双矢时域齿轮早期微弱故障特征增强及应用

信噪比低和源信息的缺失是造成早期微弱故障难以准确判定的主要因素,针对以此问题,提出一种双矢时域变换(dual vector time-time domain transform,简称DVTD)的方法,用于完备和凸显齿轮早期微弱故障特征。方法借用全矢原理实现相互垂直的双通道振动信号的融合,保证双矢信号源信息的完整。在此基础上,结合双时域变换理论,提取二维时间序列的主对角元素用以构建完整的、故障特征增强的时域振动信号。以风电机组齿轮箱为实验对象,提取表征信号波动强度的小尺度指数作为状态特征,验证了双矢时域变换的微弱故障特征增强特性及其在齿轮早期微弱故障识别中应用的有效性。     

基于双时域变换和稀疏编码收缩的滚动轴承早期故障诊断方法

针对滚动轴承早期故障特征微弱、在噪声和谐波干扰下难以有效提取的问题，提出了联合双时域(DTD)变换和稀疏编码收缩(SCS)的故障诊断方法。首先对原始信号进行双时域变换，将双时域变换谱的对角序列作为重构信号；然后对重构信号进行稀疏编码收缩，减小噪声与低频杂波的干扰；最后对降噪信号做包络谱分析，提取故障特征频率，判定故障类型，实现故障诊断。对仿真信号、实验信号、工程信号的分析结果表明，该方法可有效提取轴承早期故障信号中的微弱故障特征，准确判断故障类型。     

降速工况下滚动轴承微弱故障特征信号提取新方法

研究降转速工况下滚动轴承微弱故障特征信号的提取,提出了一种基于计算阶次分析、三次样条插值分析与包络谱分析相结合的新方法。基于滚动轴承微弱故障实验测得的降速工况下的转速信号和振动信号,首先对转速信号在时域内积分获得角位移-时间信号,再对该信号进行线性插值获得等角度间隔的角位移-时间信号,然后利用该时间序列对振动信号进行三次样条差值获得等角度间隔分布的重采样振动信号,最后对重采样振动信号进行包络分析及快速傅里叶变换获得阶次包络谱。通过对滚动轴承微弱故障实验信号分析,表明该方法能有效提取出滚动轴承微弱外圈故障和滚动体故障特征信息。该方法为轴承微弱故障特征信号提取提供了一种重要手段,具有广泛的应用前景。     

基于等距映射和最小二乘支持向量机的转盘轴承故障识别方法

针对转盘轴承振动信号微弱,具有非线性、非平稳性的特点,提出将等距映射与最小二乘支持向量机相结合的故障诊断方法。首先,提取转盘轴承振动信号多分形特征并进行特征重构;然后,通过等距映射方法对特征信息进行维数约简处理;最后,将处理后的特征向量输入最小二乘支持向量机模型中进行故障状态识别。某型号转盘轴承全寿命加速试验表明,与未进行降维处理相比,经等距映射降维处理后的识别精度提高了12%,证明了该方法的可行性和有效性。     

基于SWD和MOMEDA的滚动轴承微弱故障特征识别

针对复杂工况下轴承微弱故障特征难以提取的问题,提出一种基于群体分解(SWD)和多点调整最优最小熵解卷积(MOMEDA)的故障诊断方法。首先,利用SWD对振动信号进行模态分解,并根据相关系数选择有用分量;然后,利用MOMEDA对选取的分量实现弱信号特征的增强;最后,通过快速傅里叶变换进行故障特征的识别。     

MED与TQWT相结合的滚动轴承早期故障特征提取

针对滚动轴承早期故障冲击特征微弱且故障信息难以识别的问题,提出了一种最小熵解卷积(MED)与可调品质因子小波变换(TQWT)相结合的滚动轴承早期故障冲击特征提取方法 .由于(MED)能够突出信号中的冲击特征成分,首先对振动信号进行MED预处理,使受到传输路径影响的微弱冲击成分得到一定程度的增强.再利用TQWT对预处理后的信号进行分解重构,得到若干个子带信号.对比不同品质因子Q下的各子带信号峭度值,根据峭度最大原则确定子带中的最佳分量并对其进行包络谱分析,从而根据轴承故障特征频率确定轴承健康状态.仿真信号验证了所提方法的有效性,实验信号表明了该方法在轴承早期故障诊断中具有一定的优势.     

基于MODWPT和MCKD的滚动轴承早期故障诊断

针对齿轮啮合强振动干扰下滚动轴承微弱故障特征提取难的问题，提出一种最大重叠离散小波包变换(MODWPT)和最大相关峭度解卷积(MCKD)相结合的滚动轴承早期故障诊断方法。首先采用MODWPT方法将复杂的轴承故障振动信号分解为若干分量，然后依据峭度准则，选取峭度较大的分量进行MCKD滤波，最后对滤波后所得信号做Hilbert包络分析，将包络谱呈现的频率特征与理论故障特征频率相比较，识别故障特征，实现故障诊断。通过轴承故障的仿真及实验研究，并对比单一MCKD方法和EMD-MED方法的提取效果，说明该方法可以在一定程度上抑制齿轮啮合强振动及噪声的干扰，增强并有效提取出滚动轴承早期低频微弱故障特征。     

多尺度主元坐标变换在轴承故障声发射信号增强检测中的应用

针对轴承微弱故障声发射信号处理中,故障特征微弱难以有效提取识别的问题,引入多尺度主元坐标变换对故障特征进行增强。首先对信号进行小波包分解并重构各子频带分量,然后通过主成分分析将各分量变换到新的线性空间,实现信号故障特征的增强。通过仿真信号及实验信号对该方法进行验证,结果表明该方法在轴承故障增强检测中效果明显。     

基于相空间重构和ICA-R的轴承故障特征增强方法

针对实测滚动轴承早期故障信号中故障特征频率成分微弱、难以识别及提取的问题,设计了一种结合相空间重构(phase-space reconstruction,简称PSR)和参考独立分量分析(independent component analysis with reference,简称ICA-R)的故障特征增强方法。利用相空间重构将一维时域信号拓展到高维,再进行参考独立分量分析,将所感兴趣的轴承故障特征频率成分进行增强。该方法相比传统频率提取方法具有效果好、对干扰频率抑制明显的特点。仿真结果和工程实测信号表明,该方法对滚动轴承早期故障特征提取有效可行,具有一定工程应用价值。     

齿轮箱齿轮故障振动信号变尺度解调与振动特征提取算法研究

正齿轮箱广泛应用于航空航天、船舶、风力发电及精密机床等重大领域中,其故障严重影响了机械装备的精度和可靠性,准确提取和及时识别早期故障振动特征对提高齿轮箱安全服役性能具有十分重要的理论和实际意义。由于运转噪声、非平稳运行工况、传递路径等因素影响,齿轮箱早期故障微弱振动特征信噪比低、波形形貌不断变化,故障振动特征调制尺度实时改变。本论文围绕故障振动信噪比提升、振动信号解调尺度变换、故障特征提取和监测识别等方     

一类滚动轴承振动信号特征提取与模式识别

复杂工况下滚动轴承振动信号通常表现出强烈的非平稳性,而一些典型的故障特征往往容易被其他成分所掩盖,这为故障特征提取带来了很大的困难。针对这一问题,首先,提出一种基于同步压缩小波变换的滚动轴承信号特征提取方法,对多种工况下的滚动轴承振动信号进行分析,提取出能够有效反映滚动轴承工况的信号特征空间;其次,采用非负矩阵分解对信号特征空间进行精简和优化,提炼出用于滚动轴承故障诊断和模式识别的特征参数;最后,采用支持向量机对多种工况的滚动轴承振动信号进行分类。研究结果表明,与传统的时域特征参数提取方法相比,所提出的方法具有更高的分类准确率。     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

基于RSGWPT-LCD的轴承信号故障特征提取及模式识别

为了有效提取滚动轴承振动信号的故障特征和提高分类识别精度,提出了一种基于冗余二代小波包变换-局部特征尺度分解(redundant second generation wavelet packet transform-local characteristic scale decomposition,简称RSGWPT-LCD)和极限学习机(extreme learning machine,简称ELM)相结合的故障特征提取和分类识别方法。首先,利用希尔伯特变换对原始振动信号进行处理,得到包络信号;其次,基于双层筛选机制,结合冗余二代小波包变换(redundant second generation wavelet packet transform,简称RSGWPT)和局部特征尺度分解(local characteristic-scale decomposition,简称LCD)方法对包络信号进行分解,筛选出包含主要信息的内禀尺度分量(intrinsic scale components,简称ISCs);然后,对提取的各ISCs分量构建初始特征矩阵并进行奇异值分解(singular value decomposition,简称SVD),将得到的奇异值作为表征各损伤信号的特征向量;最后,以提取的特征向量为输入样本,建立ELM模式分类器对滚动轴承损伤信号进行识别。信号仿真和实测数据表明,该方法可有效提取振动信号故障特征,提高分类识别精度,实现滚动轴承故障诊断。     

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。     

Connected Components-based Colour Image Representations of Vibrations for a Two-stage Fault Diagnosis of Roller Bearings Using Convolutional Neural Networks

Roller bearing failure is one of the most common faults in rotating machines.Various techniques for bearing fault diagnosis based on faults feature extraction have been proposed.But feature extraction from fault signals requires expert prior information and human labour.Recently,deep learning algorithms have been applied extensively in the condition monitoring of rotating machines to learn features automatically from the input data.Given its robust per-formance in image recognition,the convolutional neural network(CNN)architecture has been widely used to learn automatically discriminative features from vibration images and classify health conditions.This paper proposes and evaluates a two-stage method RGBVI-CNN for roller bearings fault diagnosis.The first stage in the proposed method is to generate the RGB vibration images(RGBVIs)from the input vibration signals.To begin this process,first,the 1-D vibration signals were converted to 2-D grayscale vibration Images.Once the conversion was completed,the regions of interest(ROI)were found in the converted 2-D grayscale vibration images.Finally,to produce vibration images with more discriminative characteristics,an algorithm was applied to the 2-D grayscale vibration images to produce connected components-based RGB vibration images(RGBVIs)with sets of colours and texture features.In the second stage,with these RGBVIs a CNN-based architecture was employed to learn automatically features from the RGBVIs and to classify bearing health conditions.Two cases of fault classification of rolling element bearings are used to validate the proposed method.Experimental results of this investigation demonstrate that RGBVI-CNN can generate advan-tageous health condition features from bearing vibration signals and classify the health conditions under different working loads with high accuracy.Moreover,several classification models trained using RGBVI-CNN offered high performance in the testing results of the overall classification accuracy,precision,recall,and F-score.     

基于EEMD和MFFOA-SVM滚动轴承故障诊断

针对滚动轴承发生故障时,振动信号的时域和频域特征都会发生变化的特点,提出了基于集合经验模态分解（EEMD）、改进果蝇优化算法（MFFOA）和支持向量机（SVM）的滚动轴承故障诊断方法。该方法主要是利用EEMD方法对故障信号进行分解,并计算各IMF分量的均方根值和重心频率,以此进行归一化处理得到特征向量。为了提高诊断精度,采用果蝇优化算法优化SVM参数,建立MFFOA-SVM模型,然后对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。利用该方法对实测信号进行分析与诊断,并与遗传算法的优化结果进行对比,验证了该方法的有效性,说明其具有良好的应用前景。     

基于分段线性分类器的滚动轴承的故障识别

为了解决滚动轴承的特征提取和故障特征的模式分类问题,提出了一种应用小波包变换和线性分类器相结合的滚动轴承故障诊断的识别方法。根据轴承振动信号的频域变化特征,首先对滚动轴承振动信号进行三层小波包分解,提取第三层各个终节点系数的能量作为特征向量,然后将特征向量输入由线性判别式构成的分段线性分类器中进行故障的模式分类和识别,最后在滚动轴承试验台上实测故障。试验表明,分段线性分类器可以有效地识别轴承的故障模式。     

基于联邦多表示域适应的不同工况下滚动轴承故障诊断方法

针对不同工况下滚动轴承振动数据分布差异大、部分工况下的带标签数据难以获取、不同用户间数据不共享、单一用户 数据量少,导致建立诊断模型准确率不高的问题,提出一种联邦特征迁移学习框架以及基于联邦多表示域适应的不同工况下滚 动轴承故障诊断方法。 该方法对滚动轴承时域振动数据做小波变换得到时频谱图,将先验的有标签公共数据作为源域,多用户 无标签孤岛隐私数据作为目标域;引入多表示特征提取结构对原始残差网络进行改进,提取源域和目标域的多表示特征,分别 构建多用户本地模型;使用深度神经网络的模型压缩思想改进联邦迁移学习框架中的参数传递策略,增强联邦框架的安全性并 降低通信开销;在服务器端构建可用于不同工况下滚动轴承故障诊断的联邦全局模型。 经两种轴承数据集的实验验证,所提方 法无需多用户共享数据即可整合孤岛数据知识,建立有效的不同工况下滚动轴承故障诊断模型,平均故障诊断准确率可达 97. 6% ,相比单一用户建模提升至少 3. 2% 。