EMD和平滑伪Wigner-Ville谱熵的轴承故障诊断

提出一种基于经验模态分解(EMD)和平滑伪Wigner-Ville分布 (SPWVD) 谱熵的滚动轴承故障诊断的方法。EMD方法充分保留信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有较大的优势,SPWVD谱熵用于定量刻画轴承不同状态下振动信号的时频能量分布,将二种算法相结合应用于不同工作状态滚动轴承,并设计最小二乘支持向量机(LS-SVM)智能模型,实现轴承状态和故障类型的自动分类和识别。通过SPWVD谱熵与谱峭度法的对比,验证了SPWVD谱熵的有效性。实验表明此方法能够有效地提取轴承故障的特征信息,提高轴承故障诊断率。     

基于双谱的滚动轴承局部损伤故障诊断方法研究

针对故障滚动轴承振动信号的耦合特征,将双谱和双相干谱分析方法用于滚动轴承故障特征的提取,给出了外圈、内圈、滚动体局部损伤三种不同状态下轴承振动信号的双谱及双相干谱图,基于双谱形成了故障特征向量。试验表明,对于损伤元件不同的轴承故障,双谱特征图谱存在明显的差异,而且双谱比双相干谱更有利于故障特征的提取,为局部损伤轴承的故障诊断提供有效的方法。     

基于多重降噪的滚动轴承声信号故障特征提取

针对滚动轴承故障诊断中声信号信噪比较低、特征提取困难的问题,提出多重降噪轴承故障特征提取方法.该方法首先用最小熵解卷积对故障轴承声信号进行预处理来提高信噪比,然后利用局部特征尺度分解将处理后的信号分解为多个内禀尺度分量,进一步利用相关系数-峭度值原则,筛选出最佳内禀尺度分量进行重构,最后通过1.5维Teager能量谱提...     

拉普拉斯特征向量相关谱及其在滚动轴承故障诊断中的应用

为了将谱方法的模式识别能力应用于机械故障诊断领域,提出了拉普拉斯特征向量相关谱,并应用于滚动轴承故障诊断。拉普拉斯特征向量相关谱定义为拉普拉斯矩阵特征向量之间夹角余弦的绝对值,由特征集的拉普拉斯矩阵进行标准正交分解后得到,具有计算过程简单、运算速度快等特点。基于拉普拉斯特征向量相关谱的滚动轴承故障诊断方法首先在时域、频域和能量熵域对滚动轴承振动信号进行特征提取,组成特征集;然后对特征集的拉普拉斯矩阵进行标准正交分解,计算拉普拉斯特征向量相关谱;最后通过相关谱矩阵实现滚动轴承不同故障类型的识别。应用实例表明,该方法能有效识别滚动轴承故障。     

基于MTF-CNN的滚动轴承故障诊断方法EI北大核心CSCD

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。     

基于最大相关谱峭度解卷积的滚动轴承故障周期冲击特征提取

滚动轴承广泛应用于重型旋转机械支撑和传送负载,经常工作在低速、重载等恶劣工况下,特别容易损坏,从而导致机械设备停运停产的事故,因此有必要提出一种基于最大相关谱峭度解卷积的滚动轴承故障周期冲击特征提取方法。该方法利用轴承运行过程中局部故障激发起的周期性冲击特征,通过最大化相关谱峭度选择最佳有限冲击响应滤波器参数;通过迭代卷积运算,消除振动信号中的噪声,提取出滚动轴承故障激发起的周期性冲击特征;依据冲击特征的周期判断轴承故障所在位置,从而实现轴承故障诊断。通过仿真和滚动轴承实验数据验证提出方法的可行性,并与广泛应用的集总经验模式分解方法提取结果进行对比,结果表明该文提出的方法在轴承故障诊断中展现出更好的优势。     

基于最大相关峭度解卷积和谱峭度的滚动轴承声信号故障特征增强

采用滚动轴承的声学信号进行状态监测及故障诊断时,环境噪声、传递路径以及其它设备噪声会严重干扰目标信息的提取。针对这一问题,提出一种基于最大相关峭度解卷积和快速谱峭度图的滚动轴承声信号故障特征增强方法。该方法首先利用最大相关峭度解卷积算法对滚动轴承声信号进行解卷积,增强信号中每旋转一周时出现的脉冲信号,削弱噪声信号;然后将谱峭度作为指标,利用快速谱峭度对信号进行滤波分析,获得包含轴承故障信息最丰富的频带;最后对该频带进行包络提取特征频率。仿真及实验结果表明,相较于传统的包络解调,该方法在滚动轴承声信号故障特征提取方面具有更好的降噪性能和故障特征增强效果。     

基于灰色关联度和Teager能量算子的轴承早期故障诊断

滚动轴承的健康状态直接影响着旋转设备的运行状态,为了及早获取滚动轴承状态异常的信息,提出了基于灰色关联度和Teager能量算子(TEO)的滚动轴承早期故障的诊断方法。对滚动轴承运转的振动数据进行等长度分组,计算各组数据与轴承状态良好的第一组数据之间的灰色关联度,根据灰色关联度值的变化趋势,确定早期故障发生的时间段,截取该时段的振动数据进行Teager能量包络谱分析,确定故障类型。分别采用峭度系数、波形因子和均方根等指标与TEO相结合的方法对相同的轴承振动信号进行了分析和故障诊断,将各种方法的早期故障诊断结果与所提方法比较,结果验证了"灰色关联度+TEO"方法在轴承早期故障诊断中的可行性及有效性。     

基于VMD和谱峭度的滚动轴承早期故障诊断方法

针对滚动轴承故障信号为多分量非平稳振动信号、故障早期特征微弱诊断困难的问题,该文提出变分模态分解(VMD)结合谱峭度的滚动轴承早期故障诊断方法。首先对振动信号进行VMD分解得到若干分量信号,选择峭度最大分量作为最优分量,然后对最优分量进行快速谱峭度计算并进行带通滤波、凸显故障冲击成分,通过分析滤波信号包络谱中故障频率成分实现故障诊断。实验数据分析结果表明该方法能有效诊断轴承早期故障,有一定的工程应用价值。     

最大相关峭度解卷积结合1.5维谱的滚动轴承早期故障特征提取方法

滚动轴承处于早期故障阶段时,特征信号微弱,并且受环境噪声影响严重,因此故障特征提取困难。针对这一问题,尝试将最大相关峭度解卷积方法引入到滚动轴承故障诊断领域,并与1.5维谱结合,提出了最大相关峭度解卷积结合1.5维谱的轴承早期故障特征提取方法。首先对故障信号做最大相关峭度解卷积预处理,然后计算解卷积信号的包络信号,最后对包络信号做1.5维谱分析,从而得到解卷积信号的1.5维包络谱,通过分析谱图中幅值突出的频率成分来判断故障类型。滚动轴承故障模拟及实测信号分析结果表明,该方法可有效提取早期故障特征频率信息,具有一定可靠性。     

基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法。采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集,将所提特征嵌入流形空间进行流形特征变换,同时,对变换后的流形特征动态分布对齐;利用源域数据和目标域数据训练分类模型,以获得未知标签的滚动轴承故障诊断结果。实验表明,所提方法能够最小化域间特征分布差异,有效提高滚动轴承状态识别的准确率。     

EMD降噪和谱峭度法在滚动轴承早期故障诊断中的应用

共振解调是滚动轴承故障诊断中最常用的方法之一,然而其带通滤波器参数的选取通常比较困难。谱峭度法能根据峭度最大化原则自动确定带通滤波器参数,取得了一定的诊断效果,但由于滚动轴承的早期故障信号中含有强烈的背景噪声,诊断效果有时也不够明显。为此,提出一种基于EMD降噪和谱峭度法的滚动轴承早期故障诊断新方法,首先采用基于互相关系数和峭度准则的EMD降噪对采样信号进行预处理,突出高频共振成分,再利用谱峭度法选取最佳带通滤波器参数,最后使用带通滤波和包络解调进行故障诊断,并通过实际工程信号进行了验证。     

Weak Fault Diagnosis of Rolling Bearing Based on Improved Stochastic Resonance

Stochastic resonance can use noise to enhance weak signals, effectively reducing the effect of noise signals on feature extraction. In order to improve the early fault recognition rate of rolling bearings, and to overcome the shortcomings of lack of interaction in the selection of SR (Stochastic Resonance) method parameters and the lack of validation of the extracted features, an adaptive genetic random resonance early fault diagnosis method for rolling bearings was proposed. compared with the existing methods, the AGSR (Adaptive Genetic Stochastic Resonance) method uses genetic algorithms to optimize the system parameters, and further optimizes the parameters while considering the interaction between the parameters. This method can effectively extract the weak fault features of the bearing. In order to verify the effect of feature extraction, the feature signal extracted by AGSR method was input into the Fully connected neural network for fault diagnosis. the practicality of the algorithm is verified by simulation data and rolling bearing experimental data. the results show that the proposed method can effectively detect the early weak features of rolling bearings, and the fault diagnosis effect is better than the existing methods.     

CS自适应随机共振与ITD相结合的轴承弱故障诊断

为了解决轴承早期弱故障诊断的问题，提出将固有时间尺度分解 (intrinsic time-scale decomposition，ITD) 与布谷鸟自适应随机共振 (cuckoo adaptive stochastic resonance，CASR) 相结合的方法进行滚动轴承早期弱故障特征频率提取。针对采集到的滚动轴承振动信号复杂且信噪比 (SNR) 低、故障特征难以提取的问题，结合ITD能抑制端点效应、运算复杂度低等优势，该方法将信噪比作为随机共振的目标函数，通过仿真信号分析及实例验证，将ITD作为CASR处理信号的前处理，使滚动轴承故障信号显著加强，信噪比提高2.17倍，故障特征得到有效提取。     

基于多维振动特征的滚动轴承故障诊断方法

单独提取滚动轴承振动信号的时域或频域特征进行故障诊断,是目前常用的轴承诊断方法,诊断精度有待提高。以时域和频域的多维振动特征参量为指标,以历史诊断正确率作为特征参量权值,分别对滚动轴承的无故障和经常出现的滚珠故障、内环故障和外环故障工况进行特征提取和故障识别。多维时频域振动特征是单维特征依据诊断精度权重的集合。运用BP神经网络分别对信号的时域特征(TDF)、IMF能量矩(IEM)、小波包能量矩(WPEM),以及多维时频域特征进行智能故障判别。实验验证用多维时频域振动特征参量综合诊断的方法进行滚动轴承故障诊断,比单维特征的诊断结果精确且效率较高,该方法可以在滚动轴承故障诊断领域展开应用。     

基于流形学习和改进VPMCD的滚动轴承故障诊断方法*

提出一种基于拉普拉斯特征映射流形学习算法(Laplacian Eigenmaps,简称LE)和改进多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的滚动轴承故障诊断方法,首先对振动信号进行局部特征尺度分解(Local characteristic scale decomposition,简称LCD),并提取各内禀尺度分量(Intrinsic scale component,简称ISC)的特征构造高维特征向量,接着采用LE算法挖掘出高维数据中包含有效信息且具有内在规律性的低维特征,然后输入到基于Kriging的改进多变量预测模型(Kriging-variable predictive model based class discriminate,简称KVPMCD)分类器中进行模式识别。该方法充分利用并有效结合了LCD在信号处理、LE在挖掘特征信息和KVPMCD在模式识别方面的优势,实现了滚动轴承故障特征提取到故障识别的全程诊断。实验分析结果表明:基于LE算法和KVPMCD的分类方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

基于小波变换的轧机振动信号降噪技术研究

由于轧机振动信号受到强烈的噪声干扰,给故障特征的有效识别和准确提取带来很大困难。直接采用频域分析方法诊断早期故障的收效甚微。利用小波分析的“带通滤波”特性,可以将信号按照特定的频段进行分解,分解后的单层重构可以将噪声与可用信号进行成功分离;根据预先设定的阈值对高频分解系数处理后进行全局重构同样可以达到消噪的目的。对于现场采集的轧机振动信号,多种方式的消噪结果表明,含有故障特征的低频信息被成功提取。     

基于最小熵解卷积和Teager能量算子直升机滚动轴承复合故障诊断研究

为了解决强背景噪声环境下直升机滚动轴承故障信号微弱,故障特征难以提取的问题,提出一种基于最小熵解卷积(Minimum Entropy Deconvolution,MED)与Teager能量算子(Teager Energy Operator,TEO)的滚动轴承故障特征提取的新方法。根据滚动轴承故障信号表现为冲击波形的特点和MED降噪对冲击特征敏感的特性,采用MED对故障信号进行降噪处理,同时增强信号中的冲击成分;再结合TEO适合检测信号的瞬时变化,能有效提取故障信号冲击特征的特点,计算降噪信号的Teager能量信号,进行频谱分析提取滚动轴承的故障特征。通过对仿真信号和直升机滚动轴承混合故障信号进行分析,实验结果表明,该方法能有效提取强背景噪声环境中的微弱复合故障特征,具有一定的工程应用价值。     

基于时频增强的滚动轴承少样本故障诊断方法

针对滚动轴承故障样本稀缺、振动特征提取困难导致故障诊断准确率低的难题,提出一种基于时频增强的滚动轴承少样本故障诊断方法。首先,对滚动轴承一维振动信号进行重叠采样,利用连续小波变换对采样信号段进行时频域特征映射,构造二维时频矩阵;其次,通过深度卷积生成对抗网络对真实时频样本进行训练后,将生成时频样本加入到训练集中;然后,采用时序卷积网络融合深层次的时频域特征;最后,构建Softmax分类器输出与故障类别对应的状态。仿真实验结果表明,在仅有10个训练样本的条件下,该方法在凯斯西储大学滚动轴承数据集中的诊断准确率均值达91.00%,相较未经时频增强的方法提高了7.56%,并利用实测数据验证了时频增强方法能够显著提升少样本情形下的故障诊断准确率。