基于单层SAE与SVM的滚动轴承性能退化评估

滚动轴承是旋转机械设备的常用关键部件之一,其性能退化评估是机械设备状态监测与视情维修的基础和依据。为及时准确掌握滚动轴承性能退化趋势与程度,提出基于单层稀疏自编码学习和支持向量机的滚动轴承性能退化评估方法,研究能够深度挖掘数据各种潜在隐含信息的稀疏自编码学习方法以及基于时频域特征和稀疏自编码学习的轴承状态特征的提取方法;提出基于支持向量机分类算法改进的轴承性能退化评估算法,并应用到滚动轴承的性能退化评估模型中,确定了模型参数寻优的方法;最后将所获得的轴承状态特征输入到轴承性能退化评估模型,得到了轴承性能退化趋势图,并通过滚动轴承实例验证了所提出方法的实用性。     

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AFCM-SVM的滚动轴承退化状态评估与剩余寿命预测

针对支持向量机模型状态数需要人为设定的不足,提出了一种基于自适应模糊C均值-支持向量机(AFCM-SVM)的滚动轴承退化状态评估与剩余寿命预测方法。该算法采用相对特征建立敏感特征数据集,利用聚类评价指标构造自适应函数,实现了模型聚类结果的自动更新,获得了轴承运行过程中的最佳状态数;基于AFCM-SVM模型与各个运行状态的一一对应关系,确定轴承在不同退化状态下的时间间隔,实现轴承的健康等级评估与寿命预测。根据美国NSFI/UCR智能维护中心提供的滚动轴承全寿命数据对所提算法进行了验证。结果表明,不受轴承个体差异的影响,AFCM-SVM能有效实现自动聚类,识别结果符合轴承退化演变规律;与分层狄利克雷(HDP)和K-means算法相比,AFCM-SVM具有更快的运算速度和更准确的辨识能力。     

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。     

基于多特征融合与GA-BP模型的滚动轴承故障识别

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。     

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。     

基于相关性原理的多传感器滚动轴承故障信号重构方法

为了弥补单传感器采集信号不全的缺陷，采用多传感器阵列非接触采集滚动轴承故障的周期信号，剔除多余信息，利用相关性算法将不完整的信号片段重新构成一个完整的滚动轴承故障周期性声信号。给出了一个多传感器波形数据重构的计算实例，验证了该方法的有效性。     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.     

基于PCA-CNN的滚动轴承故障诊断方法研究

滚动轴承工作环境恶劣、复杂,在采集信号的过程中,不可避免地会有噪声夹杂其中。为实现快速特征提取的同时提高识别率,提出一种基于主成分分析(PCA)降噪的卷积神经网络(CNN)故障诊断方法。该方法引入PCA对信号进行降噪预处理,再将处理后的信号转换成二维特征图像,输入CNN模型以提取转换后的图像特征,进行故障模式识别与分类。利用凯斯西储大学滚动轴承数据集进行故障诊断试验,结果表明:所提方法具有可行性与有效性,且满足鲁棒性和实时性的应用要求。     

基于ARIMA 和SVR 的滚动轴承状态预测方法研究

滚动轴承作为多种机械设备的关键零件,其运行状态的好坏往往影响着整机设备的运行状况,因此高精度的滚动轴承状态预测对整机设备的运行状态有着重要的意义。针对滚动轴承单一预测模型精度较差的问题,构建一种基于时间序列ARIMA和支持向量回归机SVR理论的组合预测模型。首先针对单一模型进行预测,应用误差平方和倒数法得到两种预测模型的权重结果,最终将该组合模型的预测结果分别与单一预测模型作比对分析。结果表明：该组合预测模型的预测误差均小于单一模型,具有较高的可靠性。     

基于改进ACCUGRAM的滚动轴承故障诊断方法

滚动轴承故障信号的特征容易被强噪声淹没,难以提取信号中的冲击成分。针对这一问题,提出多点最优调整的最小熵解卷积（MOMEDA）优化的ACCUGRAM算法,并应用于滚动轴承故障诊断。首先利用MED算法对原始信号进行滤波预处理,突显信号中的有效循环冲击成分,提高MOMEDA优化ACCUGRAM算法中频带选择的分类精度,选择最佳的带宽和中心频率,最后对获得包含信息量最大的频带进行故障特征频率的提取和轴承的故障诊断。仿真和试验数据分析结果表明：该方法能够有效提取信号中的周期性冲击特征,具有一定的实用性。     

基于PCA和径向基函数神经网络的滚动轴承故障模式的识别

根据径向基函数神经网络的优点，在对滚动轴承振动信号故障特征分析的基础上，提出一种应用主矢量分析(PCA)将高维相关变量转化为低维独立变量，利用其特征值建立径向基函数神经网络的方法，并用该网络对滚动轴承的故障模式进行了识别。理论和试验证明了该方法的有效性，且具有较高的识别精度。