动态调整灰色关联分析方法在轴承早期退化在线识别中的应用

针对现有数据驱动型方法在滚动轴承早期退化识别中存在敏感度低、误警率高的问题,提出一种面向瞬态机械装备健康监测的动态调整灰色关联分析(DAGIA)方法。该方法首先采用希尔伯特(Hilbert)变换对滚动轴承振动数据进行幅度解调得到包络信号。为了削弱分辨系数取值的影响以凸显关联度值的区分程度,将可以表征轴承退化信息强弱的特征噪声能量比(FNER)指标引入传统灰色关联分析(TGIA)中动态调整分辨系数。然后,提取轴承运行初期的第一组数据作为参考数据,计算其余数据和参考数据的动态灰色关联度并构建轴承性能衰退指标。最后,根据正常样本并结合切比雪夫不等式设置控制线瞬态识别滚动轴承早期退化起始位置。利用IMS和XJTU-SY数据库完成对轴承早期退化瞬态识别,结果表明,所提方法可以瞬态识别轴承早期退化位置,误报警逼近于0,兼具敏感性和鲁棒性,有利于设备维护人员更好掌握滚动轴承的运行状态。     

基于DDAE-GRA的滚动轴承早期故障诊断

提出一种将深度降噪自编码(DDAE)和灰色关联度分析(GRA)相结合的滚动轴承早期故障诊断方法。使用DDAE提取轴承振动信号的特征,以正常样本特征作为灰色关联分析的参考序列,计算滚动轴承全寿命周期数据样本特征与正常样本特征的关联程度作为轴承性能退化的指标,绘制性能退化曲线并使用3σ阈值判定轴承早期失效时间。对辛辛那提大学轴承数据集外圈故障轴承的分析结果表明：DDAE-GRA模型识别的轴承故障发生在第533个样本,该样本包络谱中出现了明显的外圈故障特征频率及其倍频;DDAE-GRA模型比小波包分解-GRA,DDAE-FCM,DDAE-SVDD具备更好的鲁棒性,更适用于滚动轴承早期故障监测。     

基于ELM-AE的轴承性能退化和早期故障检测

为准确描述轴承性能退化过程并实现轴承早期故障检测，提出了一种基于极限学习机自编码器的无监督构建健康指标的方法。利用轴承健康状态的样本训练极限学习机自编码器并实现在线样本数据的重构，由于轴承偏离健康状态时会导致输入与输出的重构误差增大，因此将重构数据与原始数据之间的损失作为反映轴承性能退化的健康指标。试验结果表明，该指标能够有效反映轴承性能退化趋势，对轴承早期故障比较敏感，利用滑动t检验可以准确获得健康指标首次发生突变的时间，可用于轴承的智能化早期故障预警。     

结合马氏距离与隶属度函数的轴承性能退化研究

提出一种融合自回归模型(auto-regressive model,AR)、马氏距离(mahalanobis distance,MD)与隶属度函数的滚动轴承的性能退化评估方法。利用自回归模型对轴承全寿命周期数据进行特征提取,将提取的自回归系数及残差作为特征参数。经过归一化处理后,分别用无故障样本与故障样本特征输入马氏距离得到两个距离指标,再输入隶属度函数中,得到轴承退化指标(degradation index,DI),描绘性能退化曲线,并对信号进行包络谱分析,验证初始故障位置。利用美国辛辛那提大学的轴承全寿命周期数据验证该方法的有效性和实用性。     

基于RBF神经网络与模糊评价的滚动轴承退化状态定量评估

滚动轴承作为旋转机械最容易发生故障的零部件之一,对其进行性能状态评估,及早判断出故障情况并做出相应的维修策略具有重要的意义。首先对轴承早期无故障样本和同类轴承的失效样本的振动信号提取小波包奇异谱熵作为初始特征。其次,用早期无故障样本特征和同类轴承失效样本特征建立径向基(RBF)神经网络模型,将已提取特征的轴承全寿命数据特征通过迭代的方式输入到RBF模型中。为了得到有界限的性能退化评估指标,提高性能评估准确率,将RBF模型输出结果输入到隶属度函数,计算隶属度,以此作为性能退化评估指标。使用箱线图设置自适应阈值,确定轴承早期失效阈值。最后用包络解调对结果进行验证。实验表明,提出的性能退化评估方法早期故障检测能力强,得到的结论与轴承加速疲劳试验得到的结果保持一致。     

一种融合型异常检测算法及其在轴承性能退化评估中的应用

用自回归模型(autoregressive model,AR)提取早期无故障滚动轴承的振动样本以及同型号同位置失效滚动轴承(简称同类轴承)的失效样本,用早期无故障样本和失效样本建立模糊C均值(Fuzzy C Mean,FCM)和隐马尔科夫(Hidden Markov Model,HMM)性能退化评估模型,然后得到正常指标和同类轴承的失效指标,把这两个指标作为输入特征建立FCM模型,待测数据通过保持模型不变连续迭代的方式输入模型中,描绘出性能退化曲线。该方法集中了空间统计距离和相似度方法两者的优势且不需要轴承失效数据。实验表明所提出的评估方法得到的评估指标能实时监测滚动轴承的性能退化趋势并且可以及时发现早期故障。     

小波包能谱构建综合评估函数的轴承退化评估

针对传统的时域、频域特征不能明显地表征滚动轴承的早期退化特征的问题,提出了一种小波包能量谱结合主成分分析构建综合评估函数的滚动轴承早期性能退化评估方法。该方法以采集到的轴承正常工作时的振动信号作为训练样本,对样本进行小波包能量谱计算,得到高维特征向量;再利用主成分分析方法降维并建立综合评估函数对早期性能退化区的数据进行判断。运用实测的滚动轴承全寿命实验数据进行检验,结果表明该方法能实现对滚动轴承早期性能退化的评估。     

随机性能退化下极小样本高速列车轴承的可靠性评估

针对高速列车轴承性能退化过程缓慢、退化轨迹较为平稳的特点,本文采用随机性能退化过程建模,将Wiener过程的未知参数看作随机变量,根据轴承相对温度性能退化幅度的大小以及工程经验确定出合理的退化轨迹模型,最终得出轴承寿命的可靠度函数。通过对某型号轴承试验数据的实例分析,表明文中的方法能够在极小样本无失效数据情况下充分利用性能退化数据,完成产品寿命的可靠性评估。     

基于LMD和灰色相似关联度的轴承故障诊断方法

针对轴承故障振动信号的非线性、非平稳特点及振动信号的强噪声背景,提出一种基于局部均值分解(Local Mean Decomposition,LMD)和灰色相似关联度的轴承故障诊断方法。首先对信号进行局部均值分解,得到若干个PF(Product function,简称PF)分量,再选取包含主要故障信息的PF分量进一步分析,并提取特征向量,然后通过计算标准故障模式与待识别样本的灰色相似关联度对轴承故障类型进行判断。利用该方法对试验轴承故障振动信号进行了分析,结果表明,基于LMD和灰色相似关联度方法能够有效地识别轴承运行状态,实现对轴承的故障诊断。     

基于CHMM的轴承性能退化程度综合评估方法研究

针对传统轴承性能退化评估方法中退化阶段划分的主观性以及连续隐马尔科夫模型在建立评估模型时只考虑正常状态下的样本所引起评估结果的不足,提出了一种基于连续隐马尔科夫模型的轴承性能退化程度综合评估方法。该方法首先通过支持向量聚类方法将轴承全寿命周期划分成若干个退化阶段,然后从每个阶段中提取一定比例的样本用于训练,采用轴承正常阶段的训练样本建立轴承的连续隐马尔科夫模型,将不同退化阶段的训练样本输入模型,分别得到不同阶段样本相对于所建立正常阶段的连续隐马尔科夫模型的输出概率,据此得到样本隶属于不同退化阶段的隶属函数分布。最后,采用集对分析的方法建立轴承测试样本相对于正常阶段样本的联系度,并最终得到轴承性能退化程度的综合得分。通过利用轴承全寿命数据,并与传统连续隐马尔科夫模型及传统无量纲指标进行了对比,验证了所提出的综合评估方法在轴承性能退化评估方面的有效性。     

基于融合FCM-SVDD模型的滚动轴承退化状态识别

针对滚动轴承在长期工作过程中性能会出现不同程度的退化,提出一种融合FCM-SVDD模型的方法。利用自回归模型(AR)对轴承全寿命周期数据进行特征提取,再将提取的特征参数经过归一化处理后,用正常和失效样本特征建立模糊C均值(FCM)模型,用正常样本的特征数据建立支持向量数据描述(SVDD)模型,再将测试样本特征输入建立的FCM和SVDD模型得到的两个退化指标,将得到的退化指标作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线。描绘性能退化曲线,并对信号进行包络谱分析,验证初始故障位置。结果表明该方法对轴承初始故障点更加敏感,退化趋势更加明显,利用美国辛辛那提大学智能维护中心的轴承全寿命周期数据验证该方法的有效性和优越性。     

机械故障的可拓诊断方法研究

提出了一种结合灰色关联分析的可拓故障诊断方法。该方法利用可拓学原理建立故障诊断基元模型,对监测数据进行形式化描述,并根据指标数据序列生成原理对数据规格化处理,弥补了可拓故障诊断就小样本,贫信息等问题无法解决的不足。通过增大诊断信息空间,获得了更精确的关联度分析。为提高故障诊断准确率,对关联度计算公式加以适当修正。将该方法应用于滚动轴承故障诊断中,验证了有效性。     

基于FNER性能退化指标及IDRSN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法.首先,将全寿命轴承信号进行希尔伯特(Hilbert)变换和快速傅里叶变换(Fast fourier transform,FFT)得到包络谱,根据故障特征频率及其倍频计算包络谱幅值的特征能量比(Feature energy ratio,FER);然后,根据自相关函数(Autocorrelation function,AF)得到包络信号的总能量,将故障特征能量和噪声能量的比值作为轴承性能退化指标,之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化;随后,使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型.为了提高抗干扰能力,将DropBlock层引入第一个大型卷积内核,在全局平均池化之前引入Dropout技术.最后,运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性,结果表明所提方法能更准确地实现滚动轴承寿命状态识别.     

基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别

滚动轴承在长期的工作过程中其性能会出现不同程度的退化,如果能对滚动轴承的退化状态进行识别就可以做好维护措施。用自回归模型(Autoregressive model, AR)对滚动轴承全寿命周期的振动信号提取其系数及残差,用正常样本和失效样本特征建立模糊C均值模型(Fuzzy C Mean, FCM),用轴承正常样本的特征数据建立隐马尔科夫(Hidden Markov model, HMM)模型,将轴承的测试样本信号输入建立的FCM和HMM模型得到的两个退化指标,再将其作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线,结果表明该方法集中了空间统计距离模型和概率统计模型两者的优势,最后用IEEE PHM2012实验数据进行验证,表明所述方法与滚动轴承性能退化趋势保持一致并且可以提早发现早期故障。     

基于粒子群算法和变分模态分解的起重机滚动轴承性能退化评估

针对港口起重机滚动轴承早期故障特征不易提取、识别精度不够高的缺点,提出一种以粒子群（PSO）优化变分模态分解（VMD）,结合支持向量数据描述（SVDD）的滚动轴承性能退化评估模型。通过PSO优化VMD中的参数,更好地提取滚动轴承的特征。利用SVDD模型中球心距离度量性能退化程度,并借助隶属度函数量化轴承性能退化,进而实现对轴承性能退化程度的精确评估。应用滚动轴承的全寿命试验数据验证该模型,并与传统的时域特征指标比较,本方法对轴承性能退化评估具有更强的敏感性,验证该方法的优越性。     

基于时频图像融合的轴承性能退化特征提取

基于数据驱动的轴承寿命预测方法主要采用轴承信号的滤波系数、时域和频域的统计量等作为反映轴承性能退化的特征量。进一步研究发现,这些指标要么对轴承早期缺陷敏感度不够,要么缺乏寿命预测所需要的上升或下降的性能退化特征。由于轴承在制造和工作过程中存在较多随机因素,即使同一种轴承在同一种工况下的工作寿命也会存在差异。因此,寻找一种稳定有效的特征值来刻画轴承的退化状态是十分重要的。提出基于时频图像融合的轴承性能退化特征提取方法。采用平滑伪威格纳-维尔分布(Smoothed pseudo Wigner-Ville distribution,SPWVD)表征轴承振动信号的时频能量分布特征,并利用灰度共生矩阵的统计特征作为轴承的性能退化特征;同时利用图像融合方法将同一轴不同方向的振动信号加以综合利用,消除一些随机因素对性能退化特征的影响。采用2012 PHM Competition的轴承数据集,验证了该方法在轴承的性能退化特征提取中的有效性。     

基于非线性降维和模糊均值聚类的滚动轴承的性能退化在线评估方法

为了得到滚动轴承的性能退化趋势,并且实现对滚动轴承退化指标的在线实时监测,提出基于局部线性嵌入(LLE)和模糊C均值(FCM)的滚动轴承性能退化在线评估方法,首先用自回归(AR)模型和小波包分解提取早期无故障信号和同型号同位置失效滚动轴承(简称同类轴承)的失效信号的特征,用LLE方法对总特征非线性降维,然后建立模糊C均值,将待测信号特征提取后通过保持模型不变连续迭代的方式输入到FCM模型中,用待测样本到正常和失效聚类中心的欧式距离作为性能退化指标,最后用滚动轴承外圈故障实例和希尔伯特包络解调验证提出方法的有效性和实用性。     

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。     

基于时序AR与灰色GM模型的滚动轴承故障诊断研究

针对滚动轴承故障诊断方法存在的问题, 将自回归(AR)模型和灰色理论应用到滚动轴承的故障诊断中,建立了灰色时序组合模型.该方法先把轴承振动信号分解成不同特征时间尺度的固有模态函数,从而把非平稳信号处理转化为平稳信号处理问题,然后选取表征轴承故障的IMF分量,通过灰色GM(1,1)模型模拟数据宏观变化趋势,并用时序AR(p)模型建立了残差序列以模拟数据微观变化趋势.通过对实测数据进行检验与比较,证明该组合模型具有很好的分析效果.     

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。