基于LFSS和改进BBA的滚动轴承在线性能退化评估特征选择方法

在滚动轴承性能退化评估中,不同工况会影响振动信号特征对故障程度的敏感性,在早期有限样本中选择适用于状态评估的有效特征是实现在线评估轴承性能退化程度的关键。首先提出一种基于均方根的早期有限样本判定方法 Limited Feature Select Sample(LFSS),其次提出一种针对性能退化评估特征选择的改进Binary Bat Algorithm(BBA)算法——Feedback Seeking Binary Bat Algorithm(FSBBA),将其应用于滚动轴承早期有限样本中进行故障特征选择,克服了原始BBA容易陷入局部寻优的缺点。基于LFSS与FSBBA算法,构建了滚动轴承在线状态评估模型,并将其运用于两例滚动轴承全寿命数据特征选择,性能退化评估指标分析结果表明了所提出方法的有效性。     

滚动轴承性能退化评估的自适应频带熵能比指标

针对轴承的性能退化评估中常规时域统计参数如均方根值(RMS)对早期故障不敏感,而基于概率估计和空间距离的评估方法存在计算量大、模型较为复杂等问题.将能检测时间序列细微突变且计算效率高的排列熵(PE)引入滚动轴承性能退化评估;同时考虑到PE对振动信号幅值不敏感,从而无法准确地反映振动信号不同频带能量分布情况,在PE的基础...     

一种基于RBM的滚动轴承退化指标构建方法EI北大核心CSCD

针对现有滚动轴承性能退化指标构建方法高度依赖先验知识,实际应用情境单一,提出了一种基于受限玻尔兹曼机(restricted Boltzmann machine,RBM)的滚动轴承退化指标构建方法。将滚动轴承正常状态下的振动信号处理为归一化幅值谱,以此作为建立RBM模型的训练样本,其中RBM模型结构特点是将其输出层单元数设为1,以训练完成后模型的输出作为退化指标构建的基础。通过不同情境下的滚动轴承全寿命周期试验数据验证了该方法的有效性。与最近相关文献相比,该退化指标在构建过程中避免了人工选择退化特征,能够清晰描述出轴承退化过程,且对早期微弱故障检测具有一定的敏感性。     

基于VMD和SVDD的滚动轴承早期微弱故障检测和性能退化评估研究

针对滚动轴承早期微弱故障检测及故障状态监测问题,提出了一种基于变模态分解(VMD)分解和支持向量数据描述(SVDD)的滚动轴承性能退化评估模型。对振动信号进行VMD分解,选取对性能退化较为敏感的本征模态分量,提取其奇异值,并结合信号的时域特征指标,复杂度指标组成特征向量矩阵作为滚动轴承综合特征指标;并以正常状态下的综合特征指标作为训练样本完成SVDD评估模型的构建,利用滚动轴承全寿命试验数据进行评估模型的验证。实验结果表明,该评估模型可以准确检测到滚动轴承早期微弱故障阶段的发生,同时可以很好的揭示滚动轴承性能退化规律,其评估效果优于模糊C均值聚类(FCM)方法。     

基于PEDCC性能退化指标及MCRNN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于相空间欧式距离相关性(phase Euclidean distance cross-correlation, PEDCC)指标和多通道卷积长短时记忆网络(multichannel convolutional neural long short term memory network, MCRNN)的状态识别方法。首先将正常轴承样本信号进行相空间重构,计算样本内重构后相邻数据之间的欧式距离,并将样本内的所有欧氏距离构成距离向量;然后利用互相关函数计算其余样本距离向量与正常样本距离向量之间的相关性,并将其作为轴承退化指标;最后利用所建立的PEDCC退化指标对轴承状态进行划分,将其输入到MCRNN网络中进行退化状态识别。其中MCRNN网络在不同通道中分别采取了不同卷积核,不同激活函数,以便于提取轴承振动信号的多尺度特征。通过轴承全寿命数据集对所提退化指标及网络模型的实用性进行验证,试验证明所提出的方法能更精确的实现轴承的退化状态识别。     

基于MSET重构模型整体优化的轴承性能退化评估方法EI北大核心CSCD

针对传统单域特征指标无法充分表征轴承性能退化的状态信息,而基于多域高维特征向量的重构评估模型存在信息冗余且易受到不一致优化目标的影响而导致模型次优性能的问题,提出一种基于多元状态估计(multivariate state estimation technique, MSET)重构模型整体优化的轴承性能退化评估方法。首先,提取轴承振动信号的多个时域和频域特征、自回归模型系数和三层小波包Renyi熵组成高维多域特征向量,同时将健康状态的高维特征向量构建MSET重构模型的历史记忆矩阵;然后,利用遗传算法对轴承高维特征向量和MSET模型中的历史记忆矩阵进行同步联合优化,从而实现特征优选和重构评估模型的整体自适应优化,进一步提高降维后特征向量与重构模型的匹配性;最后,利用余弦相似度作为故障程度指标构建轴承性能退化评估曲线。西安交大-昇阳科技联合实验室滚动轴承疲劳试验全寿命数据分析结果表明,所提方法具有一定的有效性和可靠性。     

基于HVD小波包降噪编码深度学习的风电机组智能诊断研究

针对风机齿轮箱轴承振动信号非线性非平稳性对故障诊断的干扰问题,提出一种基于降噪编码器深度特征学习和希尔伯特振动分解(hilbert vibration decomposition, HVD)的智能故障诊断方法。引入峭度评估指标,对HVD分量进行模态选择,并以小波包提取分量能量熵构造特征向量,实现数据预处理。构建层叠降噪编码器(stacked denoising autoencoder, SDAE)模型完成信号的特征学习和故障分类。采用两个轴承数据集进行算法验证,试验结果表明,提出的基于HVD小波包降噪编码方法(HWSDAE)能高效地识别故障信号,具有突出的故障诊断性能,单次最高诊断准确率高达100%,平均诊断准确率可达99.49%,相比未经预处理的轴承数据输入SDAE模型提高了13.52%的故障诊断精度。     

基于集成包络谱的滚动轴承早期故障检测指标EI北大核心CSCD

针对常规统计指标对滚动轴承早期故障不敏感的问题,该研究基于集成包络谱(integrated envelope spectrum,IES)提出一种滚动轴承早期故障检测指标——集成包络谱谱峰因子(integrated envelope spectrum peak factor,IESPF),应用于轴承早期故障检测。首先,对信号进行快速谱相干(fast spectral coherence,Fast-SCoh)计算;然后,根据循环频率与谱频率的映射关系确定包含故障信息丰富的频带,并对该频带积分获得IES;最后,计算IES的最大值与其均方根值的比值,从而获得该研究所提指标IESPF,应用于轴承外圈故障检测。通过分析滚动轴承外圈模拟故障试验数据和疲劳试验数据表明,该研究所提指标对轴承外圈早期故障较敏感,适用于早期故障检测。     

一种基于遗传算法的VMD参数优化轴承故障诊断新方法

为准确提取轴承故障特征信息,提出以峭度指标和包络熵为综合目标函数的变分模态分解(variational mode decomposition,VMD)参数优化方法,并改进了诊断流程实现了无需指定参数优化范围的自适应参数优化算法。通过遗传算法对综合目标函数最小值进行搜索,以确定模态分量个数及惩罚参数的最佳组合。原始故障信号经最佳参数组合下的VMD方法分解为若干个本征模态函数,选择最小综合目标函数值对应的模态分量进行包络解调分析,进而通过模态分量的包络谱判断轴承故障类型。通过实测故障信号分析表明,该方法能够从噪声干扰中有效提取到早期故障信号的微弱故障特征,实现了轴承故障类型的准确判定,验证了该方法的有效性。     

基于卷积自编码器和时间卷积网络的轴承性能退化趋势预测EI北大核心CSCD

针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutional network,TCN)的性能退化趋势预测方法。构建振动信号多域高维特征集,并采用综合评价指标初步筛选敏感性好、趋势性强的性能退化指标;采用核主成分分析(kernel principal component analysis,KPCA)方法消除多域特征之间的冗余信息,并实现基于CAE网络的健康指标构建;在此基础上,构建基于TCN的性能退化预测模型,采用直接多步预测实现退化趋势预测,并利用轴承公用数据集验证方法的有效性。结果表明:采用KPCA可以将特征集从14维降至4维,且保留了原优选特征集97.63%的信息;基于CAE网络构建健康指标的方法是有效的,所构建的健康指标随时间的变化历程能真实反映轴承性能的退化过程,且该方法相较于自编码网络(auto-encoding,AE)和高斯混合模型(Gaussian mixure model,GMM)两种常用的健康指标构建方法具有明显优势;基于TCN算法构建的模型能准确预测轴承的性能退化,该模型相较于基于长短时记忆(long short-term memory,LSTM)网络和基于门控循环单元(gated recurrent unit,GRU)等构建的预测模型性能更好,预测精度更高,预测步长为3时的均方根误差和平均绝对误差分别为0.0257和0.0187;该方法具有普遍意义,可推广应用于其它机械装备/零部件的性能退化趋势预测。     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状...     

基于EMD多尺度威布尔分布与HMM的轴承性能退化评估方法

轴承作为旋转机械中的重要部件,对其性能退化状态进行准确评估是开展预测性维护的重要前提.针对现有性能退化指标在鲁棒性和敏感性上的不足,提出一种基于多尺度威布尔分布与隐马尔可夫模型(Hidden Markov model,HMM)的滚动轴承性能退化评估方法.首先,采用经验模态分解(empirical mode decomp...     

自动化包装生产线电机无传感器驱动故障诊断

目的 为了解决自动化包装生产线针对电机驱动故障诊断复杂化和精度低的问题,提高复杂生产环境下电机运行的稳定和人员的安全,提出一种基于XGBoost特征重构和神经网络预测电机驱动故障的精准预测方法.方法 首先通过XGBoost算法运用一部分训练数据构建特征树,随后将剩余训练数据输入XGBoost算法得到重构的特征,然后再运用One-hot编码,将重构特征映射到欧式空间,进一步放大特征的差异,最后输入经过参数调整的神经网络模型中完成故障预测.结果 相较于未经XGBoost特征构建的神经网络模型,文中提出的结构在数据测试集随机分割的验证集和测试集上均取得了接近100％的分类精度,验证了模型的有效性和稳定性.结论 较好地实现了针对自动化包装生产线电机驱动故障的无传感器高精度诊断,有利于提高复杂生产环境下的电机稳定性和人员安全性.     

A Comparative Study of Various Methods of Bearing Faults Diagnosis Using the Case Western Reserve University Data

Bearing is probably one of the most critical components of rotating machinery. They are employed to guide and support the shafts in rotating machinery. Therefore, any fault in the bearings can lead to losses on the level of production and equipments as well as potentially unsafe. For these reasons, the bearing fault diagnosis has received considerable attention from the research and engineering communities in recent years. The purpose of this study is to review the vibration analysis techniques and to explore their capabilities, advantages, and disadvantage in monitoring rolling element bearings.     

Degradation Feature Selection for Remaining Useful Life Prediction of Rolling Element Bearings

Rolling element bearings are among the most widely used and also vulnerable components in rotating machinery equipment. Recently, prognostics and health management of rolling element bearings is more and more attractive both in academics and industry. However, many studies have been focusing on the prognostic aspect of bearing prognostics and health management and few efforts have been performed in relation to the optimal degradation feature selection issue. For more effective and efficient remaining useful life predictions, three goodness metrics of correlation, monotonicity and robustness are defined and combined for automatically more relevant degradation feature selection in this paper. Effectiveness of the proposed method is verified by rolling element bearing degradation experiments. Copyright © 2015 John Wiley & Sons, Ltd.     

基于ICS-LSSVM的包装机械动力机轴承的故障识别

目的针对包装机械设备中动力机轴承的故障诊断识别率低的问题,提出一种基于参数寻优的故障识别方法。方法首先通过主元分析算法对包装设备动力机的振动数据进行主成分特征提取,减少各数据间的相关性,然后采用LSSVM对各类数据样本进行故障识别。为了克服LSSVM惩罚因子和核函数参数易出现局部最优、收敛精度差等问题,提出一种ICS算法优化LSSVM的状态参数,提高包装机械动力机轴承故障诊断的识别率,以实测糖果厂包装机械振动数据为例验证所提方法的有效性。结果实验结果表明,在包装机械动力机轴承故障类别确定的情况下,算法能够高精度地识别各类动力机故障。结论该算法实现了分类器参数的自适应选择,为提高包装机械动力机轴承故障诊断的识别率提供了可靠的方法。     

基于时间-小波能量谱熵的滚动轴承故障诊断研究

针对轴承振动信号中存在周期性冲击这一现象,提出了时间-小波能量谱熵的计算方法,用于滚动轴承的故障诊断。首先构造脉冲小波,采用连续小波变换的方法得到时间域内小波能量谱,再沿时间轴计算能量谱熵,定量描述振动信号沿时间的分布情况,不同故障下轴承的冲击振动随时间变化程度不同,其时间-小波能量谱熵值也就不同。将不同故障轴承信号的时间-小波能量谱熵作为向量特征输入建立支持向量机,实现了对轴承的工作状态和故障类型的判断。实验结果表明,时间-小波能量谱熵可以有效地对滚动轴承进行故障诊断。     

振动机械滚动轴承两点点蚀故障诊断研究

针对振动机械滚动轴承两点点蚀故障的判别问题,建立了基于Hertz接触理论的振动机械滚动轴承内环和外环两点点蚀故障的振动模型,提出了两点点蚀故障的判别依据,对理论模型进行了仿真,并在振动筛上进行了试验研究。理论分析与试验分析结果一致表明,振动机械与旋转机械滚动轴承两点点蚀的故障特征频谱有明显的区别。振动机械滚动轴承外环点蚀故障时有明显的振幅调制现象,而理想的旋转机械外环点蚀无振幅调制现象;振动机械滚动轴承内环点蚀故障时有轻微的振幅调制现象,而理想的旋转机械内环点蚀存在明显的振幅调制现象。     

基于谱相关密度切片分析和SVM的滚动轴承故障诊断

为了对旋转机械中的滚动轴承进行故障分析,针对滚动轴承具有二阶循环平稳的特点,采用了谱相关密度组合切片分析方法进行特征提取,并将提取的特征作为输入向量,用"一对其他"多分类支持向量机进行故障识别,给出了基于谱相关密度组合切片分析和多类支持向量机的滚动轴承故障诊断流程图,该方法具有较高的计算效率和估计精度。最后通过对实验数据的分析与处理,验证了该方法在滚动轴承故障诊断中的可行性和实用价值。     

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。