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DBN-SVDD的滚动轴承性能退化评估方法

针对现有性能退化评估方法需要人工经验筛选特征指标,难以获取轴承故障状态下振动信号的问题,提出了一种基于深度置信网络(DBN)和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。该方法以滚动轴承正常状态下的归一化幅值谱作为DBN的输入,利用DBN中的RBM构建特征自动提取模型,通过SVDD构建评估模型。使用不同工况下滚动轴承全寿命周期试验数据的分析表明,该方法能够很好地揭示轴承性能退化规律,而且摆脱了特征选择的人为干预,可以准确检测出滚动轴承早期微弱故障。     

基于支持向量回归的滚动轴承性能退化状态研究

滚动轴承在全寿命阶段都处于性能不断退化的过程,对其退化状态进行有效而精确的评估能够有效避免机械设备发生相应的事故,也能为维修保障提供更直观的参考依据。运用小波包分解对滚动轴承振动信号进行特征提取,可以得到更全面的特征信息;针对特征过多不利于模型构建,采用等距特征映射(ISOMAP)这一非线性的降维方法对多个特征降维从而得到能够反映其退化状态的退化指标(DI)。并结合滚动轴承工程实际运用,对健康阶段和故障阶段区分开来构建相应的模型,从而更准确地预测滚动轴承的退化状态。最后通过试验数据验证了此方法的有效性,在性能退化状态的预测上达到了理想的效果。     

基于多域特征与高斯混合模型的滚动轴承性能退化评估

视情维修可避免维修不足与维修过剩等问题,滚动轴承性能退化程度量化评估是实现视情维修的基础。提取滚动轴承早期无故障振动信号的时域、频域特征构建多域特征矢量,建立无故障轴承高斯混合模型(GMM)。将轴承后期振动信号的多域特征矢量输入该GMM模型,得到测试样本与无故障样本之间的量化相似程度,以此建立多域对数似然概率(MDLLP)值作为滚动轴承性能退化定量指标。MDLLP的取值上限为1,便于实际使用中确定轴承性能退化状态。轴承疲劳试验表明,该方法能及时发现轴承早期故障,并能很好地跟踪故障发展趋势,最优特征的选择与变换对评估效果具有较大影响。     

基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测

针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。     

基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测

为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。     

基于支持向量机的滚动轴承性能退化评估方法

由于损伤积累,轴承的性能会逐渐退化,为准确地评估滚动轴承性能退化状态,提出了一种基于支持向量机和小波包分解的方法。并利用具有不同故障程度的滚动轴承的振动信号,对该方法进行了验证。评估结果表明,该方法可以准确地评估轴承的性能退化程度。     

基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别

滚动轴承在长期的工作过程中其性能会出现不同程度的退化,如果能对滚动轴承的退化状态进行识别就可以做好维护措施。用自回归模型(Autoregressive model, AR)对滚动轴承全寿命周期的振动信号提取其系数及残差,用正常样本和失效样本特征建立模糊C均值模型(Fuzzy C Mean, FCM),用轴承正常样本的特征数据建立隐马尔科夫(Hidden Markov model, HMM)模型,将轴承的测试样本信号输入建立的FCM和HMM模型得到的两个退化指标,再将其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,结果表明该方法集中了空间统计距离模型和概率统计模型两者的优势,最后用IEEE PHM2012实验数据进行验证,表明所述方法与滚动轴承性能退化趋势保持一致并且可以提早发现早期故障。     

小波包能谱构建综合评估函数的轴承退化评估

针对传统的时域、频域特征不能明显地表征滚动轴承的早期退化特征的问题,提出了一种小波包能量谱结合主成分分析构建综合评估函数的滚动轴承早期性能退化评估方法。该方法以采集到的轴承正常工作时的振动信号作为训练样本,对样本进行小波包能量谱计算,得到高维特征向量;再利用主成分分析方法降维并建立综合评估函数对早期性能退化区的数据进行判断。运用实测的滚动轴承全寿命实验数据进行检验,结果表明该方法能实现对滚动轴承早期性能退化的评估。     

Hilbert-全矢谱及其在滚动轴承退化分析中的应用

旋转机械的振动信号频谱分析中,存在单源信号信息不完整、频率调制等问题,导致频谱不能全面、清晰地反映设备运行状态,增加误判风险。而全矢谱技术能充分融合双通道振动信息,Hilbert变换对时域信号包络解调效果良好,结合两者的优点形成Hilbert-全矢谱方法,并将其应用于滚动轴承退化过程分析中。实验表明,Hilbert-全矢谱能更加准确、全面地反映设备振动特性,从中提取的特征主振矢,既能够表征滚动轴承退化过程中的振动强度,又可以区分其故障类型。