基于EMD-HMM的转盘轴承故障诊断方法

针对转盘轴承故障振动信号非线性、非平稳性的特点,提出了一种将经验模态分解与隐马尔可夫模型相结合的故障诊断方法。首先对故障信号进行经验模态分解,提取固有模态函数的能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态的似然概率;最后,以最大似然概率所对应的故障状态作为诊断结果。试验表明:该方法能够有效、准确地识别转盘轴承的故障类型,但训练样本数及故障类型数对HMM的诊断精度都有一定的影响。     

一种航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承振动信号故障微弱,故障特征难提取的问题,提出了基于固有时间尺度分解(ITD)和近似熵(AE)结合随机森林(RF)的航空发动机中介轴承故障诊断方法。首先,利用航空发动机中介轴承试验台模拟并采集轴承在正常、外圈故障、滚动体故障三种状态下的振动信号;然后通过ITD方法将非平稳、非线性的中介轴承振动信号分解成一组固有旋转分量(PR),计算其近似熵;最后,将不同尺度的近似熵值作为特征向量,输入到随机森林分类器模型中进行分类识别与故障诊断。研究表明,该方法能有效提取出机匣表面振动信号中微弱的中介轴承振动故障信号特征,故障诊断准确率高,具有工程实用性。     

基于振动相关信息融合的行星齿轮传动系统故障诊断

针对不同测点的信息对故障敏感度不同、各测点的振动传递使故障与测点具有关联性等特点,提出基于振动相关信息融合的故障诊断模型。分别获取正常和5种故障状态在3个测点下振动信号的小波包能量特征向量;计算同一测点不同状态信号的能量特征相关系数及不同测点相同状态信号的能量特征相关系数。通过分析这两类信息所呈现的特性建立故障诊断模型。用14组待检信号进行故障诊断模型的实例分析,其诊断结果与实际故障状态完全一致。用支持向量机方法对5种故障状态进行分类,得到的结果与实际故障状态一致,验证了所建立的故障诊断模型的正确性。分析结果表明,通过振动相关信息融合建立的故障诊断模型能有效反映出不同故障状态的特性,能准确诊断出复杂行星齿轮传动系统的微弱及耦合故障。     

电机与负载轴承耦合故障的谱峭度诊断方法

当机电传动系统中电机轴承与负载轴承同时发生故障时,呈现出振动信号复杂、轴承故障信号信噪比差、故障特征不明显的特点。针对上述问题,提出了基于小波和谱峭度相结合的轴承耦合故障诊断方法。首先,通过小波分解可以将耦合故障的多频带故障特征分解到各个子频带中,减少不同故障之间的相互影响;其次,根据谱峭度最大原则自动选择最佳带通滤波进行滤波,对滤波后的信号进行包络分析,从包络谱中对故障特征频率进行快速有效的识别,进而确定故障类型和故障位置;最后,利用支持向量机实现电机轴承耦合故障的模式分类。实验结果表明,利用该方法能够有效地滤除噪声干扰,提取强谐波信号下的弱故障特征,效果优于传统谱峭度分析方法。     

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-SDP特征融合的CNN轴承保持架故障诊断研究

针对滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取等问题,提出了一种基于EMD-SDP特征融合的CNN轴承保持架故障诊断方法。采用了SDP信息融合方法对保持架故障振动信号的EMD固有模态分量进行了特征信息融合,展示了不同保持架故障振动信号的时频特性;分析了滚动轴承保持架不同故障状态下的SDP特征图像差异;之后,结合CNN模型进行了SDP图像识别,设计出了一种基于EMD与SDP特征融合的CNN轴承保持架故障诊断方法模型;最后,通过旋转机械故障试验台,对轴承保持架故障进行了模拟实验。研究结果表明:该方法能够实现99%以上的故障识别率,进一步验证了通过深度学习算法自适应提取SDP信息融合图像特征的方法,可有效应用于轴承保持架故障诊断中。     

基于最小二乘映射和SVM的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的早期非平稳微弱故障信号特征提取困难、特征参量分辨率低、早期故障诊断困难等问题,提出了一种基于最小二乘映射(LSM)的故障特征参量优化和支持向量机(SVM)的故障诊断方法。首先计算出能够反映滚动轴承状态的无量纲时域特征参量;其次通过LSM理论进行优化计算出来的无量纲时域特征参量,构建高敏感度的特征参量;最后将通过敏感度识别因子指数(DI)选取优化过的特征参量作为样本输入到SVM中进行诊断,通过逐次推理诊断出轴承故障类型。实验结果表明,该方法能够有效地诊断出滚动轴承的故障类型。     

基于改进HMM的潜在电子故障状态识别模型

针对复杂电子装备隐性故障难以诊断的难题,在深入分析隐马尔可夫模型的核心问题及基本算法的基础上,探讨了其在故障诊断应用中存在的主要问题,建立了多状态电子装备可靠性评估模型,利用系统可靠性评估结果作为隐马尔可夫模型的初始模型特征量,改进了传统的隐马尔可夫模型,并对Baum-Welch训练算法进行了优化,形成了一套适于复杂电子装备潜在故障状态跟踪识别的数学模型.实验结果显示,理论方法及模型能够更好地识别潜在故障状态,加快了模型训练速度,提高了故障状态识别率.     

基于形态学多重分形的风电机组轴承故障诊断

针对风电机组滚动轴承振动信号通常具有非线性和低信噪比的特点,提出一种基于形态学多重分形（morphological multi?fractal, 简称MMF）和改进的灰色关联分析（improved grey relational analysis, 简称IGRA）的滚动轴承故障诊断方法。首先,通过信号质量指数研究了轴承振动信号的多重分形特性;其次,利用形态学方法计算轴承各种状态广义维数与多重分形谱的参数,并分析了各个参数对轴承运行状态的反映能力,选取能够有效区分轴承状态的参数作为故障特征量;然后,引入离差最大化加权对经典的灰色关联模型进行改进,提升了信息的利用率以及模型的可靠性;最后,利用改进的灰色关联分析实现了滚动轴承的故障诊断。通过仿真分析和应用实例对该方法的有效性进行验证,结果表明该方法能准确识别轴承故障类型,较传统方法准确率更高,运算时间更短,适合解决实际工程问题。     

基于雷达图重心特征提取的轴承故障诊断方法

结合可视化技术和隐马尔可夫模型,提出一种基于可视化重心特征提取的轴承故障诊断新模型。首先,将轴承多维音频数据表示为雷达图的形式,再从雷达图中提取可视化的重心特征;然后,将重心特征进行可视化绘制的同时送入HMM分类器进行故障诊断,实现了可视化诊断和自动诊断2种诊断方式。试验结果表明,该方法不仅能够直观显示轴承信号,而且诊断精度可达97%,平均诊断时间为0.08 s。     

结合DBN和CHMM的滚动轴承性能退化评估

针对现有退化评估方法应用情境单一,特征指标筛选依赖人工经验,提出了一种基于深度置信网络（Deep belief network, DBN）和连续隐马尔科夫（Continuous hidden markov model, CHMM）相结合的滚动轴承性能退化评估方法。将滚动轴承正常状态下的振动信号处理为归一化幅值谱,以此作为DBN特征自动提取模型的输入,并使用CHMM做评估模型,其中CHMM的训练样本即通过DBN提取的正常状态下的特征向量。通过不同情境下的滚动轴承全寿命周期实验数据验证了所提模型的有效性。与近期有关文献所提方法进行比较,该方法避免了人工选择特征指标,且对早期微弱故障检测具有一定的敏感性。     

基于CHMM的旋转机械故障诊断技术

隐马尔可夫模型(Hidden Markov model,HMM)是一种具有较强的时间序列建模能力的信号模式处理工具, 在语音处理中获得了广泛应用,特别适合于非线性、重复再现性不佳的信号的分析。基于振动信号与语音信号的相似性,将CHMM(Continuous Hidden Markov model)引入了旋转机械的故障诊断中。采用12阶LPC倒谱系数进行特征提取,建立CHMM,为防止数据下溢,引入前向一后向比例因子算法求其对数似然概率,并且采用K-means 算法对CHMM进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现,用Baum-Welch 算法实现参数重估,并给出了重估公式。最后,在转子试验台上模拟了四种故障试验,建立了四种故障的CHMM 模型,通过求其最大似然概率值来决定机器的运行状态,试验结果证明了该方法的有效性。     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

EMD-AR和GRNN算法下的航空液压泵多模态故障诊断分析

针对新一代飞机高综合化、高复杂度和高耦合性导致的传统推理故障诊断策略难以满足现代维修保障需求的问题,开展基于广义回归神经网络(Generalized Regression Neural Network,GRNN)的飞机液压泵智能化故障诊断研究。构建经验模态分解(Empirical Mode Decomposition,EMD)与自回归(Autoregressive,AR)相融合的深度特征提取方法,提升原始信号的隐层故障特征筛选能力;再将增强后的隐层特征与GRNN相结合进行神经网络训练,提升智能诊断模型的识别精度。实验结果表明,EMD-AR-GRNN智能诊断模型能快速、准确地诊断出液压泵各故障模态,对保障设备的安全运行,提升系统可靠性具有重要的意义。     

CHMM for tool condition monitoring and remaining useful life prediction

To solve the problems of tool condition monitoring and prediction of remaining useful life, a method based on the Continuous Hidden Markov Model (CHMM) is presented. With milling as the research object, cutting force is taken as the monitoring signal, analyzed by wavelet packet theory to reduce noise and extract the energy feature of the signal as a basis for diagnosis. Then, CHMM is used to diagnose tool wear state. Finally, a Gaussian regression model is proposed to predict the milling tool’s remaining useful life after the test sample data are verified to be consistent with the Gaussian distribution based on a reliable identification of the milling tool wear state. The probability models of tool remaining useful life prediction could be established for tools with different initial states. For example, when an unknown state of milling force signal is delivered to the milling tool online diagnostic system, the state and the existing time of this state could be predicted by the established prediction model, and then, the average remaining useful life from the present state to the tool failure state could be obtained by analyzing the transfer time between each state in the CHMM. Compared to the traditional probabilistic model, which requires a large amount of test samples, the experimental cost is effectively reduced by applying the proposed method. The results from the experiment indicate that CHMM for tool condition monitoring has high sensitivity, requires less training samples and time, and produces results quickly. The method using the Gaussian process to accurately predict remaining life has ample potential for application to real situations.     

灰色关联分析的神经网络模型在轴承故障预测中的应用

为提高小样本轴承故障预测的精度,提出了灰色关联分析的神经网络预测模型。利用神经网络训练样本数据,并使用灰色关联分析不断调整其隐含层节点数,以寻找到最优的数据解,完成训练过程;基于已训练好的模型对未来时间点的运行状态进行分析,并根据设备的理论诊断标准实现故障预测。将提出的模型与同样可预测小样本波动数据的灰色马尔科夫预测模型进行实例应用对比,结果显示,灰色关联分析的神经网络预测模型效果明显优于灰色马尔科夫模型。     

Semi-supervised weighted kernel clustering based on gravitational search for fault diagnosis

Supervised learning method, like support vector machine (SVM), has been widely applied in diagnosing known faults, however this kind of method fails to work correctly when new or unknown fault occurs. Traditional unsupervised kernel clustering can be used for unknown fault diagnosis, but it could not make use of the historical classification information to improve diagnosis accuracy. In this paper, a semi-supervised kernel clustering model is designed to diagnose known and unknown faults. At first, a novel semi-supervised weighted kernel clustering algorithm based on gravitational search (SWKC-GS) is proposed for clustering of dataset composed of labeled and unlabeled fault samples. The clustering model of SWKC-GS is defined based on wrong classification rate of labeled samples and fuzzy clustering index on the whole dataset. Gravitational search algorithm (GSA) is used to solve the clustering model, while centers of clusters, feature weights and parameter of kernel function are selected as optimization variables. And then, new fault samples are identified and diagnosed by calculating the weighted kernel distance between them and the fault cluster centers. If the fault samples are unknown, they will be added in historical dataset and the SWKC-GS is used to partition the mixed dataset and update the clustering results for diagnosing new fault. In experiments, the proposed method has been applied in fault diagnosis for rotatory bearing, while SWKC-GS has been compared not only with traditional clustering methods, but also with SVM and neural network, for known fault diagnosis. In addition, the proposed method has also been applied in unknown fault diagnosis. The results have shown effectiveness of the proposed method in achieving expected diagnosis accuracy for both known and unknown faults of rotatory bearing.     

基于XGBoost特征提取的数据驱动故障诊断方法

针对目前用于故障诊断领域的机器学习方法尚不能够充分挖掘数据中隐含故障特征信息，存在逼近精度不足的问题，提出一种基于XGBoost算法的隐含特征信息提取方法。根据故障数据与故障类型自定义XGBoost算法的损失函数，迭代构建故障分裂树；提取样本在故障树中的叶子节点位置索引向量并进行特征编码重构，得到隐含故障信息的智能化表征；基于该表征矩阵，使用SVM等机器学习算法建立故障诊断模型，实现多故障模式的识别诊断；最后，以某驱动器的故障诊断为例对方法进行了验证，结果表明：与原始特征下的故障诊断模型相比，基于XGBoost算法提取隐含特征下的诊断模型准确度更高，鲁棒性更好，同时能给出特征变量的重要性排序。     

基于改进多尺度模糊熵的滚动轴承故障诊断方法

滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采用滑动均值的方式代替粗粒化过程,提出了改进的多尺度模糊熵算法,并通过仿真信号将其与MFE进行了对比分析。在此基础上,提出了一种基于改进多尺度模糊熵与支持向量机的滚动轴承故障诊断方法。最后,将所提故障诊断方法应用于的滚动轴承实验数据分析,并与基于MFE的故障诊断方法进行了对比,结果验证了所提方法的有效性和优越性。     

A multi-step progressive fault diagnosis method for rolling element bearing based on energy entropy theory and hybrid ensemble auto-encoder

It is meaningful to efficiently identify the health status of bearing and automatically learn the effective features from the original vibration signals. In this paper, a multi-step progressive method based on energy entropy (EE) theory and hybrid ensemble auto-encoder (HEAE), systematically blending the statistical analysis approach with the deep learning technology, is proposed for rolling element bearing (REB) fault diagnosis. Firstly, a preliminary detection about the REB health status is performed by the statistical analysis technique integrated with the EE theory. Secondly, if fault exists in REB, a new HEAE is constructed based on denoising auto-encoder and contractive auto-encoder to strengthen the feature learning ability and automatically extract the deep state features from the raw data. Subsequently, a modified t-distributed stochastic neighbor embedding (M-tSNE) algorithm is developed to achieve the features reduction to further improve the diagnosis efficiency. Finally, the low-dimensional representations after features reduction are as the inputs of softmax classifier to recognize the fault conditions. The proposed method is applied to the fault diagnosis of REB. The results confirm the effectiveness and superiority of the proposed method, and it is more suitable for the actual engineering applications compared with other existing methods.