滚动轴承压缩故障信号的特征代理与凸优化重构算法EI北大核心CSCD

压缩采样可以有效缓解机械状态监测数据存储和传输的压力,但是压缩数据的感知重构一直是个难点。针对滚动轴承压缩信号的故障特征提取问题,提出一种基于特征代理与凸优化算法的故障信号重构方法。分析了滚动轴承局部故障信号的稀疏和卷积特性,学习得到故障冲击模式。对压缩得到的轴承观测信号,构造包含冲击时刻特征的代理,并对代理建立目标优化函数,采用快速迭代收缩阈值算法(Fast Iterative Shrinkage Threshold Algo⁃rithm,FISTA)直接从代理提取出稀疏系数,将学习模式与稀疏系数卷积重构出故障信号。与直接利用FISTA从压缩信号中提取冲击特征相比,所提方法在不降低求解精度的同时降低了计算复杂度。相比于常用的贪婪类重构算法,所提方法无需预先估计信号的稀疏度,且能得到全局最优解。通过滚动轴承仿真和实验信号进一步验证了所提方法的有效性。     

基于VMD能量熵与优化支持向量机的轴承故障诊断

滚动轴承早期故障信号比较微弱,且受噪声与振动耦合影响,导致其故障判别失准。基于变分模态分解算法(VMD)与能量熵结合构建多模态特征矩阵,以灰狼算法(GWO)优化支持向量机(SVM)参数,提出VMD-Entropy-OSVM轴承智能故障诊断,采用轴承实验数据验证所提方法的有效性与优越性。实验结果表明:VMD-Entropy-OSVM不仅可识别轴承损伤末期的不同故障类型,且在识别损伤初期亦有较高准确度;在信噪比为8dB下准确率高达99.8%,比现有方法提高3.3%～27.3%;当信噪比为0dB下仍有73.5%的准确度,比现有方法提高11%～33%,该模型表现出良好的泛化性能;在相同计算资源下,所需运行时间更短,效率更高。     

基于SSA和随机共振的旋转机械微弱信号提取

针对旋转机械早期故障信号微弱,富含大量噪声的问题,提出麻雀优化算法（SSA）和随机共振（SR）相结合的微弱信号提取方法。首先,对大参数信号进行变尺度处理,使其满足SR的要求;其次,以信噪比作为目标函数,运用SSA算法优化SR模型的结构参数,利用系统的SR实现微弱信号信噪比的提高;最后,通过仿真信号验证所提出方法的有效性,并将该方法应用于轴承内圈故障和轻度磨损钻头微弱信号的提取中。结果表明：提出的方法对微弱信号的提取性能优于传统的SR模型以及PSO-SR模型,有效提高了信号信噪比,实现了故障微弱信号的提取与增强。     

基于参数自适应VMD和MCKD的滚动轴承微弱故障特征提取

针对传输路径复杂和强噪声干扰条件下滚动轴承故障信号信噪比低、微弱故障特征难以提取的问题，提出一种将参数优化变分模态分解（Variational Mode Decomposition,VMD）与最大相关峭度解卷积（Maximum Correlated Kurtosis Deconvolution, MCKD）相结合的滚动轴承微弱故障特征提取方法。首先，利用经麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的VMD对故障信号进行自适应分解，构建加权峭度指标以筛选有效模态分量；然后对有效模态分量利用经SSA优化后的MCKD进行增强；最后，对增强后的信号进行包络解调分析，提取出轴承故障特征频率。实验和工程实际案例分析表明，所提出的方法能够自适应增强轴承信号中的微弱冲击成分，有效提取出强噪声背景下的滚动轴承微弱故障特征。     

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络（即深度卷积测量网络）代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。     

基于局部联合稀疏边缘嵌入的滚动轴承故障诊断EI北大核心CSCD

滚动轴承是机械设备的重要零部件之一,对其进行及时有效地监测和诊断对机械设备的安全运行有着重大意义。针对多源信息融合导致的高维性、信息冗余等问题,提出了一种基于局部联合稀疏边缘嵌入(locally joint sparse marginal embedding,LJSME)的轴承故障诊断方法。LJSME利用L 2,1范数来重构类间矩阵和类内矩阵并引入局部图保留高维特征间的邻域关系,且将L 2,1范数作为目标函数的正则项以保证特征提取的联合稀疏性,从而提高特征的敏感性和鲁棒性。首先从轴承振动信号中提取由时域和频域信息组成的高维特征数据集;随后利用LJSME提取高维特征空间数据集中的敏感低维特征;最后利用K-近邻分类器实现滚动轴承的故障模式识别。通过两组滚动轴承故障数据集对所提出的方法进行验证,与其他三种降维算法相比,所提算法能够有效地提取滚动轴承振动信号的敏感性特征。     

基于Hankel矩阵与图结构的GIS设备运行状态识别方法

在图结构理论的基础上，提出一种Hankel 矩阵改进的气体绝缘开关设备机械状态识别方法。首先利用非冗余声压频域信号和Hankel 矩阵实现图模型的表征；其次，借助于鞅检验方法实现故障的检测，利用主成分分析计算故障时平均Hankel 矩阵的权重并将其作为特征参量训练模型；最后，利用支持向量机实现不同故障的分类。实验结果表明：所提方法能够有效提取不同状态下的特征参量，诊断准确率高达91.67 %，相较于常规方法提升约12 %，为气体绝缘开关设备的机械故障诊断提供了一种可行的解决思路。     

麻雀算法参数优化VMD联合K-SVD的滚动轴承故障诊断

针对经典K-均值奇异值分解(K-means Singular Value Decomposition,K-SVD)易受噪声干扰产生虚假原子,导致信号稀疏不彻底、故障特征识别困难的问题,提出基于麻雀算法优化变分模态分解(Variational Modal Decomposition,VMD) 参数联合K-SVD的滚动轴承故障诊断方法。首先引入包络熵适应度函数指标并基于麻雀算法优化VMD的模态层数k 和平衡因子α。其次利用平方包络谱峭度指标遴选最优模态,以所选模态分量相空间构造Hankel 矩阵进行K-SVD字典学习。最后对恢复至时间序列的稀疏重构信号进行包络解调,提取轴承故障特征频率。通过轴承故障仿真信号和全寿命实验信号进行验证,证明相较于经典K-SVD算法,所提方法在低信噪比条件下在轴承故障特征提取方面具有优势,有一定的工程应用价值。     

组稀疏低秩矩阵估计的变转速滚动轴承故障特征提取EI北大核心CSCD

早期轴承故障特征的有效提取对于避免严重机械事故具有重要的意义。表征轴承故障的脉冲信号往往淹没在强背景噪声干扰中,并且轴承常常在变转速工况下运行,这使故障特征的提取较为困难。针对这一问题,提出一种用于变转速工况下滚动轴承故障特征提取的组稀疏低秩矩阵估计算法。首先,根据变转速工况下轴承故障脉冲信号的角度时间循环平稳特性,利用阶频谱相关(order-frequency spectral correlation, OFSC)将测量信号转换至阶频域中;其次,揭示了轴承故障脉冲在阶频域中的组稀疏性和低秩性,并据此构建一种凸优化问题来增强这两种特性,引入非凸罚函数来提高故障特征的稀疏性;再次,在交替方向乘子法(alternating direction method of multipliers, ADMM)和优化最小化(majorization-minimization, MM)框架下求解该凸优化问题,推导出组稀疏低秩(group sparse low-rank, GSLR)矩阵估计算法;最后,通过构建增强包络阶次谱(enhanced envelope order spectrum, EEOS)对求解得到的目标分量进行故障特征检测。仿真和试验信号的分析验证了该方法在故障特征提取中的有效性。     

频域组稀疏滚动轴承特征提取方法

针对时域非平稳振动信号模式混叠、信噪比低,以及传统稀疏表示算法模型复杂、优化求解算法难以确定,导致故障特征提取难的问题,提出了频域组稀疏和群桥约束改进迭代收缩阈值优化的故障特征提取方法（Group Sparse Representation in Frequency Domain,GSRF）。将振动信号转换至频域并对变量分组,构造施加群桥约束的最小二乘回归模型,准确筛选冲击相关变量;引入迭代重加权系数简化方程,以软阈值收缩优化求解频域稀疏信号;对重构的时域稀疏信号进行包络频谱分析提取故障特征。试验结果表明,提出的频域组稀疏算法优于传统的结合L21范数约束的组稀疏索套方法,可有效提取微弱故障特征,实现稀疏域下的轴承故障诊断。