基于参数自适应特征模态分解的滚动轴承故障诊断方法

针对强背景噪声下轴承故障信息难以有效提取的问题,提出一种基于参数自适应特征模态分解的滚动轴承故障诊断方法。首先,为了克服原始特征模态分解(FMD)需要依赖人为经验设定关键参数而不具有自适应性的缺点,提出基于平方包络谱特征能量比(FER-SES)的网格搜索方法自动地确定FMD的模态个数n和滤波器长度L;随后,采用参数优化的FMD将原轴承振动信号划分为n个模态分量,并选取具有最大FER-SES的模态分量为敏感模态分量;最后,通过计算敏感模态分量的平方包络谱来提取故障特征频率,从而判别轴承故障类型。通过仿真信号和工程案例分析验证了提出方法的有效性。与变分模态分解(VMD)和谱峭度方法(SK)相比,提出方法具有更好的故障特征提取性能。     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于经验模态分解包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征和传统包络分析法的缺陷,提出了一种基于经验模态分解包络谱的滚动轴承故障诊断方法.该方法首先采用经验模态分解将原始信号分解为若干个平稳的固有模态函数之和,然后求出包含主要故障信息的若干个固有模态函数分量的包络谱,再定义包络谱中故障特征频率处的幅值比为特征幅值比,最后以特征幅值比作为故障特征向量,输入神经网络,以神经网络的输出来判断滚动轴承的工作状态和故障类型.对滚动轴承内圈、外圈故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能有效地提取滚动轴承的故障特征.     

基于VMD-VGG的滚动轴承故障诊断

针对滚动轴承信号重构误差大,信号来源复杂等问题,提出了变分模态分解(VMD)算法与VGG神经网络相结合的滚动轴承故障诊断方法。首先,为避免VMD在工程应用中人为参数设置不合理导致的模态混叠等现象,提出应用中心频率计算分离系数,选取最佳模态个数的策略;然后,对VMD分解后各模态分量的能量熵与频率峰值等进行数值分析,剔除能量熵较小的信号,并将各模态信号依据频率峰值进行重构,得到故障特征向量;最后,构建VGG故障诊断模型,实现滚动轴承的故障分类。轴承振动信号与电动机定子电流信号对所提方法的验证结果表明,VMD-VGG方法可以有效分解这2种故障信号,而且具有较高的故障识别精度。     

基于辛几何迁移矩阵机的滚动轴承故障诊断方法

针对工程实践中获得的滚动轴承故障数据较少且包含大量噪声的问题,提出一种辛几何迁移矩阵机(SGTMM)的滚动轴承故障诊断方法。首先,利用辛几何相似变换重构辛几何系数矩阵,在保护信息结构的同时完成信号的降噪,有效提取信号的特征信息;然后,在SGTMM的目标函数中添加域权重差异项,通过最小化该项寻找不同域之间的相似特征以平衡模型间的差异,使得预测模型具有小样本分析能力;最后,利用交替方向乘子法求解模型,解决目标函数凸优化问题。2种滚动轴承故障试验结果表明,SGTMM利用辛几何相似变换和域权重差异项不仅可以保护原始信号结构化信息不变,而且能够充分利用小样本的状态信息,与支持向量机、支持矩阵机和鲁棒支持矩阵机相比,SGTMM具有优越的分类性能,平均识别率提高5%～10%。     

集成经验模态分解与相关峭度在滚动轴承故障诊断中的应用

船舶设备中的滚动轴承其振动信号成分复杂,故障信号易被背景噪声湮没,常规诊断方法难以有效提取轴承故障信息。为了从复杂的轴承振动信号中提取弱故障信号,将集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)应用到滚动轴承故障诊断中,并引入了相关峭度的定义,提出了一种新的滚动轴承故障特征提取方法。该方法首先利用EEMD将轴承振动信号分解为若干个分量信号,然后根据相关峭度最大原则选取分量信号,提取出滚动轴承的弱故障信号。通过对轴承内圈故障的仿真和实验研究验证了该方法的有效性。     

基于双树复小波与完全集合经验模态分解的滚动轴承故障诊断方法

针对滚动轴承振动信号故障特征不易提取的问题,提出了基于双树复小波与完全集合经验模态分解的滚动轴承故障诊断方法。首先,对信号进行双树复小波分解与重构,达到初步降噪的目的;然后,通过完全集合经验模态分解与互相关系数分析获得典型模态分量并进行信号重构;最后,分析重构信号的时、频域信息并与轴承故障特征频率对比完成轴承故障类型识别。仿真及试验结果表明,与小波降噪和集合经验模态分解相比,该方法有更好的降噪效果,能更准确地判断滚动轴承的故障状态。     

基于自适应变分模态分解和调制信号双谱的滚动轴承故障诊断方法

针对滚动轴承振动信号的强非线性和非平稳特征,提出了一种基于自适应变分模态分解和调制信号双谱分析(AVMD-MSB)的故障诊断方法来提取滚动轴承故障特征。首先,利用AVMD自适应地选择VMD参数K和α并将振动信号分解为一系列本征模态函数(IMF),减少了基于经验或信号先验知识对VMD参数选择不当而造成的误差;然后,依据相关峭度指数对所有IMF分量进行加权重构,避免意外遗漏包含重要故障信息的IMF分量;最后,应用MSB进一步抑制信号中的残余噪声和干扰成分,以增强周期性故障脉冲,准确提取轴承故障特征。2组不同类型轴承的试验结果表明,AVMD-MSB的特征频率增强系数远高于AVMD-Envelope和常规VMD-MSB,在滚动轴承故障诊断方面具有更高的灵敏度和更强的鲁棒性。     

基于振动信号的滚动轴承故障诊断方法综述

目前,国内外学者在滚动轴承故障诊断研究中大多数采用基于振动信号的数据驱动方法。在此对基于振动信号的信号分解、浅层机器学习和深度学习3类滚动轴承故障诊断方法总体技术路线进行了总结分析,指出了具体方法的实现路径和应用现状,尤其对深度学习方法应用中存在的2个问题(跨域和小样本)进行分析并总结了当前的解决思路。最后,对3类方法今后在工业应用中的趋势进行了展望。     

基于局域均值分解的滚动轴承故障诊断方法

论述了一种新的自适应时频分析方法--局域均值分解的基本原理和算法,并将该方法引入到滚动轴承故障诊断中,提出了一种基于局域均值分解的滚动轴承故障诊断方法, 该方法先将一个故障信号自适应地分解成若干个具有一定物理意义的生产函数分量,然后求出每个PF分量的瞬时幅值和瞬时频率,从而获得故障信号的特征信息.试验结果验证了该方法的有效性.     

基于MED和变分模态分解的滚动轴承早期故障诊断方法

针对滚动轴承早期微弱故障特征容易淹没于环境噪声中而难以提取的问题,提出了最小熵解卷积(MED)降噪和变分模态分解(VMD)相结合的滚动轴承早期故障诊断方法。首先以峭度最大为准则利用MED对轴承振动信号进行降噪处理,然后采用新的高精度多分量信号分解方法——VMD将降噪信号分解为若干个分量,最后通过分析最大峭度分量包络谱中故障频率成分诊断轴承故障。轴承实验分析结果表明了该方法的有效性。     

基于全矢局部均值分解的滚动轴承故障诊断方法

局部均值分解可将多分量信号自适应地分解为多个单分量信号,全矢谱技术可以解决单通道信号不完整的问题。运用信息融合技术,将两者结合形成全矢局部均值分解方法,将局部均值分解得到的PF分量进行全矢谱融合分析,这样既可将信号彻底分解,又可保证其完整性,并通过滚动轴承试验验证了该方法的可行性。     

基于近似熵和集成经验模态分解的转子多故障诊断方法研究

为了提高汽轮机转子多故障分类的准确率,提出一种集成经验模态分解(EEMD)、近似熵和支持向量机相结合的多状态分类方法。首先进行EEMD得到各频段的单分量信号;再求出熵值作为故障信号的特征向量输入到基于二叉树的支持向量机中实现多状态分类。对比近似熵、模糊熵和能量法这三种方法,实验结果验证了利用EEMD和熵理论相结合的方法量化故障信号非线性特征的正确性。同时也表明在欧氏空间中,近似熵值组成的特征向量彼此间的距离最远,分类效果也最好。     

基于变分模态分解与随机森林的滚动轴承故障诊断CSCD

滚动轴承是常见机械设备的重要部件,其是否能正常运作,直接关联到设备生产的安全性以及效率的高低,因此,能够及时、准确地识别滚动轴承工作状态,显得至关重要。提出了一种阈值法确定变分模态分解中分解个数,该方法使得分解个数的确定更科学合理,同时提出基于变分模态分解和随机森林相结合的滚动轴承故障诊断方法,该方法利用变分模态分解方法将滚动轴承振动信号分解成若干个固有模态函数,轴承发生不同故障时,不同的固有模态函数内的统计特征和频带能量会发生变化,从不同的固有模态函数中计算出其对应的均值、变异系数与能量熵等特征值,最后分别采用支持向量机和随机森林算法实现判断滚动轴承信号类型。结果表明,利用变分模态分解和随机森林相结合算法具有更高的识别精度,可以有效识别滚动轴承的故障类型。     

基于统计学方法的滚动轴承故障诊断

提出了滚动轴承故障诊断的统计学方法应用,基于概率分布原理,该方法能够解决滚动轴承局部损伤模式识别的问题。实验室模拟几种滚动轴承工作状态,利用DLF-4电荷电压滤波积分放大器和INV306U智能信号采集分析仪分别采集相应的数据,然后进行相关处理与分析,分析结果以图标的形式给出。结果表明:基于概率分布原理的方法在轴承故障信号的处理中能够消除噪声影响,提取故障特征信息,从而识别出滚动轴承的实际工作状态,取得了较好的效果。     

基于EMD分解与小波包的滚动轴承故障诊断

针对滚动轴承故障信号分析中的问题,提出了将Hilbert-Huang变换和小波包分析相结合的滚动轴承故障诊断新方法,实测信号分析表明,该方法能有效地对滚动轴承故障信号进行检测.     

基于FB-LSTM ResNet的滚动轴承故障诊断方法

提出一种基于FB-LSTM ResNet的滚动轴承故障诊断方法,并将故障诊断过程划分为3个部分。原始振动信号获取与处理模块利用振动信号窗平移方法完成重叠信号的分割,并利用Inception网络高效完成一维信号预处理;振动信号特征提取模块采用FB-LSTM ResNet网络,可以有效处理层深所引起的退化情况;故障诊断分类模块选用全局池化层代替全连接层,能够削减网络参量,从而有效规避过拟合情况。采用CWRU与QPZZ-II故障轴承样本集的试验结果表明,FB-LSTM ResNet方法在原始样本和加噪样本中均获得了最高的故障诊断准确率,并可在较少的迭代过程中达到较优的准确率与损失值,其效果优于单独的FB-LSTM, ResNet方法以及其他融合方法。     

快速自适应经验模态分解方法及轴承故障诊断

提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似。采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小。该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题。在滚动轴承故障诊断的应用中,效果表现良好。     

第一章 滚动轴承的基本结构与类型

滚动轴承是广泛应用于各类机械中的基础元件。滚动轴承一般由内圈、外圈、滚动体和保持架组成。内圈通常装配在轴上，并与轴一起旋转。外圈通常装在轴承座内或机械部件壳体中起支承作用。但是在某些应用场合，也有外圈旋转，内圈固定或者内、外圈都旋转的。滚动体在内圈和外圈之间滚动。