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。     

基于小波域对数正态模型的滚动轴承故障诊断

针对小波分析无法全面准确描述滚动轴承振动信号的非高斯问题,提出一种结合小波变换与对数正态分布模型的故障特征提取方法,以提取能准确反映滚动轴承运行状态的特征信息。首先,通过小波变换对滚动轴承运行时产生的非平稳、非高斯振动信号进行分解重构,得到不同尺度下的重构信号;然后对重构信号建立对数正态分布模型,提取模型的对数均值和对数标准差作为表征滚动轴承运行状态的统计特征;最后采用支持向量机分类器对提取的特征进行故障分类与识别。实验结果表明,该方法可以有效、准确地识别滚动轴承的运行状态。     

基于广义Weibull分布的滚动轴承故障特征提取方法

针对Weibull分布模型不能有效的提取具有非线性、非平稳性的滚动轴承振动信号信息,提出了基于广义Weibull分布模型参数的滚动轴承故障特征提取方法。首先,将采集的4种运行状态的滚动轴承振动信号进行Hilbert变换,求得能表征4种运行状态下振动信号幅值和频率变化的Hilbert包络信息;然后对Hilbert包络信息建立两参数Weibull分布模型,利用最小二乘法估计模型的尺度参数和形状参数;最后将估计出的尺度参数和形状参数作为表征滚动轴承运行状态的特征信息输入SVM分类器进行模式识别和故障诊断。通过Matlab仿真实验表明,提出的特征提取方法能快速、准确地提取滚动轴承的特征信息,对工程实践具有一定的指导意义。     

包络直方图与循环谱相结合的旋转轴承故障诊断方法

采用时域包络直方图与频域循环谱相结合的方法,对非平稳状态的轴承振动信号进行故障分析和识别。首先利用包络直方图获取振动信号的能量分布,实时、直观地评估轴承的运行状态;然后对异常状态的振动信号进行循环平稳分析,通过特征频率获取故障的具体部位。二者相结合的方法既可以快速直观地实现故障识别,又可以保证故障诊断的细致和准确。     

基于时变自回归模型与神经网络的滚动轴承故障智能诊断

使用时变自回归建模分析方法建立滚动轴承振动信号特征提取模型,基于基函数算法求解该模型的时变参数,并采用AIC准则确定模型阶数。在利用上述参数化模型对轴承振动信号进行特征提取的基础上,构建BP神经网络,有效地实现了轴承故障的智能诊断。     

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。     

基于增强层次注意熵和极限学习机的轴承故障检测方法

采用传统诊断模型进行轴承故障识别时，需要设置较多的超参数，且参数对模型性能的影响较大。针对这一问题，提出了一种基于增强层次注意熵(EHATE)和灰狼算法优化的极限学习机(GWO-ELM)的滚动轴承故障诊断模型，其中，EHATE方法用于提取滚动轴承振动信号的低频和高频特征信息，而GWO-ELM用于识别滚动轴承的故障类型。首先，基于分形理论和增强的层次分析，提出了一种能够同时测量非平稳时间序列在低频段和高频段复杂度的指标-增强层次注意熵(EHATE);随后，利用EHATE方法充分提取了滚动轴承振动信号的故障特征，实现了对不同样本故障状态进行精确表征的目的；最后，将故障特征输入至GWO-ELM分类器中，进行了滚动轴承故障类型和故障严重程度的识别，基于EHATE+GWO-ELM模型对3组滚动轴承故障数据集进行了实验，并将其与其他故障诊断方法进行了对比。研究结果表明：该故障诊断模型能够快速有效地识别滚动轴承的不同故障，3组数据集的识别准确率分别达到了100%、99.2%和96.92%,在识别准确率和特征提取效率方面优于对比方法；同时该故障诊断模型在特征提取阶段仅需要设置单个参数，且该参数对模型的...     

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EMD分解的聚类树状图轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆模糊性,提出了基于EMD和动态模糊聚类图的轴承故障诊断方法.运用EMD方法提取待诊断的轴承运行状态样本的能量特征指标,应用模糊聚类分析方法对特征参数进行聚类,并作出聚类树状图.结果表明,该方法不需要大量的样本进行学习,且能更直观、准确识别滚动轴承的运行状态.     

基于AR模型的滚动轴承故障诊断

滚动轴承是旋转机械的重要典型零部件，本文将自回归（AR）模型应用于滚动轴承故障诊断，对其时域信号建立自回归模型，计算出其AR功率谱，并和经典功率谱进行比较，进而判断轴承的工作状态。实验结果表明，该方法能简单有效地识别滚动轴承故障。     

稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用

针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获得参数;然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络,并结合反向传播算法对深度神经网络进行整体微调提高分类准确度;最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明:相比反向传播神经网络,提出的深度神经网络更能准确的识别滚动轴承故障类型。     

基于ARMA模型的滚动轴承故障诊断研究

针对滚动轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出基于ARMA模型的滚动轴承故障程度的诊断方法。首先,给出故障预测模型参数的标定和调整方法;最后,对基于ARMA模型的滚动轴承偏载条件下保持架断裂故障诊断进行了效果验证。滚动轴承实例诊断结果表明,该方法能准确地判断轴承的实际状态,是一种有效的故障识别方法。     

基于多特征参数和概率神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特性,提出了一种基于多特征参数和概率神经网络的滚动轴承故障诊断方法。首先利用经验模态分解（EMD）方法将采集到的滚动轴承原始振动信号分解为有限个固有模式函数（IMF）之和,然后提取表征故障信息的若干个IMF的能量、峭度和偏度作为概率神经网络的输入参数来进行故障分类。试验结果表明,该方法可以准确、有效地识别滚动轴承的工作状态和故障类型,是一种可行的滚动轴承故障诊断方法。     

关联维数和基于内禀模态函数的AR模型在滚动轴承故障诊断中的应用

提出一种基于内禀模态函数(Intrinsic Mode Function,IMF)、自回归(Auto-Regressive,AR)模型和关联维数的滚动轴承故障诊断方法.该方法首先采用经验模态分解(Empirical Mode Decomposition,EMD)将滚动轴承振动信号分解成若干个IMF,然后对包含主要故障信息的IMF分量建立AR模型,计算AR模型自回归参数的关联维数,并以关联维数作为特征向量输入神经网络分类器,最后通过网络的输出结果来识别轴承的工作状态和故障类型.对实验数据的分析结果表明,该方法能有效地应用于滚动轴承的故障诊断.     

基于双谱估计的轴承非线性振动信号模式识别

当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性耦合信号.本文对把高阶统计量用于滚动轴承非线性振动信号特征模式识别的方法进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法.利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位耦合信息的双谱特征图谱.实验研究表明,利用双谱图谱中不同的非线性耦合其故障特征模式不同的特点,可以快速地识别轴承的工作状态.     

基于自适应广义解调变换的滚动轴承时变非平稳故障特征提取

变转速运行工况下滚动轴承故障冲击幅值与故障冲击间隔表现为时变性。现有的研究主要集中于解决时变冲击间隔带来的频谱模糊问题,鲜有对时变冲击幅值问题的探究。低转速下,故障冲击幅值较小,容易淹没在噪声中,给轴承故障诊断带来困难。据此,提出了基于自适应广义解调变换(Generalized demodulation transform, GDT)的滚动轴承时变非平稳故障特征提取方法。定义了重置准则优化GDT,使其转换因子可调、重置因子最优,时变的故障相关的频率曲线自适应的聚集于最高点,而非起始点。从故障轴承振动信号的高频共振成分的包络时频谱中提取时频脊线,结合假设思想构建了广义特征指标(Generalized characteristic index, GCI)模型。基于自适应GDT实现故障相关时频脊线的平稳化重置,进而通过频谱量化表征与GCI模型无需转速测量完成轴承故障诊断。仿真和实测信号分析结果表明所提方法的有效性。     

基于形态学多重分形的风电机组轴承故障诊断

针对风电机组滚动轴承振动信号通常具有非线性和低信噪比的特点,提出一种基于形态学多重分形（morphological multi?fractal, 简称MMF）和改进的灰色关联分析（improved grey relational analysis, 简称IGRA）的滚动轴承故障诊断方法。首先,通过信号质量指数研究了轴承振动信号的多重分形特性;其次,利用形态学方法计算轴承各种状态广义维数与多重分形谱的参数,并分析了各个参数对轴承运行状态的反映能力,选取能够有效区分轴承状态的参数作为故障特征量;然后,引入离差最大化加权对经典的灰色关联模型进行改进,提升了信息的利用率以及模型的可靠性;最后,利用改进的灰色关联分析实现了滚动轴承的故障诊断。通过仿真分析和应用实例对该方法的有效性进行验证,结果表明该方法能准确识别轴承故障类型,较传统方法准确率更高,运算时间更短,适合解决实际工程问题。     

一种ELMD模糊熵和GK聚类的轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳、非线性特性,采用一种基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)模糊熵和GK(Gustafson-Kessell)聚类的滚动轴承故障诊断方法。首先通过对滚动轴承故障振动信号进行ELMD分解,得到若干的乘积函数(Product Function,PF)分量和一个残差。然后,通过PF分量和原始轴承故障信号的相关性分析,选取与原始信号相关性最大的PF分量,并求取PF分量的模糊熵值作为特征向量。最终,通过GK聚类对所得的特征向量进行识别分类。通过对滚动轴承正常状态、内圈故障、滚动体故障和外圈故障的轴承四种状态分析表明,基于ELMD模糊熵和GK聚类的方法能够准确有效的对轴承故障状态进行分类识别。     

时频图像Hough变换在滚动轴承故障诊断中的应用

为提高时频分析技术在设备故障诊断中的实用性,研究了时频图像处理的滚动轴承故障诊断技术。采用Hough变换对表征信号的Wigner-Ville时频分布进行分析,以提高时频谱表征非平稳信号的可靠性,特别对线性调频信号分析具有较好的实用性。以实验室的滚动轴承在不同状态下的状态识别为例,验证了时频图像Hough变换准确识别滚动轴承故障的有效性。     

基于谐波小波和Hilbert的滚动轴承故障诊断方法

主轴滚动轴承是数控机床的重要部件,它的运行状态往往直接影响整套机械设备的性能。为了提高主轴滚动轴承的故障诊断可靠性,针对数控机床主轴轴承振动信号非平稳的特点,利用谐波小波滤波的方法对现场采集的振动信号进行滤波,并提出对滤波后的信号进行Hilbert包络分析,从而提取出故障激发的共振信号。实例验证表明,谐波小波具有良好的滤波效果,Hilbert包络分析能有效地提取滤波后信号的故障特征,此方法提高了数控机床主轴滚动轴承故障诊断的准确性。