基于DHMM的机械密封端面膜厚识别技术的研究

维持机械密封端面间一定的膜厚是保证机械密封正常运行的关键,利用声发射技术监测得到的反映机械密封膜厚状态的信号往往信噪比很低,对其工作状态进行分类存在一定的困难。提出一种基于声发射信号利用总体经验模式分解(EEMD)和离散隐马尔可夫模型(DHMM)识别的机械密封端面膜厚识别技术。首先对声发射信号进行分帧处理,运用EEMD方法对信号进行时频分析,对分解出的子频分量分别提取时域和频域特征,再由核主成分分析法对特征参数进行优化降维,利用简化后的特征参数矢量训练各个机械密封端面膜厚状态的DHMM,最后由训练好的DHMM实现机械密封端面膜厚状态的识别,从而实现机械密封端面接触状态的监测。试验研究表明:该方法能够快速有效地判断出膜厚状态,并且需要的训练样本少,训练速度快,对实现机械密封端面接触状态的智能化在线监测具有重要的意义。     

机械密封的健康评估研究

机械密封端面膜厚状态是表征机械密封健康状况的重要参数,通过评估密封膜厚状态可以有效的延长机械密封的使用寿命,降低机械工作过程中的故障率。为了评估流体动压型机械密封开启过程的健康状态,该研究通过在实验平台上利用声发射和电涡流传感器对其信号进行实时监测并采集信号。将实验采集的信号进行处理,利用KPCA方法降维优化抽取的特征参数,采用DHMM算法建立模型进行训练并测试。结果表明,DHMM模型能够对机械密封的健康状态进行有效的评估。     

基于连续高斯密度混合HMM的滚动轴承故障诊断研究

滚动轴承在直升机的传动系统中占有十分重要的地位，对其进行快速有效的状态监测与故障诊断具有重大意义。由故障诊断和隐马尔可夫模型(Hidden Markov Model，HMM)本质上的相通性，利用连续高斯密度混合隐马尔可夫模型分析滚动轴承的振动信号，先以基于短时傅里叶变换的倒谱系数为特征训练模型，再利用模型进行状态监测和故障诊断，实验结果表明该方法能利用少量样本进行训练和有效诊断，且具有训练时间短、诊断速度快的优点。     

基于神经网络的滚动轴承故障监测

通过对滚动轴承振动信号的分析处理，提取反映轴承运行状态的特征参数组成特征向量，利用神经网络的函数逼近和记忆能力，实现滚动轴承运行状态的故障监测。     

基于时变自回归参数模型的滚动轴承智能故障诊断

轴承运行时的振动信号是典型的非线性非平稳时间序列,对其建立时变自回归参数模型,可以较好地表征轴承振动的非平稳特征。在对轴承振动信号时变自回归模型的时变参数进行大量实验分析研究的基础上,提取均值作为表征轴承运行状态的特征参数,并输入支持向量机分类器进行故障识别与分类,实现滚动轴承的智能故障诊断。实验结果表明,该故障诊断方法可以有效准确地识别滚动轴承的运行状态。     

基于多尺度熵和神经网络的滚动轴承故障诊断

滚动轴承是机械设备中最常用的零部件之一,其运行状态直接影响整机性能。文章针对滚动轴承故障振动信号具有跨尺度复杂性的特点,提出了一种新的基于多尺度熵(Multiscale entropy,简称MSE)和BP神经网络的滚动轴承故障智能诊断模型。该模型首先利用MSE方法对滚动轴承不同健康状态下的振动信号进行特征提取,再将其作为BP神经网络的输入,实现网络训练,最后利用神经网络自动识别故障类型及故障程度。实验结果表明,该方法能有效地实现滚动轴承故障类型及程度的智能诊断,并具有对网络初始值不敏感及较低的误报率和漏报率等优点。     

滚动轴承故障时序可拓智能诊断方法

针对滚动轴承故障智能诊断问题,提出一种基于时序模型和可拓学的滚动轴承故障诊断方法.利用时序模型中的AR(Autoregressive Model)模型对轴承振动信号进行特征提取,以AR模型的自回归参数和残差方差作为特征向量,再利用Fisher比对AR模型的特征向量进行选择,将最终所形成的特征向量作为可拓物元模型的特征参数,以此特征参数来建立轴承不同健康状态下物元模型的经典域和所有状态下物元模型的节域.将待测数据输入到已建立的滚动轴承不同健康状态对应的物元模型之中,通过关联函数来计算待测数据与滚动轴承不同健康状态的综合关联度,实现滚动轴承状态的可拓学定性与定量诊断.进行了滚动轴承包含不同故障类型和故障程度的十种不同健康状态识别实验,每次随机选取训练样本,100次测试的平均识别率达98.86％,较基于AR模型和BP神经网络的传统诊断方法效果要好.     

基于小波灰度矩向量与连续马尔可夫模型的轴承故障诊断

根据机械设备故障诊断本质特征和连续马尔可夫模型（cHMM）所具有的较强的时序模式分类能力的特点,提出了一种基于小波灰度矩向量与CHMM的滚动轴承故障诊断方法。从轴承振动信号提取一种量纲一的小波灰度矩向量作为特征参数,并训练几种故障状态的CHMM,再运用训练好的CHMM进行轴承的状态监测与故障模式的识别。诊断与对比实验表明该方法在故障样本少的情况下仍能进行准确训练与诊断。     

动态状态空间模型及粒子滤波方法在滚动轴承寿命预测中的应用研究

针对滚动轴承物理模型难以准确建立,全寿命失效样本难以获取的问题,提出一种基于动态状态空间模型的滚动轴承寿命预测方法。该方法通过改进公式,构建模型参数定时更新的动态状态空间模型。将已知的滚动轴承运行状态数据输入动态状态空间模型,应用粒子滤波算法估计滚动轴承运行状态,实现滚动轴承寿命预测。运用滚动轴承全寿命实验数据对所提出方法进行验证,并将预测结果与Gamma模型预测结果对比分析,结果表明该方法优于Gamma模型预测方法,具有较强的工程实用性。     

流形模糊C均值方法及其在滚动轴承性能退化评估中的应用

滚动轴承全寿命周期性能退化监测是设备主动维修技术重要的组成部分,对损伤状态进行有效评估可以实现设备接近零停机运行,发挥机器的最大生产力。为有效描绘滚动轴承性能退化趋势,提出一种基于流形学习的模糊C均值(Fuzzy C-means algorithm,FCM)方法。首先提取监测信号的时域、频域特征及小波包时频域特征组成高维特征集,然后按确定的本征维数提取高维特征集的低维流形特征,进而建立基于局部线性嵌入流行学习(Locally linear embedding,LLE)的模糊C均值模型评估轴承当前运行状态。通过IMS滚动轴承全寿命试验,验证了该方法能够有效描绘滚动轴承性能退化阶段,为预知维修提供了重要信息。     

基于LCD和GMM的滚动轴承寿命预测方法

滚动轴承寿命预测的关键在于振动信号特征提取和模式识别,提出基于局部特征尺度分解(LCD)和高斯混合模型(GMM)的滚动轴承寿命预测方法。首先在对滚动轴承全寿命数据进行LCD分解后,提取各个分量的特征值并加入时间因子重构特征向量;然后利用GMM对全寿命数据的特征向量进行聚类,将全寿命数据在时域上分成若干个退化状态;最后将不同退化状态下的数据作为训练样本对神经网络进行训练,并采用训练好的神经网络对滚动轴承寿命进行预测。实验数据的分析结果表明,将LCD、GMM和径向基神经网络相结合可以有效地实现滚动轴承寿命预测。     

离散隐马尔可夫模型在颤振预报中的应用研究

对于切削过程中颤振孕育的动态模式,提出了基于离散隐马尔可夫模型(DHMM)的模式识别理论预报颤振的新方法。首先对切削过程的振动信号进行FFT特征提取,然后利用自组织特征映射(SOM)神经网络对提取的特征矢量进行冗余信息压缩与预分类编码;再根据多变量DHMM建模理论,对切削颤振孕育的各种过程模式建立相应的DHMM,把矢量编码作为观测序列引入到DHMM中进行机器学习、训练;最后将观测序列引入到DHMM中进行颤振孕育的概率识别尝试。实验表明,该方法对颤振孕育过程识别是十分有效的,颤振预报正确率达93.3%。     

基于长短期记忆网络的滚动轴承寿命预测方法

为解决滚动轴承剩余寿命预测问题,提出一种基于长短期记忆网络(long short-term memory,简称LSTM)的剩余寿命预测方法。首先,从时域、频域及时频域特征中提取特征参数;其次,定义三个评价指标定量评估表征轴承退化过程的特征参数效果,筛选得到退化特征参数集,搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络;最后,用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明,该方法可以准确预测滚动轴承剩余寿命,并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机(support vector regression machine,简称SVRM)的预测效果对比,验证了提出方法的有效性。     

基于LabVIEW的滚动轴承故障诊断系统

为实现对滚动轴承工作状态的监测,提出了一种基于LabVIEW的滚动轴承故障诊断系统的设计方案,给出了滚动轴承振动信号的采集与故障诊断方法,在LabVIEW的诊断平台下进行信号处理与分析,然后结合滚动轴承故障诊断理论与信号分析结果来对该轴承运行状态进行判断。最后利用旋转机械振动及故障模拟试验平台对该系统进行验证,验证结果体现了该系统具有可行性和适用性。     

基于小波包-连续HMM的故障诊断模型及应用

结合小波包分析方法适于处理非平稳信号的特点及隐马尔可夫模型(HMM)的训练样本少与可解释的优点，提出基于小波包-连续HMM故障诊断方法。通过小波包分析方法从滚动轴承振动信号中提取特征，训练连续高斯密度混合HMM，再利用训练好的HMM进行滚动轴承状态监测和故障诊断，实验结果表明该方法能利用少量样本进行训练和有效诊断。     

变工况下滚动轴承静电多传感器融合监测方法研究

滚动轴承是轨道车辆中最关键的部件之一,其质量好坏直接影响轨道车辆的运行.针对滚动轴承的故障监测,基于多传感器信息融合技术,采用多个静电传感器对滚动轴承进行同时监测,通过时域算法和复杂度度量算法对特征参数进行提取,并提出MWLOF检测算法.根据滚动轴承静电综合监测平台在不同工况下对滚动轴承进行监测试验,结果表明:考虑工况...     

基于EMD和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于EMD和Hilbert包络谱的滚动轴承故障诊断新方法.通过在滚动轴承实验台上提取振动信号,用EMD对数据进行分解得振动信号的固有模态函数分量(IMF分量),然后对IMF作Hilbert包络并进行谱分析.结果表明,该方法能够准确地识别和诊断出滚动轴承的运行状态和故障类型,非常适合滚动轴承故障精确诊断,具有很高的工程实用价值.     

基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别

滚动轴承退化状态识别的关键在于特征提取和模式识别,局部特征尺度分解(local characteristic-scale decomposition,LCD)方法是一种新的时频分析方法,非常适用于滚动轴承振动信号的特征提取。基于变量预测模型的模式识别(Variable predictive model based class discriminate,VPMCD)方法是一种利用特征值之间的相互关系进行分类的模式识别方法,可以用于滚动轴承的退化状态识别。将LCD、VPMCD和高斯混合模型(Gaussain mixture model,GMM)相结合,提出了基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别方法,首先对滚动轴承全寿命数据进行LCD分解并提取分量的特征值,然后利用GMM对全寿命数据的特征值进行聚类,将全寿命数据在时域上分成若干个退化状态,最后建立VPMCD模型并对测试数据进行分类,从而实现滚动轴承的退化状态识别。实验数据的分析结果表明,基于LCD的GMM-VPMCD混合模型可以有效实现滚动轴承的退化状态识别。     

基于时域参数趋势分析的滚动轴承故障诊断

滚动轴承是各种旋转机械中应用最广泛的部件,定期对滚动轴承进行监测和故障诊断具有重大意义.利用时域参数对早期故障的敏感性,结合趋势分析技术,对滚动轴承进行定期检测,得到其峭度、峰值因子、有效值趋势曲线.根据趋势曲线反映的各特征参数变化规律来观测轴承状态的变化趋势或现实状况,并采用LabVIEW图形化编程语言实现了时域参数趋势曲线的直观显示.利用时域参数趋势分析来进行滚动轴承的故障检测与诊断,简单实用,效果明显.     

轴承故障识别与诊断方法的研究分析

滚动轴承故障的识别和监测是基于滚动轴承运行状态的监测信息,借助各种检测仪器和先进的检测技术,判断轴承是否存在故障,判定轴承故障的程度及其发展趋势。文中分别对各种滚动轴承故障的识别方法和滚动轴承故障的诊断方法及其特点进行分析研究。