基于融合FCM-SVDD模型的滚动轴承退化状态识别

针对滚动轴承在长期工作过程中性能会出现不同程度的退化,提出一种融合FCM-SVDD模型的方法。利用自回归模型(AR)对轴承全寿命周期数据进行特征提取,再将提取的特征参数经过归一化处理后,用正常和失效样本特征建立模糊C均值(FCM)模型,用正常样本的特征数据建立支持向量数据描述(SVDD)模型,再将测试样本特征输入建立的FCM和SVDD模型得到的两个退化指标,将得到的退化指标作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线。描绘性能退化曲线,并对信号进行包络谱分析,验证初始故障位置。结果表明该方法对轴承初始故障点更加敏感,退化趋势更加明显,利用美国辛辛那提大学智能维护中心的轴承全寿命周期数据验证该方法的有效性和优越性。     

基于特征优选和GA-SVM的滚动轴承智能评估方法

针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。     

基于AR能量比-FCM的滚动轴承退化状态定量评估

在长期的使用过程中,滚动轴承的使用性能会发生不同程度的退化,如果能对工作中滚动轴承的退化程度定量评估,则可以避免事故的发生。使用自回归模型对滚动轴承全寿命周期的振动信号进行滤波,计算滤波后剩余分量能量与滤波后信号能量的比值,即AR能量比,以此作为特征向量。采用min-max标准化方法处理得到的特征向量,输入到建立好的模糊C均值(FCM)模型中,得到性能退化指标DI值,并描绘出性能退化曲线。对信号进行包络谱分析,验证评估结果的正确性。     

数据驱动下的滚动轴承性能退化评估研究综述

随着科学技术的发展、工业技术的不断创新,机械设备越来越重要,机械设备的健康状况也越来越受重视.基于数据驱动理论对国内外滚动轴承的特征提取方法和性能退化评估模型进行综述,分析了各种方法的优缺点,并对滚动轴承性能退化评估技术进行展望.