基于RBF神经网络与模糊评价的滚动轴承退化状态定量评估

滚动轴承作为旋转机械最容易发生故障的零部件之一,对其进行性能状态评估,及早判断出故障情况并做出相应的维修策略具有重要的意义。首先对轴承早期无故障样本和同类轴承的失效样本的振动信号提取小波包奇异谱熵作为初始特征。其次,用早期无故障样本特征和同类轴承失效样本特征建立径向基(RBF)神经网络模型,将已提取特征的轴承全寿命数据特征通过迭代的方式输入到RBF模型中。为了得到有界限的性能退化评估指标,提高性能评估准确率,将RBF模型输出结果输入到隶属度函数,计算隶属度,以此作为性能退化评估指标。使用箱线图设置自适应阈值,确定轴承早期失效阈值。最后用包络解调对结果进行验证。实验表明,提出的性能退化评估方法早期故障检测能力强,得到的结论与轴承加速疲劳试验得到的结果保持一致。     

基于小波包Tsallis熵和FCM的滚动轴承性能退化评估

鉴于小波包Tsallis熵和模糊C均值(FCM)的优点,提出了一种将两者相结合的滚动轴承性能退化评估方法。该方法首先提取正常数据和失效数据的小波包Tsallis熵,并利用FCM建立性能退化评估模型。然后提取待测数据的小波包Tsallis熵,并以待测数据隶属于失效状态的程度作为轴承性能退化中的定量评估指标,同时设定了早期故障阈值。实验分析表明,与基于小波包熵和FCM的评估方法相比,该方法得到的评估指标能更及时地发现早期故障,对噪声的鲁棒性也更强,且其变化范围为[0,1],可解释性强。     

基于小波奇异谱及SVDD的轴承故障检测方法

针对传统轴承故障检测方法泛化能力较弱、训练样本数量需求过大、检测效果不佳的问题,提出了一种基于小波奇异谱及SVDD的滚动轴承故障检测方法。首先,利用db5小波对正常振动信号进行5层小波分解,并计算出奇异值进行优选;然后,将优选出的奇异值输入SVDD中进行训练,得到超球体中心和半径;最后,利用判别函数进行分类,判断轴承是否存在故障。试验表明,该方法的检测正确率达到了98.6%,可用于轴承故障检测。     

基于粒子群算法和变分模态分解的起重机滚动轴承性能退化评估

针对港口起重机滚动轴承早期故障特征不易提取、识别精度不够高的缺点,提出一种以粒子群（PSO）优化变分模态分解（VMD）,结合支持向量数据描述（SVDD）的滚动轴承性能退化评估模型。通过PSO优化VMD中的参数,更好地提取滚动轴承的特征。利用SVDD模型中球心距离度量性能退化程度,并借助隶属度函数量化轴承性能退化,进而实现对轴承性能退化程度的精确评估。应用滚动轴承的全寿命试验数据验证该模型,并与传统的时域特征指标比较,本方法对轴承性能退化评估具有更强的敏感性,验证该方法的优越性。     

基于DDAE-GRA的滚动轴承早期故障诊断

提出一种将深度降噪自编码(DDAE)和灰色关联度分析(GRA)相结合的滚动轴承早期故障诊断方法。使用DDAE提取轴承振动信号的特征,以正常样本特征作为灰色关联分析的参考序列,计算滚动轴承全寿命周期数据样本特征与正常样本特征的关联程度作为轴承性能退化的指标,绘制性能退化曲线并使用3σ阈值判定轴承早期失效时间。对辛辛那提大学轴承数据集外圈故障轴承的分析结果表明：DDAE-GRA模型识别的轴承故障发生在第533个样本,该样本包络谱中出现了明显的外圈故障特征频率及其倍频;DDAE-GRA模型比小波包分解-GRA,DDAE-FCM,DDAE-SVDD具备更好的鲁棒性,更适用于滚动轴承早期故障监测。     

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。     

基于果蝇优化算法-小波支持向量数据描述的滚动轴承性能退化评估

针对支持向量数据描述(SVDD)算法对滚动轴承早期故障不敏感、参数选择困难的问题,提出了一种基于果蝇优化算法-小波支持向量数据描述(FOA-WSVDD)的滚动轴承性能退化评估方法。提取滚动轴承早期无故障振动信号的时域、时频域特征向量,并基于单调性进行特征选择;针对现有核函数对滚动轴承早期故障不敏感问题,将小波核函数引入到SVDD算法中;针对SVDD算法参数选择困难的问题,以支持向量个数与总样本数的比值作为适应度函数,采用改进的FOA算法对其核参数进行优化,建立FOA-WSVDD评估模型;最后,将轴承后期振动数据的特征向量输入到该WSVDD模型中,得到轴承的性能退化指标。试验结果表明,采用所提方法能准确地对轴承早期故障作出预警,与基于高斯核函数的SVDD算法相比,提前了17h。     

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...     

故障特征增强的滚动轴承状态评估方法

针对现有滚动轴承状态评估方法对早期故障不敏感、严重依赖历史全生命周期数据等问题,提出一种增强故障信息的滚动轴承状态评估方法。采用小波包变换提取信号特征,基于隐马尔可夫模型结合指数加权移动平均建立评估指标,以评估轴承健康状况并增强早期故障信息;早期故障发生后,应用改进的增强功率谱对信号的频域特征进行增强并诊断故障类型。实验结果表明：该方法能有效描述滚动轴承的退化趋势,及时发现早期故障并快速诊断故障类型。     

基于UKF的轴承剩余寿命预测方法研究

针对轴承从早期故障发生到失效的非线性退化问题,提出一种基于无迹卡尔曼滤波算法(UKF)的轴承剩余寿命预测方法。该方法包括轴承性能评估和剩余寿命预测两个部分。在性能评估部分,首先利用轴承振动信号建立反映其健康状态的指数,基于对正常工作时指数的学习获得用于判断轴承健康状态的异常阈值并截取出轴承从早期故障发生到失效这一性能退化阶段的数据;在剩余寿命预测部分,利用双指数函数拟合分析轴承退化数据,构建出与轴承退化过程相符的非线性状态空间模型,模型参数利用Dempster-Shafer方法进行初始化后采用UKF算法对其进行更新,并预测轴承的剩余寿命。基于轴承全寿命周期试验数据的分析,结果显示所提方法有效地评估了轴承的健康状况,通过对比分析其他剩余寿命预测方法,发现所提方法较好地预测了轴承的剩余寿命。