滚动轴承故障信号处理方法与诊断试验研究

分析了滚动轴承故障振动信号的非线性、非平稳性特征,基于经验模态分解法（EMD）在处理此类信号中的优势,研究了滚动轴承故障信号的时频分析处理方法。通过EMD法将滚动轴承故障原始振动信号分解为多个平稳的IMF分量之和;选取前8个IMF能量值作为频域特征并结合时域特征构成故障振动信号特征集合,作为BP神经网络的输入;建立了滚动轴承故障诊断的BP神经网络模型,利用BP网络的自学习机制进行网络训练,得到了输入特征与故障模式之间的映射关系;通过对滚动轴承不同类别的故障诊断试验,验证了该方法的可行性。     

基于奇异值差分谱降噪与经验模式分解的滚动轴承故障特征提取方法

针对滚动轴承振动信号含有大量噪声且具有非线性、非平稳特性致使故障特征难提取的问题,提出一种基于奇异值差分谱降噪与经验模式分解(EMD)相结合的滚动轴承故障特征提取方法。首先,将滚动轴承振动信号在相空间重构的基础上利用奇异值差分谱完成降噪;其次,将降噪后的信号经EMD筛分为多个含有信号局部特征的本征模式分量(IMF);最后对与原信号相关度最大的IMF进行Hilbert包络解调,进而提取故障特征频率。实验结果表明:该方法不仅有效去除信号噪声,而且准确提取滚动轴承的故障特征。     

基于VMD与时间序列分析的滚动轴承故障特征提取方法

为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。     

基于改进ITD和峭度准则的滚动轴承故障诊断方法

给出了改进的固有时间尺度分解方法 (Improved Intrinsic Time-scale Decomposition,简称IITD)及端点效应评价指标。为了实现滚动轴承故障的精确诊断,提出了一种基于IITD和峭度准则的包络解调方法。该方法首先利用IITD将振动信号分解为一系列固有旋转分量(Proper Rotation Component,简称PRC),然后利用相关系数-峭度最大准则挑选包含故障信息最丰富的PR分量进行包络谱分析。为了验证该方法在应用中的有效性,针对轴承内圈故障,与EMD包络谱分析进行了比较,结果表明:该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

基于VMD和Teager能量增强谱的滚动轴承故障诊断方法

针对强噪声干扰下滚动轴承故障特征难以提取的问题,提出一种变分模态分解和Teager能量增强谱的滚动轴承故障诊断方法。该方法首先通过变分模态分解(Variational Mode Decomposition,VMD)将非平稳的轴承故障振动信号分解成一系列平稳的窄带分量;然后根据峭度-相关性最大准则挑选包含故障特征信息最丰富的窄带分量作为主分量;最后对选取的主分量进行Teager能量增强谱,提取滚动轴承的故障特征。通过仿真和实例分析的结果表明:该方法能有效地提取出滚动轴承早期故障特征,且能够抑制强烈的噪声干扰和增强故障冲击特征,优于传统包络谱分析和基于经验模态分解(Empirical Mode Decomposition,EMD)和Teager能量谱的方法的分析结果。     

基于小波改进阈值去噪与LMD的滚动轴承故障诊断研究

为从含有强烈噪声干扰的滚动轴承振动信号中提取故障特征信息,提出了一种小波改进阈值去噪与局部均值分解(LMD)相结合的故障诊断方法。首先,根据构造小波改进阈值函数需满足的必要条件以及滚动轴承振动信号特征,提出了适应于滚动轴承振动信号的抛物线平滑阈值函数,利用其对振动信号进行去噪预处理;然后,对去噪后的振动信号进行LMD分解得到若干乘积函数分量(PF);最后,根据相关系数筛选出有效PF分量,并对其进行包络解调,提取故障特征频率。仿真分析和应用实例结果表明,该方法能有效提取滚动轴承故障特征信息,实现滚动轴承的故障诊断。     

基于EMD降噪的递归图分析方法在齿轮故障诊断中的应用

为从齿轮振动信号中提取包含故障信息的特征量,提出了一种基于经验模态分解(EMD)降噪的递归图分析方法。该方法用EMD方法将振动信号分解为有限个固有模式函数(IMF)分量,选取包含故障信息的IMF分量建立递归图,从递归图中提取特征向量,运用高斯混合模型进行模式识别。将该方法运用于故障齿轮振动信号的识别,结果表明该方法具有较高的识别率,对齿轮故障能够有效地进行分类与诊断。     

基于ALIF和ISOMAP的机械设备故障识别方法研究

滚动轴承作为机械设备的重要部件,对机械设备的稳定运行起着重要的作用。滚动轴承的故障信号往往是多种信号的叠加,有必要对采集到的振动信号进行模式分解,进而基于模式识别方法实现对滚动轴承不同故障模式的分类识别。提出一种基于自适应局部迭代滤波(ALIF)和等距特征映射(ISOMAP)的机械设备故障分类识别方法。利用ALIF对滚动轴承的故障信号进行模式分解;对选定的模式分量提取多个统计学特征;最后利用ISOMAP对高维特征信号进行降维处理,实现对滚动轴承不同故障模式的分类识别。研究结果表明：所提方法在滚动轴承故障识别上具有良好的效果。     

基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障特征提取的难题,提出了基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法。首先对轴承振动信号进行迭代滤波分解,然后通过相关系数和峭度准则筛选出敏感的内禀模态分量,对敏感的内禀模态分量进行最大相关峭度解卷积降噪,最后对降噪的信号进行频谱分析完成轴承故障诊断。对轴承仿真信号和滚动轴承故障振动试验信号进行了分析,结果表明文中方法能有效地应用于滚动轴承故障诊断。     

基于IMF和预测滤波的轴承故障诊断方法

针对滚动轴承早期故障信息难以提取的问题,提出了基于固有模态函数(IMF)和线性预测滤波的诊断技术。首先,通过经验模态分解(EMD)把振动信号分解成一系列的固有模态函数。根据包络频谱相关信息提出了一种固有模态函数重构方法,将故障信息敏感的固有模态函数重构为一个新的信号。然后通过线性预测滤波加强重构后信号的冲击故障信息,最后利用信号的功率谱有效的展现了轴承的故障频率特性。通过实测滚动轴承信号对该方法进行了验证,结果表明该方法能准确的检测滚动轴承故障。     

基于多特征提取和LSSVM的轴承故障诊断

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。     

基于迁移学习的滚动轴承复合故障诊断研究

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型（TConvNeXt）。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用于滚动轴承故障诊断并且利用Grad-CAM方法进行可视化,分析网络诊断错误起因并对网络进行调整;将训练准确率最高的模型用于滚动轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：TConvNeXt网络模型具有高诊断精度,它不仅在混叠故障诊断中表现突出,在单一故障诊断中也具有优势,能够很好地适应多工况下不同故障类型的滚动轴承故障诊断要求。     

基于XGBoost和自回归模型的轴承故障诊断和预警方法研究

针对轴承在数控车间生产中易发生故障且对轴承故障预警困难的问题,提出了一种基于XGBoost算法和AR(I)MA自回归模型的数据驱动的故障诊断和预警方法。首先使用XGBoost算法将轴承的历史数据划分为正常、滚珠故障、外圈故障和内圈故障4种状态,然后使用AR(I)MA模型来预测轴承在未来一段时间内的振动信号变化,再将预测出的振动信号进行降噪和特征提取后输入到训练好的XGBoost中进行故障诊断。使用PRONOSTIA平台采集的轴承工作数据进行实验,结果表明,文章方法可以准确预测出轴承短期内的振动信号并诊断出可能发生的故障,证明了该方法在轴承的故障诊断和预警中的可行性与正确性。     

EMD分解与多特征融合的齿轮故障诊断方法

为解决齿轮振动信号在现实中难以获取大量典型故障样本和分类的精确度低的问题,提出基于EMD分解与多特征融合的齿轮故障诊断方法。首先,提取反映信号特征的各项参数指标作为特征向量;其次,利用经验模式分解(EMD)对原始信号进行分解,进而提取分解后各本征模式分量(IMF)的能量指标组成特征向量;然后,将其与信号特征各项参数融合成特征向量组合,并将其作为SVM多故障分类器的训练样本进行训练,实现齿轮的智能诊断。通过实验室轴承的故障诊断研究表明:该方法对于齿轮的各种状态具有很好的分类精确度,更加有效地识别齿轮故障类型。     

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解(EMD)进行信号处理和基于隐马尔科夫模型(HMM)进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数(IMF),计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。     

基于多层降噪处理的轴承故障特征提取方法

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。     

滚动轴承疲劳失效故障的数字孪生虚拟实体建模

针对目前基于数据驱动和机制建模的滚动轴承故障诊断方法的不足,提出一种针对疲劳故障的滚动轴承数字孪生虚拟实体模型。基于L-P疲劳失效理论,对滚动轴承全寿命周期的振动响应进行建模。在轴承五自由度非线性滚动振动模型的基础上,考虑滚动体-滚道冲击力的影响,对滚动轴承内、外圈局部缺陷模型进行改进,并提出一种滚动轴承次表面裂纹早期故障模型,从而建立了疲劳失效下的滚动轴承全寿命数字孪生虚拟实体模型。该模型可表征轴承疲劳故障的产生、发展到严重的全过程。对不同类型的轴承疲劳故障虚拟实体数据进行了分析,验证了所建模型的正确性和有效性。     

多尺度加权CEEMD-1DCNN旋转机械故障诊断

旋转机械振动信号具有较强的非线性、非平稳性的特点，互补集合经验模态分解（CEEMD）克服了传统EEMD的缺陷，提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异，提出一种基于多尺度加权CEEMD的一维卷积神经网络（1DCNN）故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数（IMFs），然后求取各个IMF分量的峭度值，计算各分量峭度所占权重，根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集，将训练集输入到一维卷积神经网络中学习更新网络参数，然后用验证集进行验证得到最优诊断模型，最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证，诊断精度分别为99.98%和99.73%，表明所提方法能够快速准确地诊断出不同故障类型，并且具有较高的故障诊断准确率和鲁棒性。     

基于ADASYN和Swin Transformer的滚动轴承故障诊断研究

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型。使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer网络模型代替CNN网络 ,并使用深度迁移学习方法,使Swin Transformer网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：所提模型具有97%的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断。