基于VMD-SVM的滚动轴承退化状态识别

针对滚动轴承全寿命退化状态难以有效识别的问题,提出了一种基于变分模态分解(VMD)与支持向量机(SVM)相结合的滚动轴承退化状态识别方法。该方法先用包络熵确定VMD的最优分解层数,再根据峭度及相关系数准则选择VMD分解后的敏感本征模态分量(IMF),然后提取敏感IMF分量的时域指标和能量熵构成退化特征向量序列,最后随机抽取不同退化状态下的少量样本输入SVM模型训练,建立退化状态模型库,并用真实数据进行测试。实验结果表明该方法能够准确识别出轴承的退化状态,通过与EMD-SVM、EEMD-SVM模型对比,验证了该方法的优越性。     

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LCD和排列熵的滚动轴承故障诊断

排列熵（permutation entropy,简称PE）是最近提出的一种检测时间序列随机性和动力学突变行为的方法,可以考虑将其应用于故障诊断。由于机械系统的复杂性,振动信号的随机性和动力学突变行为表现在不同尺度上,因此需要对振动信号进行多尺度的排列熵分析。基于此,提出了基于局部特征尺度分解（local characteristic scale decomposition, 简称LCD）和排列熵的滚动轴承故障诊断方法。首先,采用LCD方法对振动信号进行自适应分解,得到不同尺度的的本征尺度分量（intrinsic scale component,简称ISC）;其次,计算前几个包含主要故障信息的ISC分量的排列熵;最后,将熵值作为特征向量,输入基于神经网络集成建立的分类器。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。     

基于融合FCM-SVDD模型的滚动轴承退化状态识别

针对滚动轴承在长期工作过程中性能会出现不同程度的退化,提出一种融合FCM-SVDD模型的方法。利用自回归模型(AR)对轴承全寿命周期数据进行特征提取,再将提取的特征参数经过归一化处理后,用正常和失效样本特征建立模糊C均值(FCM)模型,用正常样本的特征数据建立支持向量数据描述(SVDD)模型,再将测试样本特征输入建立的FCM和SVDD模型得到的两个退化指标,将得到的退化指标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。描绘性能退化曲线,并对信号进行包络谱分析,验证初始故障位置。结果表明该方法对轴承初始故障点更加敏感,退化趋势更加明显,利用美国辛辛那提大学智能维护中心的轴承全寿命周期数据验证该方法的有效性和优越性。     

基于隐半马尔可夫模型设备退化状态识别方法研究

机械设备从正常到故障往往经历一系列退化状态,正确识别与估计设备当前所处的退化状态,对预防设备进一步退化和故障的发生具有重要意义。隐半马尔可夫模型(Hidden Semi-MarkovModels,HSMM)是隐马尔可夫模型(hidden Markov models,HMM)的一种扩展模型,克服了因马尔可夫链的假设造成HMM建模所具有的局限性,比HMM具有更好的建模能力和分析能力。由状态识别和HMM本质上的相通性,将HSMM引入到机械设备的状态识别中,提出了一种基于HSMM状态识别方法,描述了该模型的拓扑结构和主要参数以及相应的训练和识别算法。最后通过滚动轴承试验系统验证了方法的有效性。     

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。     

小波相关特征尺度熵和隐半马尔可夫模型在设备退化状态识别中的应用

为正确识别机械设备当前所处的退化状态,预防设备进一步退化和故障的发生,提出一种基于小波相关特征尺度熵和隐半马尔可夫模型(Hidden semi-Markov models, HSMM)的设备退化状态识别新方法.对采集到的设备振动信号进行小波相关滤波处理,得到信噪比较高的尺度域小波系数,在此基础上结合信息熵理论提出了沿尺度分布的小波相关特征尺度熵概念.构造信号的小波相关特征尺度熵/矢量,并以此矢量作为HSMM的输入进行训练,建立基于HSMM的机械设备运行状态分类器,从而实现设备退化状态的识别.以滚动轴承为例,对正常和几种故障程度不同的滚动体运行状态进行了识别,同时还与基于小波相关特征尺度熵-HMM的状态识别法进行了比较,试验结果表明该方法能有效识别设备的退化状态.     

基于LCD和局部Hilbert边际能量谱的滚动轴承故障特征提取方法

在定义局部Hilbert边际能量谱的基础上,提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和局部Hilbert边际能量谱的滚动轴承故障特征提取方法。采用LCD方法对滚动轴承原始振动信号进行分解得到若干内禀尺度分量(Intrinsic scale component,ISC),然后对各个ISC分量进行Hilbert解调得到信号的时频分布。根据信号时频分布中能量分布确定频率段的下限和上限频率,从而得到相应的局部Hilbert边际能量谱,计算该频率段内信号的能量并将其作为故障特征参数。实验分析结果表明,所提出的方法能有效地提取滚动轴承故障特征信息。     

改进VPMCD方法在滚动轴承故障诊断中的应用

针对模式识别新方法VPMCD(variable predictive model based class discriminate)在参数估计过程中存在的缺陷,对VPMCD方法进行了改进,用主成分估计法代替原方法中的最小二乘法进行参数估计,消除了预测变量间存在多重线性相关性的影响,可以获得更加稳定的模型参数,从而提高模式识别的精度。采用局部特征尺度分解(LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取各分量的近似熵组成故障特征向量作为改进VPMCD的输入,以改进VPMCD作为分类器对滚动轴承的工作状态和故障类型进行分类。对正常状态、外圈故障、内圈故障和滚动体故障四种不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明该方法有效。     

基于LCD与峭度-能量比准则的滚动轴承故障诊断研究

针对局部特征尺度分解在滚动轴承故障诊断中出现未筛选有效分量的问题,通过峭度-能量比准则对LCD分解产生的内禀尺度分量(ISC)进行了筛选,提出了一种基于LCD分解与峭度-能量比准则的方法。首先对采集的滚动轴承振动信号进行了LCD分解,得到了不同能量的ISC分量,运用峭度-能量比准则筛选了有效的ISC分量;再计算了筛选后有效的ISC分量的能量熵和多尺度熵,并将计算的结果融合后构建了特征向量;最后通过支持向量机(SVM)的故障分类器,实现了滚动轴承的故障诊断。实验结果表明:采用峭度-能量比准则提取有效分量减少了冗余分量,滚动轴承内圈故障和外圈故障诊断准确率有了明显提高。     

基于极值点概率密度和听觉模型的滚动轴承瞬态冲击信号提取方法研究

滚动轴承故障的一个重要特点是故障元件会诱发冲击响应振动成分,针对滚动轴承故障振动信号的调制特征和传统分析方法的复杂性,提出了一种基于极值点概率密度和听觉模型的滚动轴承故障特征提取方法。该方法首先使用Gammatone滤波器对滚动轴承故障信号进行带通滤波,相位调整,然后提取每个滤波通道的极值点,计算其概率密度函数并对其求导,通过导数中是否存在向上过零点判断是否存在瞬态冲击成分,继而提取相关的极值点,最后累加提取相关瞬态成分。考虑到滚动轴承振动信号中冲击成分在不同时刻振幅大小不同,分段对信号做处理,能够提取到因振幅较小而被忽略掉的冲击成分。将该方法应用到某型号线切割机床滚动轴承实测振动信号中,实验结果表明该方法能有效提取到滚动轴承故障信号中的瞬态冲击成分。     

LCD方法的改进及其在滚动轴承故障诊断中的应用

对局部特征尺度分解(Local characteristic-scale decomposition,简称LCD)方法进行了改进,分析了低频ISC分量(Intrinsic Scale Component,简称ISC)出现驻点的原因,提出了一种改进驻点的局部特征尺度分解方法,仿真信号的分析结果验证了改进的LCD方法的优越性。在此基础上将改进的LCD方法与包络谱相结合应用于滚动轴承故障诊断,采用改进的LCD方法对滚动轴承振动信号进行分解得到若干个ISC分量,对ISC分量进行包络谱分析从而识别滚动轴承的工作状态,实验数据的分析结果表明该方法的有效性。     

一种基于动态粗集的工件滚动调度识别方法

为在动态加工环境下采用滚动优化调度时,研究了调度窗口内工件的识别问题。基于动态粗集和其元素动态迁移特性,提出了一种工件滚动调度识别方法,考虑在工件加工过程中有生产设备损坏、工件到期时间改变和急加工工件等动态环境中,通过滚动优化调度工件的识别,不仅能适应加工环境的动态变化,获得满意的调度结果,而且减少了再调度次数和调度问题求解的规模。仿真结果验证了该方法的有效性。     

滚动轴承弹性接触动态特性有限元分析

滚动轴承弹性滚动接触动态特性直接影响转子系统的精度及动态特性,针对滚动轴承弹性滚动接触动态特性问题,以深沟球轴承61914为例,在同时考虑内环、外环、滚珠及保持架变形的情况下,建立滚动轴承三维弹性滚动接触有限元模型,采用有限单元法计算滚动轴承在不同转速、径向力及轴向力等载荷工况下滚动轴承的接触应力及滚珠与内环的运动状态。结果表明,有限单元法能在满足高精度计算的情况下求解各种复杂工况下的滚动轴承动力学特性,为进一步研究滚动轴承弹性滚动接触动态特性提供有力的研究方法。     

LCD和SWT在滚动轴承故障诊断中的应用

针对强噪声背景下滚动轴承故障诊断中存在的非平稳非线性信号特征提取这一难题,提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)和同步压缩小波变换的方法(Synchrosqueezing Wavelet Transform, SWT),该方法首先对信号进行LCD分解,将其分解成多个內禀尺度函数(Intrinsic Scale Component,ISC),选取包含有效频率成分的ISC作为SWT的输入信号,使用SWT对其作进一步分析,从而提取有效频率特征。对强噪声背景下提取的滚动轴承外圈故障信号、内圈故障信号以及滚动体故障信号进行分析的结果表明,相比局部特征尺度分解、同步压缩小波变换等方法,该方法能够有效抑制噪声,从强噪声背景下提取出有效信号频率特征,从而能够有效判断滚动轴承的运转状况。同时该方法能够有效重构信号。     

基于照片的实体建模方法的现状及展望

基于照片的实体建模方法指通过摄像、图像处理获得物体三维模型的方法。该方法源于计算机视觉,是一种方便快捷的三维建模方法。对基于照片的实体建模基础理论与方法进行了论述,并对目前国内外的研究动态进行了分析,提出了进一步研究的方向。     

基于LMD和ICA的滚动轴承故障诊断

针对局部均值分解(Local Mean Decomposition,LMD)在提取故障特征时易受到噪声干扰的问题,提出了一种基于局部均值分解和独立分量分析(Independent Component Analysis,ICA)的滚动轴承故障诊断方法。该方法首先采用LMD方法提取信号PF分量;其次,对PF分量进行ICA盲源分离,得到PF分量的估计信号,有效去除了分量中的噪声成分;然后,提取估计信号的互信息、相关系数和近似熵作为特征向量;最后,采用SVM对特征向量进行故障分类,通过特征提取和故障诊断实验,结果表明LMD-ICA方法的故障识别率明显高于传统LMD方法。     

基于能量特征和RBF神经网络的柱塞泵状态识别方法

柱塞泵状态发生改变时,其振动信号各频带的能量发生相应变化,利用各频带的能量特征可识别柱塞泵状态。基于此提出一种基于能量特征和径向基函数(radial basis function,RBF)神经网络的柱塞泵状态识别方法。首先利用改进阈值的小波包降噪方法对原信号进行降噪处理,然后对降噪后的信号进行经验模态分解(empirical modedecomposition,EMD),选取含主要状态信息的IMF(intrinsic mode functions)分量,提取能量特征作为神经网络的输入参数,识别柱塞泵的状态。同时利用小波包分析技术提取能量特征,并运用神经网络进行状态识别。应用实例表明,以EMD提取各频带能量作为特征参数的RBF神经网络状态识别方法比小波包分析提取各频带能量特征的方法具有更高的识别率,能有效地识别柱塞泵的状态。     

基于高斯函数的小波基的构造方法及在滚动轴承故障诊断中的应用研究

为了精确诊断出滚动轴承的故障,提出基于高斯函数的小波基构造方法.该方法采用叠加的高斯函数作为构造小波基函数的初始模型,使用该初始模型和滚动轴承振动信号进行数据拟合来确定小波基函数的各项系数.通过对6205滚动轴承的外圈、内圈、滚动体故障信号分析的结果表明:新构造的小波基能有效的抑制信号中的噪声成分,提取故障特征,实现精确的诊断滚动轴承的故障.在同样的分解条件下,新构造的小波基比高斯小波能更精确的诊断出滚动轴承的运行状态,具有较高的使用价值.     

自适应冗余提升小波包变换的滚动轴承故障诊断新方法

针对滚动轴承故障微弱信号特征识别问题,提出一种非抽样运算的自适应冗余提升小波包诊断方法,解决了传统的小波包或提升小波变换进行抽样运算造成故障信息失真问题。该方法以提升原理为基础,通过Lagrange插值细分思想计算初始的非抽样预测和更新算子,进而构造了自适应冗余提升小波包分解与重构算法。对仿真信号进行降噪与抗频率混叠实验,结果表明,该方法降噪能力优于传统小波包,且不存在频率混叠现象。在异步电动机上实测了滚动轴承6205无故障、内圈故障、外圈故障及滚动体故障时的振动信号,用这种方法成功提取了各类故障的特征频率及倍频,且比传统小波包具有更高的诊断精度。