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。     

回归与时变自回归模型

提出回归-时变自回归（regression and time-varying autoregression,RTVAR）模型和广义回归-时变自回归（generized regression and time-varying autoregression,GRTVAR）模型,将误差项为平稳序列（均值和方差为常数）的回归-自回归模型推广到误差项为广义时变自回归序列（均值、方差及自回归系数都变化）的情况。文中给出RTVAR模型和GRTVAR模型参数的估计方法,并建立广义回归-时变自回归预测公式。该模型能充分发挥回归和时变自回归各自的特点,通过自回归对回归分析中的误差项进行补偿,同时采用回归分析解释变量的作用,大大提高时间序列的分析与预测精度,可广泛用于自动控制、故障诊断以及经济预测等领域。     

基于自回归最小熵反褶积的滚动轴承故障诊断

轴承故障信号中的周期冲击成分会受到轴承元件间碰撞产生非周期冲击成分以及工况噪声的干扰,难以提取故障特征。使用自回归最小熵反褶积方法对故障信号处理,首先用自回归模型滤除非周期冲击成分,再使用最小熵反褶积方法对周期冲击成分进行增强,通过仿真和实验信号处理结果证明了该方法的有效性。     

基于自回归滑动平均最小熵反褶积的滚动轴承故障诊断

滚动轴承的时域故障信号含有工作部件或轴承元件间微弱碰撞产生非周期性冲击以及工况噪声成分,造成信号中表征故障信息的周期冲击成分难以提取,无法准确有效的对滚动轴承进行故障诊断。针对这一问题,提出自回归滑动平均最小熵反褶积方法。通过自回归滑动平均模型和最小熵反褶积计算得出正逆两组滤波器系数,其中自回归滑动平均模型计算出的滤波器系数用于分离故障信号中的非周期冲击成分,最小熵反褶积计算出的逆滤波器系数用于恢复故障冲击成分。通过仿真和实验的处理结果证明了方法的有效性。     

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。     

基于堆叠稀疏自编码的滚动轴承故障诊断

针对机械设备故障数据大容量、多样性的特点,提出一种基于堆叠稀疏自编码(SSAE)的滚动轴承故障智能诊断方法。使用自动编码器(AE)逐层训练网络,从海量数据中自适应地学习各类故障的特征表达,再通过有监督的反向传播算法优化整个网络,最终将特征输入softmax分类器实现滚动轴承健康状况精确诊断。在动力传动故障诊断试验台采集了5类轴承故障数据进行测试。试验结果表明:SSAE算法能够有效地提取故障特征,且故障诊断效果优于传统智能诊断方法。     

基于小波神经网络的滚动轴承智能故障诊断系统

通过对滚动轴承振动信号特征分析,采用小波包变换方法对其建立频域能量特征向量以减少输入维数,进而构造出了轴承特征空间和故障空间的模式,然后采用径向基函数人工神经网络,通过该网络的学习和训练,实现了两个空间之间的非线性映射,完成了滚动轴承故障模式的识别.同时应用Matlab软件强大的计算功能,设计建立了滚动轴承智能故障诊断系统.理论和实验证明了该系统的有效性,且具有较高的识别精度.     

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Attention-CGDNN模型的滚动轴承故障诊断方法

针对传统轴承故障诊断方法依赖人工进行特征提取时效率低且难以处理大规模数据等问题,将卷积长短时深度神经网络(CLDNN)引入轴承故障诊断并进行改进,提出一种基于注意力机制的卷积门控深度神经网络(Attention-CGDNN)的滚动轴承故障诊断模型,该模型将卷积神经网络、门控循环单元和全连接神经网络有效融合以实现滚动轴承信号特征提取,并加入注意力机制使网络更专注于重要特征,最后通过Softmax分类算法实现滚动轴承故障诊断。采用CWRU和XJTY-SY轴承数据集的验证结果表明,Attention-CGDNN模型具有训练参数少,训练难度小,收敛速度快和识别精度高的特点,特征提取能力更强,故障诊断性能优于传统模型。     

基于模型辨识的滚动轴承故障诊断

为了解决小样本环境和早期故障预示问题,研究一种基于物理模型辨识的滚动轴承故障诊断方法,即通过物理模型构建标准模式数据库,进而识别故障。考虑到振动传递路径结合界面动态接触机制,建立了轴承表面缺陷的物理模型,通过仿真获得不同损伤位置的振动信号,求得特征矩阵。由于实际测试信号故障特征比较微弱,提出一种盲反卷积和峭度最优Laplace小波相结合的算法,该算法被用于仿真信号与实际工程中微弱冲击信号的检测中,有效突出了冲击成分。最后,以实测信号特征值作为输入,利用距离函数求出与输入值最近的样本点,进而预测出故障位置。案例分析表明,该方法具有较好的可行性与可靠性。     

滚动轴承非线性时变参数动力学模型与故障机理研究

基于滚动轴承故障动力学模型研究其振动特性及故障机理是实现轴承故障准确诊断的基础。为描述滚动轴承缺陷对其振动响应特性的影响,考虑滚动体与缺陷的相对几何关系,提出了时变接触变形与时变刚度耦合的滚动轴承故障非线性动力学模型。以NSK6205深沟球轴承为对象,通过建立6+N_b自由度非线性时变参数动力学模型,分析了滚动体通过外圈缺陷区域时接触变形、接触刚度以及振动响应的变化过程,得到了不同缺陷尺寸下滚动轴承故障冲击振动响应特征变化规律。理论分析和实验研究结果表明,随着缺陷尺寸的增加,滚动轴承故障振动响应产生由双冲击到多冲击的变化特征,不同缺陷尺寸下,滚动体进入和离开缺陷过程中产生的冲击响应明显不同。研究成果为基于振动信号实现滚动轴承故障尺寸判断提供了理论依据。     

基于时域参数趋势分析的滚动轴承故障诊断

滚动轴承是各种旋转机械中应用最广泛的部件,定期对滚动轴承进行监测和故障诊断具有重大意义.利用时域参数对早期故障的敏感性,结合趋势分析技术,对滚动轴承进行定期检测,得到其峭度、峰值因子、有效值趋势曲线.根据趋势曲线反映的各特征参数变化规律来观测轴承状态的变化趋势或现实状况,并采用LabVIEW图形化编程语言实现了时域参数趋势曲线的直观显示.利用时域参数趋势分析来进行滚动轴承的故障检测与诊断,简单实用,效果明显.     

基于时变零相位滤波的变转速滚动轴承故障诊断

针对变转速下齿轮箱中滚动轴承故障调制特征的提取与分离,提出了基于时变零相位滤波的变转速滚动轴承故障诊断方法。该方法先用线调频小波路径追踪(CPP)算法从齿轮箱滚动轴承故障振动信号中估计出齿轮啮合频率,由啮合频率除以齿数得到齿轮箱的转速,同时,采用Hilbert包络解调方法获取轴承故障振动信号的包络信号;然后根据获取的转速信息设计各阶时变零相位滤波器;再采用各时变零相位滤波器对包络信号进行分析,获取各调制信号;最后,利用转速信号对求取的各调制信号进行阶次分析,并根据各阶次谱来诊断滚动轴承故障。算法仿真和应用实例分析表明,该方法可有效提取和分离变速齿轮箱中滚动轴承的各阶故障调制特征。     

参数自适应TVF-EMD的滚动轴承故障诊断

针对目前出现的时变滤波经验模式分解(TVF-EMD)在滚动轴承故障特征提取中参数选择难的问题,提出了一种参数自适应TVF-EMD方法。首先利用粒子群优化(PSO)算法对TVF-EMD影响最大的参数组合进行优化,获得最佳的参数组合,并对故障信号进行TVF-EMD分解。然后筛选经分解故障信号获得的敏感固有模态函数(IMF),并进行包络解调运算。最后根据包络谱判断滚动轴承的故障。分别利用TVF-EMD、集合经验模式分解(EEMD)和变分模态分解(VMD)方法对仿真信号进行分析,表明TVF-EMD方法具有更优越的分解性能。利用参数自适应TVF-EMD方法对滚动轴承故障信号进行分析,表明参数自适应TVF-EMD方法可有效识别滚动轴承故障。     

基于参数优化MPE与FCM的滚动轴承故障诊断

为精确提取滚动轴承振动信号的故障特征,提出了一种基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法。首先,针对多尺度排列熵算法的参数确定问题,综合考虑参数之间的交互影响,基于遗传算法与微粒群算法对参数进行优化;然后,利用参数优化多尺度排列熵对滚动轴承振动信号进行特征提取,并通过模糊C均值聚类确定标准聚类中心;最后,采用Euclid贴近度对故障样本进行分类。通过分类系数与平均模糊熵检验聚类效果,证明了多尺度排列熵参数优化的有效性;与单一尺度排列熵、样本熵结合模糊C均值聚类方法的对比分析表明,基于参数优化多尺度排列熵与模糊C均值聚类的故障诊断方法具有更高的故障识别率和更广阔的适用范围。     

基于CFA参数优化DAE方法的滚动轴承故障诊断

为了进一步提高滚动轴承的故障诊断效率,设计了一种混沌萤火虫参数优化去噪自动编码器(Denosing auto-encoder, DAE)轴承故障诊断方法,标记为CFADAE。选择核去噪自动编码器构建深度神经网络,从初始信号中提取得到首层特征,经过自动编码器堆叠处理形成深度网络,实现深层特征参数的准确提取。研究结果表明：利用FA参数确定的准确率为92.82%,标准差为1.45,相对CFA方法95.94%准确率发生了降低,表明混沌改进萤火虫算法进行诊断的准确率更高,并且能够大幅减小波动幅度。相比较其他的方法,DAE网络的诊断平均准确率达到95.84%,表明去噪自动编码器与L2惩罚项能够促进模型鲁棒效果与泛化性的显著提升,由此获得更优的诊断精度。该研究可以拓宽到其它机械传动故障诊断领域,具有很好的推广应用价值。     

基于振动幅域参数指标的滚动轴承故障诊断

利用幅域参数对滚动轴承早期故障进行监测和诊断。分析了滚动轴承典型故障的机理及其振动特征,针对滚动轴承的典型故障特征,提出采用了幅域参数指标的诊断方法。基于Windows平台,利用Matlab软件编制了滚动轴承振动信号幅域参数指标计算程序,并且通过QPZZ-II旋转机械故障试验系统进行了滚动轴承故障的实例模拟并对所编程序进行了验证。结果表明,利用振动信号幅域参数指标对滚动轴承进行早期故障诊断,效果良好。     

基于增强深度自编码网络的滚动轴承故障诊断方法

为了提高深度自编码网络的特征挖掘能力,自适应地选取网络超参数,提出了一种增强深度自编码网络,并将其应用于滚动轴承故障诊断。采用最大相关熵代替均方误差作为自编码器的损失函数,加入稀疏惩罚项和嵌入非负约束因子的收缩惩罚项,进一步减小重构误差;通过灰狼优化算法自适应地选取网络关键参数。实验分析结果表明,与现有方法相比,该方法具有更强的特征提取能力与稳定性,对变工况下的轴承振动数据也能达到较高的识别精度。     

基于MWT和CNN的滚动轴承智能复合故障诊断方法

提出一种基于多小波变换(MWT)和卷积神经网络(CNN)的滚动轴承智能复合故障诊断方法。对滚动轴承的振动信号进行去除后处理的MWT,得到相应的多小波系数分支;用所得多小波系数分支构造特征图,建立CNN分类器组模型,以实现滚动轴承复合故障的智能诊断。基于人工轴承故障数据集进行了实验研究,同时对诊断方法作了优化改进,即对振动信号进行MWT,用所得多小波系数矩阵构造特征图,建立CNN分类器模型,并进行了对比实验研究。结果表明,该方法能有效识别滚动轴承的复合故障,改进的方法能有效提高故障识别率,降低训练成本。