滚动轴承性能退化的时序多元状态估计方法

滚动轴承性能退化评估是预诊断的提前和基础,对在役滚动轴承实施在线状态监测和性能退化评估具有重要意义。针对概率相似度量评估方法存在模型复杂、容易过早饱和等现象,提出一种基于自回归时序 （autoregressive model,简称AR）模型和多元状态估计（multivariate state estimation technique, 简称MSET）的滚动轴承性能在线评估方法,其中AR模型用于提取轴承振动信号的状态特征,MSET模型用于重构AR模型系数。首先,提取正常运行状态下振动信号的AR模型系数构建MSET模型的历史记忆矩阵;其次,将待测信号的AR系数作为观测向量输入MSET模型中得到重构后的估计向量;最后,由原始AR系数和重构AR系数分别构造自回归模型,并各自完成对待测信号的时序建模,将两自回归模型所得残差序列的均方根值之差作为性能劣化程度指标。离散实验数据和全寿命疲劳实验数据分析结果表明,该方法能够有效检测早期故障,且具有与轴承故障发展趋势一致性更好等优点。     

基于卷积门控循环网络的齿轮箱故障诊断

为充分利用信号的时序相关性特征,增强模型对数据信息的全面挖掘能力,以进一步提高卷积神经网络(CNN)诊断精度,本文将CNN与善于处理数据时序相关性特征的门控循环单元(GRU)相结合,提出了一种新的齿轮箱故障诊断模型.CNN通过端对端的方式提取数据空间特征,并将提取的特征作为GRU的输入进一步提取时空特征,最后将GRU提...     

基于形态学处理的仪表指针提取算法

指针式仪表被广泛应用在工业检测等诸多领域,目前指针式仪表检测朝着自动化和智能化的方向发展。指针特征提取是指针式仪表检测系统中极为关键的技术,针对仪表表盘环境复杂、指针的粗细不一等因素导致的指针特征提取困难问题,提出了基于形态学处理的仪表指针提取算法。首先将获取的图像经过图像增强处理、中值滤波、otsu算法获得干净的二值化图,其次将反转后的二值化图经过形态学处理,最后输出提取结果。实验结果表明:该算法在损失极少量指针长度的情况下能够更为精确有效的提取指针信息,解决“双边缘效应”现象和复杂表盘环境下无关信息对指针特征信息的干扰,从而可以提高仪表检测的精确程度和仪表检测系统的适用性,对指针式仪表检测系统的读数识别研究具有重要意义。     

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.     

基于多尺度熵与SOM神经网络的滚动轴承故障识别

滚动轴承故障识别是实现视情维修的基础。针对滚动轴承出现故障时振动信号表现出的非平稳性和非线性,提出了一种基于多尺度熵(Multi-scale Entropy, MSE)和自组织特征映射(Self-organizing Feature Maps, SOM)神经网络的滚动轴承故障识别方法。该方法通过提取滚动轴承振动信号中不同故障状态下的MSE作为SOM神经网络的输入,通过SOM神经网络进行识别,得出轴承的不同故障及故障程度。通过实验表明提出的方法能有效地实现滚动轴承故障类型以及故障程度的智能识别。     

滚动轴承故障时序可拓智能诊断方法

针对滚动轴承故障智能诊断问题,提出一种基于时序模型和可拓学的滚动轴承故障诊断方法.利用时序模型中的AR(Autoregressive Model)模型对轴承振动信号进行特征提取,以AR模型的自回归参数和残差方差作为特征向量,再利用Fisher比对AR模型的特征向量进行选择,将最终所形成的特征向量作为可拓物元模型的特征参数,以此特征参数来建立轴承不同健康状态下物元模型的经典域和所有状态下物元模型的节域.将待测数据输入到已建立的滚动轴承不同健康状态对应的物元模型之中,通过关联函数来计算待测数据与滚动轴承不同健康状态的综合关联度,实现滚动轴承状态的可拓学定性与定量诊断.进行了滚动轴承包含不同故障类型和故障程度的十种不同健康状态识别实验,每次随机选取训练样本,100次测试的平均识别率达98.86％,较基于AR模型和BP神经网络的传统诊断方法效果要好.