进SVM的轴承故障诊断方法

针对轴承振动信号故障特征信息实际提取困难的问题,基于局部均值分解(LMD)与改进支持向量机(SVM)提出了轴承故障诊断方法.对所采集的轴承振动信号进行局部均值分解,得到若干乘积函数的分量.计算各乘积函数的能量,选取能量百分比值作为识别故障的特征值.针对支持向量机不能自适应选择核函数参数和惩罚因子的问题,利用细菌觅食优化算法对支持向量机进行参数优化.将特征值输入改进支持向量机模型,对轴承故障状态进行识别.试验结果表明,相对于传统支持向量机模型和隐马尔可夫模型,采用所提出的轴承故障诊断方法,对轴承故障的识别准确率提高7个百分点以上,由此验证了所提出的轴承故障诊断方法的可靠性.     

基于EMD幅值熵和支持向量机的滚动轴承故障诊断

针对滚动轴承早期故障特征微弱,无法对轴承状态进行有效辨识的特点,提出基于EMD幅值熵和支持向量机的故障诊断方法。首先通过经验模态分解的自适应性将振动信号分解为不同时间尺度的本征模态函数IMFs,然后从分解的IMFs中分别提取瞬时幅值香农熵构造故障特征集,最后通过支持向量机对提取的故障特征集进行分类识别。滚动轴承实验结果表明,所提方法相比基于EMD和AR模型的故障诊断方法效果更好,诊断识别率达到100%。     

基于谐波小波包和OAO-RVM的滚动轴承故障诊断方法

结合谐波小波包和相关向量机设计了滚动轴承故障诊断方法,以实现轴承正常状态、内圈故障、滚动体故障及外圈故障状态的诊断。首先,利用谐波小波包对轴承的振动信号进行多层分解,根据各频段的小波分解系数计算各个频带能量,归一化之得到特征向量;其次,对传统的OAO-RVM模型进行简化,改进为新的OAORVM多模式分类模型;最后,利用滚动轴承试验台的振动数据对设计方法进行了验证。结果表明,设计的诊断方法在识别的准确率及算法计算效率方面均比传统的支持向量机诊断方法好。     

基于MRSVD-SVD与VPMCD的交叉滚子轴承故障诊断研究

针对奇异值分解(SVD)提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时,出现奇异值分辨率不足的问题,提出了一种基于最大分辨率奇异值分解(MRSVD)-奇异值分解(SVD)与变量预测模型模式识别(VPMCD)的工业机器人交叉滚子轴承的故障诊断方法。首先,以最大奇异值分辨率原则将一维振动信号构造成了Hankel矩阵,采用奇异值分解方法对Hankel矩阵进行了分解,得到了其奇异值序列,根据奇异值曲率谱理论选择有效奇异值,并进行了重构,得到了经降噪后的高信噪比信号,以重构信号构建了相空间矩阵,进行了二次奇异值分解,得到了其故障特征分量;然后,计算了故障特征分量的特征参数,构建了其特征向量;最后,采用了VPMCD分析了特征向量,完成了对交叉滚子轴承故障类型的识别,并与其它方法进行了识别准确率对比。研究结果表明：采用该方法对工业机器人交叉滚子轴承进行故障诊断,得到的故障类型识别准确率为98.66%,比SVD与共振解调相结合方法提高了9%;该方法通过构建最大奇异值分辨率矩阵提高了奇异值分辨率,可完整提取出工业机器人交叉滚子轴承振动信号的微弱故障特征分量,获得了更高的故障类型识别准确率。     

基于SVD-LCD与1.5维谱的滚动轴承故障诊断

为了准确地进行滚动轴承故障诊断,针对故障振动信号的低信噪比、非线性、非平稳的特征,提出了奇异值分解降噪、局部特征尺度分解和1.5维谱相结合的故障诊断方法。该方法首先运用奇异值分解降噪技术降低信号中的噪声,然后对降噪信号进行局部特征尺度分解,得到若干个内禀尺度分量,并进行Hilbert变换求取包络信号,最后求取包络信号的1.5维谱提取故障特征。通过轴承内圈故障数据分析,验证了该方法的有效性。     

基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法研究

针对滚动轴承故障诊断中特征向量难以提取与支持向量机结构参数选取依据经验的问题,提出了基于小波包与奇异值分解的GA-SVM滚动轴承故障诊断方法。首先,采用小波包对采集的滚动轴承各状态下的信号进行分解,获取表征信号局部特征的各节点系数,在此基础上构建各节点系数矩阵并进行奇异值分解,来获取特征向量进而将其作为故障诊断模型的输入;其次,利用遗传算法(GA)优化支持向量机(SVM)的惩罚系数和高斯核系数两个结构参数;最后,将上述特征向量作为输入,建立GA优化SVM的故障诊断模型,实现滚动轴承的状态辨识。实验结果表明,与BP、SVM、PSOSVM相比,基于小波包与奇异值分解的GA优化SVM滚动轴承故障诊断方法具有更高的分类精度,能够提高滚动轴承状态辨识的效果。     

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。     

基于主成分分析和支持向量机的滚动轴承故障特征融合分析

为有效降低滚动轴承故障特征的维数并提高诊断准确率,将主成分分析（PCA）和支持向量机（SVM）方法应用到轴承故障特征的融合分析中,给出了相应的决策流程。应用基于小波包分解的特征提取算法及特征向量的构造方法对不同状态下的振动信号进行分解,得到用于表征轴承运行状态的8维特征集合;应用PCA提取累积贡献率达到95%的特征主成分并输入SVM分类器中进行识别。结果表明,将滚动轴承故障特征从8维降低到5维,仍可有效表征轴承的状态,但大大降低了计算的复杂性;故障诊断的准确率达到97%以上,诊断时间也相对较短;4种轴承状态识别的准确率从高到低依次为正常、外圈剥落、滚动体剥落和内圈剥落,可为确保设备安全运行和快速故障诊断提供理论依据。     

基于IGRSSA与IPSO-SVM的滚动轴承故障诊断方法

为提高滚动轴承故障诊断的准确性,提出基于信息增益比的奇异谱分析(IGRSSA)与改进粒子群算法优化支持向量机(IPSO-SVM)的诊断模型。首先,引入信息增益比实现信号自适应重构;其次,采用动态惯性权重和梯度信息对粒子群算法进行改进并用于优化支持向量机;然后,用IGRSSA对滚动轴承外圈故障、钢球故障和正常3种状态的振动信号进行降噪并提取时域特征值,使用平均影响值(MIV)筛选出最优特征参量作为后续故障信号特征数据集;最后,将BP神经网络、RBF神经网络、交叉验证优化的SVM、遗传算法优化的SVM和粒子群优化的SVM作为对比算法用于轴承故障诊断。30次有放回的随机抽样诊断结果表明,IPSO-SVM的平均诊断准确率达到97.72%,波动性和收敛误差均优于其他方法。     

基于改进阈值小波和支持向量机的低速重载滚动轴承故障诊断的研究

提出了将小波分析与支持向量机结合用于低速滚动轴承故障诊断的方法。首先在实验台上进行轴承各种故障信号的样本采集,利用改进后的小波阈值法对信号进行去噪,将降噪后的振动信号经过小波包分解后的频带能量作为特征向量,并以此作为训练样本,对多个支持向量机构成的多故障分类器进行训练,进而实现智能诊断。结果表明,比起传统阈值法小波去噪,结合后的方法有较好的诊断效果。