基于优化多尺度形态学的滚动轴承失效研究

针对普通多尺度形态学在滚动轴承微弱故障识别时的结构元素尺度优化问题,提出了自适应多尺度形态学的滚动轴承故障诊断方法。首先,以基本形态算子为基础,构建了具有双向脉冲特征提取能力的差分形态算子;为了在结构元素尺度范围定义出敏感于轴承故障的尺度,将以峭度作为其选取依据,并将得到最优尺度下的形态处理结果平均处理来重构故障信号,最终实现故障信号的综合分析和故障特征解调。通过对实际滚动轴承内、外圈故障振动信号的分析,结果表明：优化算法能够提取出强噪声背景下的滚动轴承微弱故障特征;且相比于普通多尺度形态学,该方法所提取的轴承故障特征频率幅值提升近1倍,适合处理弱信噪比的滚动轴承内、外圈故障识别。     

基于奇异值差分谱降噪与经验模式分解的滚动轴承故障特征提取方法

针对滚动轴承振动信号含有大量噪声且具有非线性、非平稳特性致使故障特征难提取的问题,提出一种基于奇异值差分谱降噪与经验模式分解(EMD)相结合的滚动轴承故障特征提取方法。首先,将滚动轴承振动信号在相空间重构的基础上利用奇异值差分谱完成降噪;其次,将降噪后的信号经EMD筛分为多个含有信号局部特征的本征模式分量(IMF);最后对与原信号相关度最大的IMF进行Hilbert包络解调,进而提取故障特征频率。实验结果表明:该方法不仅有效去除信号噪声,而且准确提取滚动轴承的故障特征。     

基于CEEMDAN-MPE的滚动轴承故障识别

针对滚动轴承振动信号的非平稳特性,实际工况下难以采集大量的样本信号分析故障状态,提出基于自适应噪声的完备经验模态分解(CEEMDAN)与多尺度排列熵(MPE)相融合的故障识别方法。首先,对振动信号进行小波阈值去噪,利用CEEMDAN算法对去噪后的非平稳振动信号自适应分解,对分解后的若干个固有模式分量(IMF)计算互相关系数;然后,重构信号,计算其MPE并组成故障特征向量;最后,把特征向量输入到支持向量机(SVM)中,以识别滚动轴承的故障类型。通过对仿真信号以及实际实验数据的对比验证分析,有效证明了该方法的识别准确率比基于EMDMPE的故障识别方法提高5%,结果表明:基于CEEMDAN-MPE的滚动轴承SVM故障识别方法可以更准确地提取轴承的特征,并识别轴承的故障状态,有更强的实用性和有效性。     

基于降噪多分支CNN和注意力机制的滚动轴承故障诊断方法北大核心

针对传统滚动轴承诊断方法在强噪声干扰下正确率低、特征选取依赖经验、模型泛化能力差的局限性,提出一种基于降噪多分支卷积神经网络(convolution neural network, CNN)和注意力机制的滚动轴承故障端到端诊断方法。通过设计多分支CNN特征提取网络,实现了包含原始信号及其频谱、时域滤波信号在内的多域特征提取;进一步引入注意力机制对各分支的输出进行权重自适应分配,在增强各域有效特征的同时抑制其无效特征对诊断结果的影响,提升模型的鲁棒性和泛化能力;最后再利用基于全局平均池化层构造的分类CNN实现滚动轴承故障的端到端诊断。对比试验证明,所设计的模型能在强噪声干扰下实现更准确的轴承故障诊断。     

基于FAMVEMD和改进CYCBD的滚动轴承微弱故障诊断北大核心

针对强噪声滚动轴承故障诊断问题,提出一种基于快速自适应多元经验模态分解(FAMVEMD)和改进循环平稳盲解卷积(CYCBD)的多通道诊断方法。首先,应用FAMVEMD处理多测点故障信号,按照自相关能量-线性峭度准则选取最佳分量、进行信号重构;其次,基于多点峭度和自相关能量改进CYCBD算法,通过重构信号的解卷积处理实现故障特征强化放大;最后,从解卷积信号包络谱中提取故障特征。实验数据分析结果表明,所述方法可准确提取故障特征,实现轴承损伤精确诊断。     

基于小波改进阈值去噪与LMD的滚动轴承故障诊断研究

为从含有强烈噪声干扰的滚动轴承振动信号中提取故障特征信息,提出了一种小波改进阈值去噪与局部均值分解(LMD)相结合的故障诊断方法。首先,根据构造小波改进阈值函数需满足的必要条件以及滚动轴承振动信号特征,提出了适应于滚动轴承振动信号的抛物线平滑阈值函数,利用其对振动信号进行去噪预处理;然后,对去噪后的振动信号进行LMD分解得到若干乘积函数分量(PF);最后,根据相关系数筛选出有效PF分量,并对其进行包络解调,提取故障特征频率。仿真分析和应用实例结果表明,该方法能有效提取滚动轴承故障特征信息,实现滚动轴承的故障诊断。     

基于EMD-MPE与HMM的滚动轴承故障诊断

针对故障轴承的特征难以提取以及状态识别困难的问题,提出了基于经验模态分解(EMD)-多尺度排列熵(MPE)与隐马尔科夫模型(HMM)的滚动轴承故障识别方法。首先,运用EMD滤波降噪原理对滚动轴承振动信号进行降噪,而后将已降噪的信号进行多尺度排列熵分析并提取不同尺度下排列熵的较大值作为信号特征。最后,将特征信号向量输入已训练好的HMM模型进行故障类型判别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于EMD-MPE与HMM的滚动轴承故障诊断方法对滚动轴承的故障状态能够进行有效地识别。     

基于改进卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障诊断过程中,难以提取细微故障特征的问题,文章提出一种基于改进卷积神经网络的滚动轴承故障诊断方法。该方法首先在特征值提取过程中,采用了多尺度卷积核并联的方式,对滚动轴承振动信号提取了更多的故障特征细节;然后在特征值降维、去噪处理过程中,采用了leaky_relu激活函数,解决了部分神经元处于抑制状态的问题;最后在分类识别过程中,针对多层全连接计算复杂的问题,采用了全局平均池化代替部分全连接。通过滚动轴承不同损伤程度、不同故障位置的诊断实验,证明了所提方法能够提高故障识别率、降低训练时间、具有较好的可行性。     

基于ALIF和ISOMAP的机械设备故障识别方法研究

滚动轴承作为机械设备的重要部件,对机械设备的稳定运行起着重要的作用。滚动轴承的故障信号往往是多种信号的叠加,有必要对采集到的振动信号进行模式分解,进而基于模式识别方法实现对滚动轴承不同故障模式的分类识别。提出一种基于自适应局部迭代滤波(ALIF)和等距特征映射(ISOMAP)的机械设备故障分类识别方法。利用ALIF对滚动轴承的故障信号进行模式分解;对选定的模式分量提取多个统计学特征;最后利用ISOMAP对高维特征信号进行降维处理,实现对滚动轴承不同故障模式的分类识别。研究结果表明：所提方法在滚动轴承故障识别上具有良好的效果。     

一种簇绒机故障诊断方法的研究

针对簇绒机的故障诊断问题,提出采集滚动轴承的振动信号进行故障诊断.采集的实际振动信号中往往存在噪声信号,需要去掉噪声后再进行诊断.局部均值分解(local mean decomposition,LMD)方法是一种新型的信号自适应分解的时频分析方法,并且已经应用到故障诊断中.为了进一步提高LMD的性能,提出采用分段Hermite插值替代原始的滑动平均方法.提出一种新的故障诊断方法,首先应用小波包变换分析方法,去除信号中夹杂的噪声,然后使用改进后的LMD方法进行信号的分解,选择相关系数较大的PF分量进行希尔伯特变化包络谱分析,成功提取相关的故障特征.通过仿真实例的分析和对滚动轴承的实际故障数据进行故障诊断,证明了该方法在故障诊断应用中的有效性.     

基于MCABResnet的二维滚动轴承故障诊断新方法

针对时域信号冗余度大及滚动轴承故障诊断效果和强噪声环境下诊断正确率低和泛化能力差的问题,提出一种新的基于多联合注意力机制和多残差卷积块的多尺度进化故障诊断方法。采用宽、窄核卷积的跃迁块和多联合注意机制对深层卷积进行特征补充,减少特征流失,保证特征图的质量。通过通道和空间注意力权重的分配,为卷积层提供不同的权重参数,进行自适应特征细化。将提出的方法分别在凯斯西储大学轴承数据集和东南大学轴承数据集进行试验验证及分析。结果显示：所提方法的分类正确率超过99.75%,即使在强噪声环境下,分类正确率也超过98.5%;在变工况下,平均分类正确率超过了90%。因此,所提方法具有良好的故障诊断效果、泛化能力和抗噪声性能。     

多尺度代价敏感卷积神经网络的轴承故障诊断

针对滚动轴承故障诊断过程中因采集数据不平衡而导致诊断精度下降的问题开展研究。面向原始一维振动信号多尺度复杂性的特点,提出一种基于多尺度代价敏感卷积神经网络的不平衡故障诊断方法。构建串并联结构的多尺度一维卷积特征提取层,通过设计不同卷积层的连接方式和选取不同的卷积核大小实现多特征提取;利用注意力机制自适应设置Adacost代价敏感损失函数的代价矩阵,实现权重的自适应分配。通过在多种不平衡比率的西储大学轴承数据集上的实验表明：该方法能有效提升模型在不同不平衡数据集中的分类性能,且具有更强的泛化能力。     

基于GWO-CMFH和改进ResNet轴承故障诊断

针对不同程度的小分类轴承故障，现有故障诊断方法准确率不高的问题，提出基于GWO-CMFH和改进ResNet的滚动轴承故障诊断方法。对于同一类型不同程度故障，提出基于GWO自适应优化结构元素参数的CMFH滤波方法，增强振动信号的脉冲故障特征并抑制背景噪声；采用连续小波变换将滤波后的信号转换成二维时频图谱；最后，提出基于混合注意力机制改进的残差网络模型，提高轴承故障诊断精度。在西储大学、东南大学及所选轴承数据集上进行验证实验，不同故障程度的小分类诊断准确率分别达到99.73%、98.12%和99.07%,表明所提方法具有很好的抗噪性、鲁棒性，可提高滚动轴承不同故障程度的诊断效果。     

完备变分模态分解和多传感器卷积神经网络的轴承故障诊断方法

针对传统滚动轴承故障诊断方法难以提取和辨识故障特征等问题,提出一种完备变分模态分解（CVMD）和工业多传感器卷积神经网络（MSCNN）相结合的轴承故障识别模型。在采集到的滚动轴承故障振动数据中加入2对符号相反但幅值相等的白噪声,并使用变分模态分解将故障振动数据分解为若干本征模态分量（IMFs）并进行集成平均;利用综合指标选择合适的IMFs分量并重构;针对多传感器结构,在卷积神经网络的基础上,提出MSCNN网络,并将重构后的振动信号输入MSCNN进行自动特征学习与故障诊断。结果表明：所提出的CVMD-MSCNN模型的故障诊断准确率达99.76%,标准差为0.16,相比于其他深度学习方法,其诊断准确率和稳定性较优。     

基于改进CEEMDAN和t-SNE的故障特征提取方法

针对非线性、非稳定振动信号难以提取有效故障特征的问题,提出一种基于改进自适应噪声完备集合经验模态分解（CEEMDAN）和t-分布随机邻域嵌入（t-SNE）算法相结合的故障特征提取方法。利用三次Hermite插值代替三次样条插值构造包络线,提高传统CEEMDAN对非平稳信号的分解精度;利用改进后的CEEMDAN对原始信号分解并通过相关系数筛选出有效固有模态分量（IMF）,提取有效IMF分量的时频特征、奇异值和能量值构建高维混合域特征集;最后,通过t-SNE算法挖掘高维混合域特征信息得到低维敏感特征,并将其输入到支持向量机中进行分类,以分类准确率作为特征提取效果评价指标。在齿轮箱故障模拟实验台进行实验验证,结果表明该方法能够准确地提取故障特征,为故障特征提取提供新思路。     

基于改进VMD形态谱和FCM的滚动轴承故障诊断方法

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解（VMD）形态谱和模糊C均值聚类（FCM）算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明：所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。     

基于SSD和MPE的滚动轴承故障诊断方法

为了解决滚动轴承故障特征难以提取的问题,提出了一种奇异谱分解(SSD)和多尺度排列熵(MPE)的故障特征提取方法,结合K近邻(KNN)算法识别滚动轴承故障类型。首先对滚动轴承振动信号用SSD进行分解,得到3个奇异谱分量(SSC),根据峭度最大原则选择主分析分量;然后用MPE计算主分析分量的熵值,实现滚动轴承的故障特征进行提取;最后将熵值作为特征向量输入KNN分类器中,完成滚动轴承的状态识别。将该方法应用于实验数据分析,并与VMD和MPE相结合的故障诊断方法做比较,结果证明,该方法能够有效地提取故障特征,实现故障诊断。     

基于改进形态学的滚动轴承故障诊断研究

针对滚动轴承的微弱故障特征提取，提出了基于特征幅值能量参数（FAEI）和自相关能量比（AER）的改进数学形态方法。首先使用7种形态算子对信号进行形态处理，以FAEI作为最优算子的选取依据，然后借助AER准则自适应地确定扁平结构元素的长度参数。通过轴承故障实验可知，AER准则能够选出最佳结构元素长度，结合形态算子对故障信号进行最优形态滤波。结果表明:该方法能够提取出噪声背景下的冲击脉冲信号，实现轴承微弱故障特征提取。与基于峭度的形态算法对比，改进方法使故障检测中的特征频率幅值提升了1倍。     

基于FastICA去噪和改进HHT的转子不平衡故障特征提取方法研究

针对转子不平衡振动信号非平稳性并伴随较强环境噪声的特点，提出一种基于快速独立分量分析（FastICA）和改进希尔伯特-黄变换相结合的故障特征提取方法。该方法采用FastICA法去除环境噪声等因素对于故障特征提取精度的影响，再利用自适应白噪声总体平均模态分解方法将故障信号分解为一系列固有模态函数（IMF），并采用基于相似性评估的虚假IMF选择算法将与故障信息无关的虚假IMF分量剔除，从而保证故障信息提取的准确性和有效性。通过仿真分析证明了所提方法的有效性，并且实际试验表明：该方法可有效提取转子不平衡信号的故障特征，为该类故障的诊断提供了一种切实可行的方法。