基于AR能量比-FCM的滚动轴承退化状态定量评估

在长期的使用过程中,滚动轴承的使用性能会发生不同程度的退化,如果能对工作中滚动轴承的退化程度定量评估,则可以避免事故的发生。使用自回归模型对滚动轴承全寿命周期的振动信号进行滤波,计算滤波后剩余分量能量与滤波后信号能量的比值,即AR能量比,以此作为特征向量。采用min-max标准化方法处理得到的特征向量,输入到建立好的模糊C均值(FCM)模型中,得到性能退化指标DI值,并描绘出性能退化曲线。对信号进行包络谱分析,验证评估结果的正确性。     

基于广义S变换与隐马尔可夫的滚动轴承性能评估

考虑到滚动轴承故障信号的非平稳性、强噪声性，导致状态评估结果不确定性高，提出一种基于广义S变换特征提取和变分贝叶斯-隐马尔可夫模型的滚动轴承性能评估方法。针对滚动轴承监测获得的振动信号，对其进行广义S变换后，分别进行时间、频率、时频的信息熵特征值运算，提取健康指数作为性能评估的特征向量，并使用变分贝叶斯-隐马尔可夫模型建立实时性能评估模型，用健康样本训练模型，以模型输出对数似然概率值作为性能退化的评估指标。利用数学模型仿真和辛辛那提大学提供的轴承数据验证特征指标和评估模型的可行性，结果表明广义S变换熵值优于常规的特征指标，在轴承早期微弱故障时灵敏度高，性能评估模型仅需要正常数据就可以准确表征轴承性能退化趋势，为设备的维修和故障检测提供了参考。     

基于KECA和BO-SVDD的滚动轴承早期故障检测

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析（KECA）和贝叶斯优化（BO）算法优化支持向量数据描述（SVDD）的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测,结果表明：KECA能够有效地提取特征信息,减少冗余信息的干扰;该模型整体上能够较早检测出故障的发生,并且有较好的鲁棒性和泛化能力。     

基于熵特征与HMM的滚动轴承退化状态识别

为准确识别滚动轴承的性能退化状态,提出一种基于熵特征与隐马尔科夫模型(Hidden Markov Model,HMM)的轴承退化状态识别方法。该方法提取轴承振动信号的多尺度模糊熵和VMD能谱熵作为退化特征向量,利用全寿命数据样本的退化特征向量训练不同退化状态下的HMM模型,最后通过建立的HMM模型库并根据最大对数似然概率原则识别轴承退化状态。其中,针对人为划分轴承退化阶段的不足,采用GG聚类方法实现全寿命数据在时域上的退化阶段划分。实测数据分析结果表明,所提方法能够达到90%以上的识别率,优于常用退化指标下的识别效果。     

基于多目标和声搜索优化SVM的伺服电机滚动轴承性能退化评估

针对传统的支持向量机(SVM)算法参数往往根据经验设定,难以建立最优模型以准确地检测出伺服电机滚动轴承早期故障的问题,研究一种基于多目标和声搜索优化SVM的伺服电机滚动轴承性能退化评估方法。首先提取轴承振动信号的时域、时频域特征作为原始特征集,采用堆叠稀疏自编码器对原始特征集进行更深层次的特征提取,得到最终的特征向量。之后以轴承退化曲线的趋势性和单调性作为适应度函数,采用多目标和声搜索算法对SVM的参数进行优化,建立最优评估模型,得到轴承的性能退化指标。实验结果表明:该方法能准确地检测出轴承的早期故障,相比于传统的轴承SVM性能退化评估方法具备更好的趋势性和单调性。     

基于小波包能量与模糊C均值聚类的轴承退化状态预测

滚动轴承在发生严重故障前会经历不同的退化状态,针对时域和频域故障特征不能表征早期故障的问题,提出了小波包能量结合高斯混合模型的轴承性能退化指标提取方法。该方法以小波包能量比例值向量作为原始特征,引入高斯混合模型,以计算出的小波包能量比例值对数似然概率作为性能退化指标,通过实验验证该方法能发现早期故障,还能很好的跟踪轴承退化趋势。在此基础上,由于退化状态难以界定识别,利用模糊C均值聚类对性能退化指标模糊聚类,从而识别轴承性能退化状态,通过滚动轴承退化实验验证了该方法的有效性。     

基于变分模态分解与支持向量数据描述结合的液压泵性能退化评估方法

针对液压泵性能退化过程定量评估,提出了变分模态分解(VMD)和支持向量数据描述(SVDD)相结合的综合评估方法。利用VMD方法将信号分解成一系列不同频率成分的BIMF分量,并用SVDD方法对异常点进行剔除;使用SVDD方法对正常状态样本进行训练得到超球体模型,并计算各样本到球心的距离;再将各样本到球心的距离转化为隶属度,作为性能退化指标。通过对轴向柱塞泵滑靴磨损和松靴故障实验数据分析,验证了该性能退化评估方法的有效性。     

基于一种简单时域方法的滚动轴承性能退化评估

滚动轴承是一种最常用的机械设备,其性能退化评估是实现CBM(视情维修)的基础。但要找到一种具有可靠性好、效率高和故障预警早的滚动轴承监测系统是一个重大的挑战。提出了一种简单新颖的轴承性能退化评估时域方法,并将其运用于在滚动轴承故障模拟试验和全寿命测试实验,两种实验结果都表明:所提出方法能够清晰地描述故障程度变化趋势并能检测早期故障。     

基于时间编码信号处理与识别的滚动轴承性能退化程度评估

滚动轴承是最常见的机械设备之一,对其进行性能退化评估是实现视情维修的基础。近年来滚动轴承监测技术已经取得了一定的成果,但找到一个能够对轴承故障进行早期预警且具有可信度高、高效率的监测系统是一大挑战。提出了一种基于时间编码信号处理与识别(TESPAR)的设备性能退化评估方法,并将其运用于滚动轴承不同故障程度实验与全寿命实验。结果表明:TESPAR分析不仅能准确分辨不同故障程度,且对轴承故障的变化具有敏感性。     

基于多特征提取和LSSVM的轴承故障诊断

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。     

基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断

滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明：该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。     

滚动轴承VMD能量熵与PNN故障模式识别研究

针对研究振动信号分析识别轴承状态的方法,在实践应用中受到各种噪声的影响很难达到准确识别预期目标的效果,提出了基于VMD能量熵特征与PNN神经网络结合的分类滚动轴承故障状态的方法。首先,通过运用变分模态分解(VMD)的信号预处理方法,实现振动信号的VMD降噪,同时利用集合经验模态分解(EEMD)对仿真信号进行对比两种方法的分解效果;然后,通过VMD能量熵和时域特征组成特征向量。最后,特征向量导入概率神经网络模型中准确识别滚动轴承故障状态。结果表明,该方法能将非平稳振动信号分解有效降噪且抑制模态混叠现象,同时能有效识别故障状态,对于在线监测机床健康状态领域的发展有重大的意义。     

滚动轴承疲劳失效故障的数字孪生虚拟实体建模

针对目前基于数据驱动和机制建模的滚动轴承故障诊断方法的不足,提出一种针对疲劳故障的滚动轴承数字孪生虚拟实体模型。基于L-P疲劳失效理论,对滚动轴承全寿命周期的振动响应进行建模。在轴承五自由度非线性滚动振动模型的基础上,考虑滚动体-滚道冲击力的影响,对滚动轴承内、外圈局部缺陷模型进行改进,并提出一种滚动轴承次表面裂纹早期故障模型,从而建立了疲劳失效下的滚动轴承全寿命数字孪生虚拟实体模型。该模型可表征轴承疲劳故障的产生、发展到严重的全过程。对不同类型的轴承疲劳故障虚拟实体数据进行了分析,验证了所建模型的正确性和有效性。     

基于VMD瞬时能量与GA- RBF的滚动轴承故障诊断

针对滚动轴承早期故障的有效识别,提出了一种基于VMD瞬时能量与GA优化的RBF神经网络的滚动轴承故障诊断方法,可以有效对滚动故障做出诊断。首先,VMD将滚动轴承振动信号进行分解成合适数目的本证模态函数;其次,计算本证模态函数分量的瞬时能量并组成特征向量;最后,将特征向量输入到GA优化的RBF神经网络实现轴承故障识别。通过滚动轴承故障诊断实验对该方法进行验证。结果表明,该方法识别滚动轴承故障的准确率为96.43%,较默认参数的RBF神经网络和EEMD瞬时能量与GA-RBF神经网络有明显的提高,证明了所提方法的可行性。     

基于CEEMDAN-MPE的滚动轴承故障识别

针对滚动轴承振动信号的非平稳特性,实际工况下难以采集大量的样本信号分析故障状态,提出基于自适应噪声的完备经验模态分解(CEEMDAN)与多尺度排列熵(MPE)相融合的故障识别方法。首先,对振动信号进行小波阈值去噪,利用CEEMDAN算法对去噪后的非平稳振动信号自适应分解,对分解后的若干个固有模式分量(IMF)计算互相关系数;然后,重构信号,计算其MPE并组成故障特征向量;最后,把特征向量输入到支持向量机(SVM)中,以识别滚动轴承的故障类型。通过对仿真信号以及实际实验数据的对比验证分析,有效证明了该方法的识别准确率比基于EMDMPE的故障识别方法提高5%,结果表明:基于CEEMDAN-MPE的滚动轴承SVM故障识别方法可以更准确地提取轴承的特征,并识别轴承的故障状态,有更强的实用性和有效性。     

基于GA随机共振的模糊SVDD轴承性能退化评估

提出了一种基于遗传算法随机共振与模糊支持向量数据描述相结合的轴承性能退化评估方法。首先结合遗传算法,应用稳定约束条件下的自适应随机共振方法对轴承故障微弱信号进行提取,在保证收敛性的条件下得到所需的特征集;然后从得到的特征集中选取多个特征作为模糊支持向量数据描述的输入,利用训练样本得到超球体模型,进一步提出一个轴承退化综合性能评估指标。最后利用不同方法对实验数据进行评估对比验证了该方法能够更早的检测出轴承的性能退化时刻,并且能够更加形象的描述轴承性能退化过程。     

一种新的滚动轴承性能退化指标S-时间熵的提取方法

S变换兼具了小波变换和快速傅立叶变换各自的优势,具有良好的时频聚集性。归一化信息熵能够定量地度量信号分布的复杂程度。滚动轴承振动信号经S变换后,利用归一化信息熵定量地度量每个时刻下频率分布均匀程度,提出一种S-时间熵特征指标来反映滚动轴承的退化过程。针对滚动轴承内圈、轴承外圈、轴承滚动体的3种故障,分别对其3种不同损伤程度的数学模型进行仿真数据分析,提取各自S-时间熵指标进行对比,验证该方法的可行性。通过对滚动轴承加速疲劳寿命周期内的数据进行分析,与工程中常用的时域指标有效值进行对比,结果表明该方法的有效性。     

基于VMD和排列熵的滚动轴承故障诊断研究

针对难以识别的轴承运行振动信号中的状态特征,提出变分模态分解(VMD)和基于峭度准则排列熵结合的滚动轴承故障诊断方法。VMD分解算法受限于分解参数,分析参数对结果的影响,并通过定一求二的方法确定VMD的参数,使用设置好参数的VMD算法分解4种滚动轴承状态内圈故障、外圈故障、滚动体故障以及正常状态下的振动信号,由于滚动轴承的特殊运行特性,分析滚动轴承故障运行机理,得出基于峭度准则的排列熵(PE)特征向量构建方法,并使用支持向量机来对4种状态进行分类,最终实现故障诊断。     

基于CF特征提取与MBA-SVDD的滚动轴承故障诊断

针对滚动轴承振动信号呈现出的非平稳特性以及早期故障特征难以提取的问题,提出一种基于变分模态分解与时域、频域值混合的特征提取方法,并利用改进蝙蝠算法(MBA)优化支持向量数据描述(SVDD)的参数,实现对滚动轴承的故障诊断.采用该方法对正常振动信号进行变分模态分解,得到模态函数;利用奇异值分解进一步提取模态函数的模态特征...