基于提升模式非抽样小波变换的滚动轴承故障诊断方法研究

首先分析了传统离散小波变换在分解信号时的缺陷,根据非抽样小波变换的原理,提出一种基于提升模式的非抽样小波变换方法。然后根据滚动轴承故障特征,提出了基于提升模式非抽样小波变换的滚动轴承故障诊断方法,在ADBE-56-N4型交流电机上实测了6305型滚动轴承正常情况、外圈故障、内圈故障时的振动信号,结果表明,与传统离散小波相比,该方法能更加有效地诊断滚动轴承的故障     

基于改进的自适应无参经验小波变换的滚动轴承故障诊断

为实现滚动轴承故障周期冲击特征的有效提取,解决经验小波变换Fourier谱分割存在的问题,提出了一种改进的自适应无参经验小波变换方法。首先,利用自适应无参经验小波变换对信号Fourier谱进行自适应分割;然后,利用峭度指标对谱边界进行合并,并重构滤波器组对信号进行分解;最后,选取峭度值最大的分量进行包络解调提取故障特征。仿真和工程应用验证了所提方法的有效性,分析结果表明该方法的性能优于集合经验模态分解和经典经验小波变换。     

小波分析在自行火炮变速箱滚动轴承故障诊断中的应用

本文对某自行火炮变速箱中的滚动轴承进行故障诊断研究.分析了自行火炮变速箱中滚动轴承典型故障信号特征,介绍了小波分析工程应用的基本理论,最后研究了在发动机振动、齿轮啮合振动等大背景噪声下,利用小波分析方法有效地提取滚动轴承故障特征的方法,并通过实验结果分析验证了方法的可行性.     

基于小波系数包络谱的滚动轴承故障诊断

提出了基于正交小波变换诊断滚动轴承故障的新方法，利用正交小波基将滚动轴承故障振动信号变换到时间－尺度域，对高频段尺度域的小波系数进行包络细化谱分析，不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式     

基于多源域自适应残差网络的滚动轴承故障诊断

针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题,提出了一种多源域自适应残差网络(multi-source domain adaptive residual network, MDARN),通过对齐来自多个源域的相关子域,从而提高模型在多工况下的故障诊断性能。首先,利用ResNeXt残差网络从源域和目标域充分提取可迁移特征;然后,引入局部最大平均差异(local maximum mean difference, LMMD)准则,以两个源域的子域为基础对齐目标域中相关子域,减少相关子域间和全局域间的分布差异;最后,利用美国凯斯西储大学轴承数据集和MFS机械综合故障试验台产生的真实的轴承振动数据集,对所提方法进行了试验验证。结果表明,该方法在多工况下的平均故障诊断精度高达99.76%。与现有代表性方法相比,所提方法具有更好的故障诊断效果。     

基于复合多尺度模糊熵的滚动轴承故障诊断方法

为了精确地提取滚动轴承振动信号非线性故障特征,针对多尺度熵（Multi-scale entropy,MSE）中粗粒化方式的不足,提出一种新的衡量时间序列自相似性和复杂性的方法--复合多尺度模糊熵（Composite multi-scale Fuzzy entropy,CMFE）。与MSE相比,CMFE综合同一尺度下多个粗粒化序列的信息,随着尺度因子的增加,熵值变化更加稳定,一致性更好。在此基础上,结合Fisher得分特征选择和支持向量机模式分类,提出了一种新的滚动轴承智能故障诊断方法。将提出的方法应用于滚动轴承实验数据分析,通过对比结果验证了所提出方法的有效性和优越性。     

基于精细复合多尺度熵和自编码的滚动轴承故障诊断方法

多尺度熵是一种有效的衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足,引入了精细复合多尺度熵（Refined composite multiscale entropy, RCMSE）,在此基础上,结合自编码降维和遗传优化支持向量机,提出了一种滚动轴承故障智能诊断新方法。首先,利用RCMSE提取滚动轴承振动信号多尺度复杂度特征,构建初始特征向量矩阵;其次,采用自编码对初始高维特征数据降维,得到低维流形特征;然后,将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后,将所提方法应用于实验数据分析,并与多尺度熵方法进行对比,结果表明,论文方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且识别率高于所对比方法。     

尺度-小波能量谱在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的特点，构造脉冲响应小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：尺度-小波能量谱比较法。通过对具有外圈缺陷、内圈缺陷的滚动轴承振动信号的分析，说明尺度-小波能量谱比较法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

基于应力波与小波分析的低速滚动轴承故障诊断研究

低速滚动轴承结构和工作条件特殊,故障机理复杂,诊断难度较大。本文根据低速滚动轴承的故障特性,提出了利用应力波与小波分析进行低速滚动轴承故障诊断的方法。首先以低速运转Cooper轴承系列01B 65 EX滚子轴承为例,建立了完好和故障低速滚动轴承的三维整体接触计算模型,运用有限元软件对其进行了全面、精确的分析,包括内圈故障模型的最大应力和应变及各元件之间的接触应力,将发生故障前后的内圈外表面应力应变分布规律以及接触应力分布规律进行比较。然后在应力波实验的基础上,选择db6母小波、尺度j=4对实验所采集的数据信号进行小波变换,从而诊断出了轴承故障,说明应力波和小波分析是诊断低速轴承故障的有效方法。     

自适应多小波基函数构造与机械故障诊断应用研究

设备在运行中萌生的故障(即早期故障),特征信息微弱且往往被机械设备运行过程的强噪声所淹没,给故障诊断与预示带来困难,已成为国内外此领域研究的热点和难点。文章深入研究了机械故障动态信号与基函数的内积变换原理;提出了若干自适应多小波基函数构造方法;改进了几种多小波邻域区间和局部阈值降噪方法。利用典型的工程案例分析和阐述了重油催化裂化装置、连铸连轧机组、空分机、电力机车和船载卫星通信地球站传动系统在运行状态下,微弱动态信号的特征增强和复合故障特征提取的工程应用实效。     

基于灰色关联度和Teager能量算子的轴承早期故障诊断

滚动轴承的健康状态直接影响着旋转设备的运行状态,为了及早获取滚动轴承状态异常的信息,提出了基于灰色关联度和Teager能量算子(TEO)的滚动轴承早期故障的诊断方法。对滚动轴承运转的振动数据进行等长度分组,计算各组数据与轴承状态良好的第一组数据之间的灰色关联度,根据灰色关联度值的变化趋势,确定早期故障发生的时间段,截取该时段的振动数据进行Teager能量包络谱分析,确定故障类型。分别采用峭度系数、波形因子和均方根等指标与TEO相结合的方法对相同的轴承振动信号进行了分析和故障诊断,将各种方法的早期故障诊断结果与所提方法比较,结果验证了"灰色关联度+TEO"方法在轴承早期故障诊断中的可行性及有效性。     

应用改进的LMD和小波降噪于滚动轴承故障诊断

局域均值分解(Local Mean Decomposition, LMD)是近年出现的一种新的时频分析方法,在故障诊断领域的应用日益广泛。本文提出一种改进的局域均值分解和小波降噪结合的降噪方法,并与小波变换的信号降噪方法、基于集合经验模态分解（Ensemble empirical mode decomposition, EEMD）和小波的信号降噪方法进行对比,利用信噪比和均方根误差比较降噪效果。再通过滚动轴承内外圈故障信号的频谱分析实例,证明该方法很好地去除混杂在故障信号中的噪声,准确地判断出滚动轴承发生故障的类型及部位。     

基于EEMD和共振解调的滚动轴承自适应故障诊断

本文为解决滚动轴承原始振动信号信噪比低以及带通滤波器参数选择依赖于人的主观经验等影响传统共振解调技术有效应用的问题,提出了EEMD自适应消噪和自适应共振解调相结合的方法。论文首先利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法进行自适应重构以突出故障特征信号,然后利用谱峭度自动确定带通滤波器的中心频率和带宽,最后对滤波后的信号进行能量算子解调谱分析。数字仿真信号和滚动轴承实验证明了该方法的有效性。     

基于SPWVD识别的滚动轴承智能检测方法

为了探索基于振动谱图像模式识别的智能故障检测方法,以滚动轴承为对象,提出了用SPWVD分布来表征振动信号时频分布特性,利用SPWVD图像的GLCM及其特征统计量来提取故障特征。改进了人工免疫网络分类算法,通过人工免疫网络分类方法对故障样本特征统计量进行学习,形成记忆抗体集,进而对检验抗原进行故障分类识别,在故障特征信号干扰严重的情况下,取得了较BP神经网络好的检测准确率,验证了人工免疫网络良好的适应性。随着智能故障检测技术发展,基于图像模式识别的故障检测方法必将得到推广和应用,本文验证其在轴承故障监测中的可行性。     

基于EMD的滚动轴承故障灰色诊断方法

经验模态分解（EMD）方法可使滚动轴承振动信号根据自身尺度自适应地分解为若干个内禀模态分量（IMF）,滚动轴承发生故障会导致振动能量在各IMF分量上的分布发生变化,结合灰色关联模型建立IMF能量分布与轴承状态之间的对应关系,可实现轴承的状态识别。为改善传统灰关联分析在模式识别方面的缺陷,基于斜率相似的原理构造了能反映曲线形状信息的相似关联度模型,结合传统的接近关联度模型建立了能同时反映曲线位置与形状特性的灰色综合关联度诊断模型。算例结果表明,该方法能准确有效地实现滚动轴承的故障诊断。     

滚动轴承非接触式声学故障诊断方法研究及应用

基于非接触式声学诊断方法,以滚动轴承人工缺陷为对象进行试验测试,通过统计参量分析,对滚动轴承有无故障进行判断,并对轴承声学信号传播特性进行了研究。分别用与特征频率密切相关的触发数,小波包分析与BP神经网络结合两种分析方法对故障模式进行识别,提高了轴承故障诊断的有效性和准确性。     

可能性理论在滚动轴承复合故障诊断中的应用

鉴于测得滚动轴承复合异常信号的复杂性,利用Gabor小波的时频局部化特性从中提取出单一异常特征成分,再以模糊数学可能性理论为基础得到特征参数的隶属度函数,最后运用逐次诊断理论,对滚动轴承进行复合故障诊断研究。实验表明,该方法能准确地诊断出变工况条件下滚动轴承的复合故障,实用性强。     

基于卷积胶囊网络的滚动轴承故障诊断研究

针对目前许多基于深度学习的滚动轴承故障诊断方法在检测含有噪声的信号以及载荷变化时,其诊断性能会有所下降的问题。提出一种基于卷积胶囊网络的故障诊断方法;该模型使用两个卷积层的卷积网络直接对原始的一维时域信号进行特征提取,并将其送入胶囊网络,输出每种故障类型的诊断结果;为了验证该模型的诊断性能,选用凯斯西储大学轴承数据库来进行验证,并与常见的卷积神经网络和深度神经网络进行对比。试验结果表明,相比于其它深度学习方法,该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的诊断性能。     

基于CEEMDAN和1.5维谱的滚动轴承早期故障诊断方法

针对滚动轴承早期故障难以识别的问题,提出一种自适应白噪声的完备总体经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和1.5维谱相结合的滚动轴承故障诊断方法。该方法首先运用CEEMDAN对振动信号进行分解,得到一系列IMF分量,然后根据峭度准则以及相关系数准则提取一个包含主要故障信息的IMF分量,最后对提取的IMF分量进行1.5维谱分析,通过分析谱图中突出成分以确定轴承故障类型。利用仿真信号和工程实验数据对该方法进行分析验证,所得出结果的谱图均比用单一方法得出的谱图清晰,充分证明该方法在滚动轴承早期故障诊断中的优势。