基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别研究

由于强噪声和非线性、非平稳性等特性,导致滚动轴承振动信号存在难以提取和其工况状态难以辨识的问题,对此提出了一种基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别模型。首先,使用了谱分割小波变换,将采集到的滚动轴承振动信号分解为若干本征模态分量;然后,选择了较能反映轴承运行工况特征的模态分量,并加以了重构;最后,利用了不同小波函数设计了不同的多隐层小波极限学习神经网络,并加入了卷积机制,将重构后的信号输入不同的深层网络,进行了特征学习与故障识别,利用集成方法得到了最后的滚动轴承故障识别结果。研究结果表明:提出方法的平均故障识别准确率达到99.42%,标准差仅为0.11;该方法自动特征提取能力和工况识别能力优于深度稀疏自动编码器、深度降噪自动编码器和深度信念网络等深度学习方法,适用于滚动轴承故障的自动识别。     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

基于伪Wigner-Ville分布与小波变换的滚动轴承故障诊断

针对滚动轴承故障信号非平稳、非高斯的特点,提出了基于伪Wigner-Ville分布及小波变换的滚动轴承内、外圈故障诊断方法。在研究滚动轴承故障诊断机理,伪Wigner-Ville分布及小波变换理论的基础上,利用这两种方法对内圈、外圈故障的滚动轴承的振动信号进行了分析,提取了故障特征频率。结果表明,小波变换能够比伪Wigner-Ville分布更有效地提取轴承故障的特征信息,提高轴承故障诊断率。     

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。     

基于小波变换与奇异值分解的滚动轴承故障诊断

滚动轴承是各类机械设备中承担关键支撑作用的零部件,在恶劣工作环境下极易损坏。论文首先通过小波变换的方法对滚动轴承振动信号进行降噪处理,然后应用奇异值分解方法提取信号特征,最后从信号Hilbert谱中识别故障特征频率,从而诊断出滚动轴承故障位置。试验结果表明,论文所用方法能够准确判断滚动轴承技术状态。     

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ICA和小波变换的滚动轴承故障诊断方法研究

提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。     

基于小波包和AR谱分析的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性,提出了一种基于小波包和AR谱分析的滚动轴承故障诊断方法.该方法对系统输出信号进行小波包分解,然后进行重构,再对重构信号进行AR谱分析,从而提取出故障特征频率.试验结果表明,这种方法能有效地提取滚动轴承的故障特征,诊断其故障.     

小波变换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,构造余弦调频小波,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,提出了一种滚动轴承故障诊断方法—小波能量谱比较法。通过对有缺陷的滚动轴承振动信号的分析,检测到轴承故障的存在,且能有效地识别出滚动轴承的故障模式。     

基于矩不变量与SVM的滚动轴承故障诊断

针对滚动轴承故障识别问题,提出了基于矩不变量和支持向量机的智能诊断方法。该方法采用连续小波变换对滚动轴承信号进行分析,然后提取出小波灰度图的7个矩不变量作为故障特征,最后将特征向量输入到支持向量机中,以实现对不同的滚动轴承故障类型的识别。试验结果表明,该方法能有效地提取故障特征,同时可获得较好的分类效果。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

基于果蝇优化算法-小波支持向量数据描述的滚动轴承性能退化评估

针对支持向量数据描述(SVDD)算法对滚动轴承早期故障不敏感、参数选择困难的问题,提出了一种基于果蝇优化算法-小波支持向量数据描述(FOA-WSVDD)的滚动轴承性能退化评估方法。提取滚动轴承早期无故障振动信号的时域、时频域特征向量,并基于单调性进行特征选择;针对现有核函数对滚动轴承早期故障不敏感问题,将小波核函数引入到SVDD算法中;针对SVDD算法参数选择困难的问题,以支持向量个数与总样本数的比值作为适应度函数,采用改进的FOA算法对其核参数进行优化,建立FOA-WSVDD评估模型;最后,将轴承后期振动数据的特征向量输入到该WSVDD模型中,得到轴承的性能退化指标。试验结果表明,采用所提方法能准确地对轴承早期故障作出预警,与基于高斯核函数的SVDD算法相比,提前了17h。     

基于SPWVD时频图纹理特征的滚动轴承故障诊断

针对如何提高滚动轴承故障诊断准确率的问题,提出一种基于平滑伪维格纳-威利分布(smooth and pseudo Wigner-Ville distribution,简称SPWVD)时频图纹理特征的故障诊断方法,对滚动轴承不同故障类型及故障程度进行识别。首先,采用SPWVD时频分析方法处理轴承故障振动信号,并获取时频图,从中提取选择表征能力优秀的特征参量作为故障特征;其次,将故障特征作为输入,结合支持向量机(support vectors machine,简称SVM)建立滚动轴承故障诊断模型;最后,采用轴承故障数据,比较SPWVD时频图纹理特征、维格纳-威利分布(Wigner-Ville distribution,简称WVD)时频图纹理特征和小波尺度谱图纹理特征3种故障特征的模式识别能力及准确率。分析结果表明,SPWVD时频图纹理故障特征分类效果最佳,敏感性最强,具有较高的故障诊断精度。     

基于威布尔与模糊C均值的滚动轴承故障识别

提出一种基于威布尔分布与模糊C均值(fuzzy C-means,FCM)聚类算法相结合的滚动轴承故障识别方法。针对不同故障类型的威布尔分布模型的尺度参数、形态参数和威布尔负对数能够较好地刻画轴承运行的状态特性,提取其尺度、形态和威布尔负对数似然函数等3个参数构建表征轴承运行状态的特征向量。模糊C均值根据样本相对于聚类中心的隶属度确定样本的亲疏程度而实现分类。实验中,首先采用组合形态滤波器对滚动轴承原始信号进行降噪,然后建立威布尔分布模型,将提取的特征向量输入模糊C均值分类器进行故障诊断和识别。结果表明,该方法对机械故障诊断识别准确率高,可以作为滚动轴承故障识别的重要手段。     

基于自组织神经网络的滚动轴承状态评估方法

针对单一特征在进行故障诊断时准确率不高的问题,提出了一种基于自组织神经网络（SOM）的滚动轴承状态评估方法。该方法首先从原始振动信号中提取出多特征数据,运用主成分分析（PCA）方法对多特征数据进行预处理,采用SOM进行网络训练,构建多特征数据的融合模型,输出竞争神经元层的权值矢量;然后,计算每一个样本到竞争神经元层权值矢量的最小欧氏距离,输出最终的融合指标;最后,通过比较待检测样本与正常样本的最小欧氏距离的差异来判断轴承的状态。将该方法应用于滚动轴承状态评估,试验结果表明：融合指标比单一指标对早期故障更加敏感、更加稳健;同时,融合指标能够定量地描述轴承状态的劣化过程。     

Application of higher order spectral features and support vector machines for bearing faults classification

Condition monitoring and fault diagnosis of rolling element bearings timely and accurately are very important to ensure the reliability of rotating machinery. This paper presents a novel pattern classification approach for bearings diagnostics, which combines the higher order spectra analysis features and support vector machine classifier. The use of non-linear features motivated by the higher order spectra has been reported to be a promising approach to analyze the non-linear and non-Gaussian characteristics of the mechanical vibration signals. The vibration bi-spectrum (third order spectrum) patterns are extracted as the feature vectors presenting different bearing faults. The extracted bi-spectrum features are subjected to principal component analysis for dimensionality reduction. These principal components were fed to support vector machine to distinguish four kinds of bearing faults covering different levels of severity for each fault type, which were measured in the experimental test bench running under different working conditions. In order to find the optimal parameters for the multi-class support vector machine model, a grid-search method in combination with 10-fold cross-validation has been used. Based on the correct classification of bearing patterns in the test set, in each fold the performance measures are computed. The average of these performance measures is computed to report the overall performance of the support vector machine classifier. In addition, in fault detection problems, the performance of a detection algorithm usually depends on the trade-off between robustness and sensitivity. The sensitivity and robustness of the proposed method are explored by running a series of experiments. A receiver operating characteristic (ROC) curve made the results more convincing. The results indicated that the proposed method can reliably identify different fault patterns of rolling element bearings based on vibration signals.     

滚动轴承缺陷振动建模及冲击特征提取

以SKF6205-2RS深沟球轴承为研究对象,运用Hertzian接触理论、弹性力学及滚动轴承几何学,建立了可预测滚动轴承不同损伤位置和程度的状态模型,并通过Runge-Kutta数值方法获取了系统响应。计算结果表明:径向负荷作用下,模型对内圈、外圈、钢球局部损伤所激励的频率及其谐波成分可进行良好预测;阐述不同状态下轴承振动规律,论证连续Haar小波变换周期性;利用连续Haar小波变换在时间-尺度域上所特有的周期性结合自相关消噪,提出了一种滚动轴承早期损伤特征提取的自相关连续Haar小波方法。诊断实例证明,这种方法能够有效消除信号的噪声,提取信号的弱冲击成分。     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。