LCD谱熵及其在滚动轴承退化状态识别中的应用

针对滚动轴承在出现故障时其振动信号呈现出非线性、非平稳特性,以及退化特征难以提取等问题,将局部特征尺度分解法应用到轴承振动信号分析中,并与信息熵理论融合提出局部特征尺度分解谱熵的滚动轴承退化特征指标。该方法首先对不同故障程度的轴承振动信号做局部特征尺度分解,基于得到的内禀尺度分量计算振动信号得能谱熵、奇异谱熵和包络谱熵用于表征轴承故障程度,仿真信号分析结果表明以上特征指标能够较好地反映滚动轴承的退化状态。对内圈故障和外圈故障模式下不同程度故障的轴承振动信号进行分析,结果表明该文提出的退化特征能够有效表征轴承的退化状态,并采用灰关联分析法构建轴承退化状态识别模型,可有效实现轴承退化状态识别。     

基于多尺度熵和距离评估的滚动轴承故障诊断

为了解决滚动轴承非线性故障特征难以提取的问题,将多尺度熵和距离评估方法有机结合,提出一种新的滚动轴承非线性特征提取方法。首先利用多尺度熵来刻画滚动轴承振动信号在不同尺度上的细节特征;然后引入距离评估选择算法,对多尺度特征进行特征评估,优化选取敏感尺度特征,并送入支持向量机实现轴承不同状态的分类。通过滚动轴承故障诊断实验对该方法进行验证,结果表明,选取敏感多尺度熵特征集对故障特征进行刻画,较单尺度特征、原始特征集和随机特征集等诊断效果更佳,提高了诊断精度。     

EEMD和优化的频带熵应用于轴承故障特征提取

针对滚动轴承早期故障特征提取困难的问题,提出了将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和优化的频带熵(OFBE)相结合的轴承故障特征提取方法。针对EEMD的多个本征模态分量(Intrinsic Mode Function,IMF),如何选出更能反映故障特征的敏感IMF的问题,提出一种基于频带熵的敏感IMF的选取方法。首先,对原始振动信号进行EEMD分解,获得一系列IMFs;然后,对原信号和各个IMF分量求频带熵,在熵值最小处设计带通滤波器带宽作为特征频带,比较各个IMF的特征频带与原信号熵最小值所处频带之间的从属关系,进而选出反映故障特征的敏感IMF。由于背景噪声的影响,从选取的IMF中难以准确地得到故障频率。因此,利用FBE在选取IMF的基础上设计的带通滤波器,并提出利用包络峭度最大值原则优化带宽,然后对其进行带通滤波,并进行包络功率谱分析以提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性和优势。     

VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用

针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识,为实现滚动轴承故障的智能诊断,提出基于VMD能量熵与核极限学习机(kernel extreme learning machine,K-ELM)的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解(variational mode decomposition,VMD),利用能量熵进一步提取各模态特征组成高维特征向量集;然后将构建的特征向量作为K-ELM算法的输入,通过训练建立K-ELM滚动轴承故障分类模型。实验结果表明:VMD能够很好地分解轴承振动信号,且K-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。     

内禀模态特征能量法在滚动轴承故障模式识别中的应用

针对滚动轴承振动信号和状态信息非线性映射关系,提出一种基于内禀模态函数（IMF）特征能量的轴承特征向量提取方法,并与支持向量机（SVM)相结合实现轴承的故障识别。该方法对滚动轴承振动信号进行经验模态分解（EMD）得到若干能反映轴承故障信息的IMF分量,选取包含主要信息的IMF能量作为振动信号的特征向量,并将其输入到SVM分类器中实现轴承故障模式识别。对滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障进行仿真试验,结果表明,该方法能够有效、准确地识别轴承故障。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

内禀模态特征能量法在滚动轴承故障模式识别中的应用

摘 要：针对滚动轴承振动信号和状态信息非线性映射关系,提出一种基于内禀模态函数（IMF）特征能量的轴承特征向量提取方法,并与支持向量机（SVM)相结合实现轴承的故障识别。该方法对滚动轴承振动信号进行经验模态分解（EMD）得到若干能反映轴承故障信息的IMF分量,选取包含主要信息的IMF能量作为振动信号的特征向量,并将其输入到SVM分类器中实现轴承故障模式识别。对滚动轴承的正常状态、外圈故障、内圈故障和滚动体故障进行仿真试验,结果表明,该方法能够有效、准确的识别轴承故障。     

基于IMF特征提取的滚动轴承故障诊断

滚动轴承故障诊断的关键是敏感故障特征的提取。模糊熵(Fuzzy Entropy,FE)是一种检测时间序列复杂程度的方法,已广泛应用于故障诊断。由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析。在此基础上,提出了基于经验模态分解(Empirical Mode Decompose,EMD)和模糊熵的滚动轴承故障诊断方法。首先,采用EMD方法对振动信号进行分解,得到不同尺度的内禀模态函数(Intrinsic Mode Function,IMF)并计算包含主要故障信息的IMF分量的模糊熵;其次,对IMF分量的模糊熵值进行基于样本分位数的特征提取;最后,将分位数值作为特征向量,输入基于优化算法的支持向量机。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。     

基于时间-小波能量谱样本熵的滚动轴承智能诊断方法

为了解决滚动轴承故障模式智能识别与运行状态检测问题,提出了时间-小波能量谱样本熵的计算方法,并将其作为特征参数用于滚动轴承智能诊断的研究。采用Hermitian小波对轴承信号进行连续小波变换,得到蕴含故障信息的时间-小波能量谱序列,再通过计算其样本熵值,量化提取信号中的故障特征信息。轴承不同故障模式下的时间-小波能量谱样本熵区分明显,以此作为特征向量输入支持向量机,实现了对轴承不同故障模式的智能识别。之后计算轴承全寿命周期实验数据的时间-小波能量谱样本熵,按照时间顺序排列,绘制出了轴承运行状态曲线,通过判断曲线走势可有效诊断出轴承早期故障的发生。实验结果表明,时间-小波能量谱样本熵可以有效用于滚动轴承智能诊断的研究。     

基于多维振动特征的滚动轴承故障诊断方法

单独提取滚动轴承振动信号的时域或频域特征进行故障诊断,是目前常用的轴承诊断方法,诊断精度有待提高。以时域和频域的多维振动特征参量为指标,以历史诊断正确率作为特征参量权值,分别对滚动轴承的无故障和经常出现的滚珠故障、内环故障和外环故障工况进行特征提取和故障识别。多维时频域振动特征是单维特征依据诊断精度权重的集合。运用BP神经网络分别对信号的时域特征(TDF)、IMF能量矩(IEM)、小波包能量矩(WPEM),以及多维时频域特征进行智能故障判别。实验验证用多维时频域振动特征参量综合诊断的方法进行滚动轴承故障诊断,比单维特征的诊断结果精确且效率较高,该方法可以在滚动轴承故障诊断领域展开应用。