基于系统信息融合的滚动轴承故障模式识别

基于滚动轴承故障模式识别的随机性、灰色性和模糊性特征,从信息融合的角度出发,提出了一种融合框架.首先针对这三方面的信息分别从小波域、幅域和频域构造特征向量;然后借助于D-S证据理论,在基于概率统计的隐马尔科夫模型的诊断结果基础之上,进一步融合从系统灰色性和模糊性观点出发所得的诊断信息,从而实现滚动轴承故障模式的多角度信息融合识别;最后,利用该融合框架对实测滚动轴承故障数据进行了识别.结果表明,基于系统随机性、灰色性和模糊性信息融合的识别方法较基于系统单一性信息的识别方法能够进一步提高模式分类的正确率.     

基于多维度信息融合评判方式的滚动轴承故障特征选择方法

针对多传感数据流及故障特征构建所带来的高维数据的时间复杂度高与数据冗杂问题,提出了一种基于多维度信息融合评判方式的轴承故障特征选择方法。首先,以随机森林、Spearman相关性分析作为基点,并结合门控循环单元(GRU)、差分整合移动平均自回归模型(ARIMA)对各特征做出了初步评价;其次,引入了新评价函数,融合了各部分初步评价信息,剔除了尾部特征并逐次迭代,选择了低冗余且具有较好分类效果的特征子集;最后,以美国凯斯西储大学轴承数据为例,对基于多维度信息融合评判方法与基于随机森林估计器的递归特征消除(RFE-RF)、最大相关最小冗余(mRMR)相比较,以分类准确率作为评估指标,验证了模型的效果。研究结果表明：该方法能在保持97.5%准确率的情况下,得到较少的特征子集,提升了计算效率;该模型能够为滚动轴承故障特征的选取提供借鉴。     

基于融合特征的双通道CNN滚动轴承故障识别

针对传统的滚动轴承故障识别方法效果较差,对专家经验依赖较高的问题,提出一种基于融合特征的双通道CNN滚动轴承故障识别方法.该方法首先将原始信号采用小波分解方法生成时频图,再将时频图和原始故障信号融合输入到Lenet-５网络中,进一步对故障特征进行准确提取,在输出层对数据进行融合,使用Softmax分类器对轴承故障进行分类.实验结果表明,该方法对不同种类的滚动轴承故障的识别均能做出准确的判断,识别准确率高.     

滚动轴承故障特征信息的自动提取方法研究

提出基于小波包分析和包络检测的滚动轴承故障特征信息的自动提取力法。根据滚动轴承的故障冲击能激起轴承座或其他机械零部件产生共振的特性，对轴承振动信号进行快速傅里叶变换FFT分析，在频谱图中自动识别高频共振频带。然后利用小波包分析可以在全频带内把信号分解到相邻的不同频带上的特性，对滚动轴承的振动信号进行小波包分解，自动提取共振频带上的信号并进行重构。最后，对重构后的信号进行包络检波，实现滚动轴承故障特征信息的自动提取。通过对实际滚动轴承振动信号的分析，发现这种方法能非常有效地检测和诊断滚动轴承的故障．     

滚动轴承故障特征信号的提取

详细分析了故障轴承产生的振动信号特征，提出了一种滚动轴承故障检测的信号处理方法，即短样本分析方法。该方法以高频区段为诊断频带，以高频区段的冲击能量为特征参数，准确刻划故障冲击的分布情况，该方法具有清晰的分析结果和很高的信噪比。     

基于信息融合的滚动轴承故障诊断

滚动轴承故障诊断中同一征兆域很难区分多种故障，单一传感器对故障分类识别有不确定性。提出了利用加速度传感器和声音传感器，基于BP神经网络及D-S证据理论，对所采集的振动信号和声音信号的多种特征信号进行信息融合，实现故障诊断。并对该方法进行仿真试验验证。     

基于信息融合的滚动轴承故障诊断

针对传统的单一传感器检测准确率不高,诊断系统不稳定等问题,将振动和声发射2种检测方法进行融合。首先对采集到的2种信号进行小波降噪及Hilbert解调,得到故障信号的频域包络谱,计算其频段能量值并组成特征向量;然后利用BP神经网络建立多传感器的信息融合系统,选取合适的样本输入网络进行训练,直至达到所要求的误差范围;最后实现对样本轴承的故障诊断,达到了相对较高的诊断正确率。     

多卷积神经网络融合的滚动轴承故障识别方法

针对滚动轴承故障,提出了一种多卷积神经网络融合的滚动轴承故障识别方法.采集滚动轴承在不同状态下的振动信号,利用短时傅里叶变换得到二维时频谱图.基于二维时频谱图的数据结构设计得到二维卷积神经网络、一维时域卷积神经网络、一维频域卷积神经网络,利用这三个卷积神经网络的输出结果构建全连接神经网络进行融合.利用引导聚集集成学习方...     

基于FEWT-FastICA的滚动轴承故障特征识别方法

滚动轴承故障信号常包含着大量的噪声,并以调制的形式存在,其故障特征信息提取困难;同时,采用快速经验小波变换(FEWT)分解故障信号时,又存在故障特征被削弱的问题。为此,将FEWT与快速独立分量分析(FastICA)的优点相结合,在此基础上提出了一种基于FEWT-FastICA的滚动轴承故障特征识别方法。首先,利用FEWT算法对轴承故障信号进行了分解,得到了一组固有模态分量(IMF);根据峭度准则,将峭度值大于3的IMF分量重构为振动冲击信号,峭度值小于3的IMF分量重构为虚拟通道信号;然后,将重构后的信号输入FastICA算法,进行信号的降噪解混,得到信号的最佳估计信号,对最佳估计信号进行了包络谱分析,完成了对滚动轴承的故障诊断;最后,为了验证FEWT-FastICA算法的有效性,采用仿真信号及真实轴承故障信号分别进行了实验验证;同时,为了验证FEWT-FastICA算法的优越性,将其与FEWT进行了对比分析。研究结果表明：该方法能有效地提取故障特征信息,比FEWT方法所得结果的信噪比提升了1.55倍,为轴承故障诊断提供了一种新方法。     

滚动轴承故障特征的小波提取方法

分析了有故障的滚动轴承在运转中的振动信号特征 ,采用一种无频带错位的小波包算法进行滚动轴承的故障特征信号提取 ,清晰地刻画出轴承故障冲击的特征函数 ,通过试验证明了该方法的有效性 ,且具有很高的信噪比     

基于主成分分析和支持向量机的滚动轴承故障特征融合分析

为有效降低滚动轴承故障特征的维数并提高诊断准确率,将主成分分析（PCA）和支持向量机（SVM）方法应用到轴承故障特征的融合分析中,给出了相应的决策流程。应用基于小波包分解的特征提取算法及特征向量的构造方法对不同状态下的振动信号进行分解,得到用于表征轴承运行状态的8维特征集合;应用PCA提取累积贡献率达到95%的特征主成分并输入SVM分类器中进行识别。结果表明,将滚动轴承故障特征从8维降低到5维,仍可有效表征轴承的状态,但大大降低了计算的复杂性;故障诊断的准确率达到97%以上,诊断时间也相对较短;4种轴承状态识别的准确率从高到低依次为正常、外圈剥落、滚动体剥落和内圈剥落,可为确保设备安全运行和快速故障诊断提供理论依据。     

滚动轴承特征提取的多分量解调方法

提出利用多个高频振动分量进行滚动轴承故障特征提取的多分量解调方法。与传统的基于单一高频振动分量的解调方法不同,多分量解调方法从多个高频振动分量中提取信号特征信息。首先构建带通滤波器组对原信号进行滤波,然后依据所提高频振动分量获取策略求取原信号中多个高频振动分量,并对各高频振动分量进行包络检波,其次用独立成分分析对所得包络信号进行盲分离,最后对分离信号进行频谱变换以提取故障特征信息。仿真信号和故障轴承信号的分析结果表明,所提方法较传统解调方法更能凸显滚动轴承故障振动信号中的特征信息。     

轴承故障的多源异构数据特征级融合诊断方法

为了实现轴承多源异构故障数据的特征融合,达到提高故障诊断精度的目的 ,提出了基于深度神经网络的多源故障特征融合方法.介绍了堆叠自编码器和卷积神经网络原理;使用堆叠自编码器提取了一维振动数据的故障特征,使用卷积神经网络提取了二维图像数据的故障特征;为了充分发挥多源异构故障数据的关联性和互补性,使用深度神经网络将一维数据特征和二维数据特征进行交替优化和融合,提取更加能够反映故障特性的隐藏融合特征.以凯斯西储大学轴承故障数据为基础设计了三组实验,由实验结果可以看出,基于融合特征的故障诊断精度比单独使用一维数据特征或二维数据特征的诊断精度高10％以上,充分证明了基于多源异构特征融合故障诊断方法的有效性.     

一种改进的LCD滚动轴承故障特征提取方法

为了有效提取出滚动轴承振动信号的故障特征,提出一种基于分段三次Hermite插值?局部特征尺度分解PCHIP?LCD的故障特征提取方法.采用分段三次Hermite插值代替LCD中的三次样条插值(Cubic spline interpolation,CSI),提出了改进的LCD方法,完成振动信号x(t)分解,获得若干内禀...     

快速固有成分滤波特征融合的轴承故障诊断方法

稀疏滤波故障特征增强方法依托故障信息固有的稀疏性可以有效实现轴承微弱故障诊断,但其存在两类弊端：经验地设置其输入、输出维度,引起特征提取效果的不确定性;需要利用先验知识从优化的权重矩阵中严格地筛选出特定成分,造成故障特征信息损失。针对上述问题,提出快速固有成分滤波特征融合方法。首先,引入复杂性测度设计自适应的稀疏滤波维度参数选取准则,并采用稀疏滤波优化目标指数遴选出一簇故障信息丰富的融合源;其次,建立故障特征融合源流形学习融合策略,包括改进流形学习方法融合遴选出的融合源,构造融合分量异常幅值检测策略和给出了最大化故障信息的融合分量加权表示。提出方法可解决稀疏滤波维度参数选择、特征筛选造成信息损失和固有流形幅值异常引起包络谱奇异等问题。仿真和试验结果验证所提出方法相较于现有流形学习和稀疏滤波等方法具有更强的轴承微弱故障特征提取能力。     

基于LMD能量熵的滚动轴承故障特征提取

为了对滚动轴承运行状态进行有效的判断,利用局部均值分解(LMD)对滚动轴承振动信号进行分解,将复杂的多分量信号分解成多个单分量信号;针对分解后的单分量信号在各频域范围分布不均匀特点,利用LMD能量熵提取出滚动轴承振动信号的故障特征。实验结果表明,LMD能量熵具有较强的信号表征能力,可以有效提取出滚动轴承故障特征。     

k阶循环矩解调用于滚动轴承故障特征提取

针对滚动轴承早期故障诊断中故障特征信号提取问题,提出了一种基于k阶循环矩的故障特征信号解调方法.在循环矩理论基础上,首先分析了时变调幅信号的k阶循环矩解调原理和方法;讨论了k阶循环矩的频率特性;得出了k阶循环矩不仅能解调出调制频率,还能解调出载波频率的规律;给出了k阶循环矩的计算方法,并利用仿真信号验证了该方法的有效性;最后通过滚动轴承振动信号进行了分析.结果表明,该方法能有效提取滚动轴承早期故障特征,识别故障类型,具有较高的可信度.     

Walsh变换在滚动轴承早期故障特征提取中的应用

依据Walsh变换具有分析微弱脉冲信号的优点,提出一种基于Walsh变换的滚动轴承早期故障特征提取方法。通过仿真及滚动轴承早期故障特征提取的实例分析,证明Walsh功率谱在故障特征提取中的敏感性及抗噪能力优于Fourier功率谱,具有较强的故障特征提取能力,凸显了滚动轴承的故障特征频率,能有效地诊断出轴承的早期微弱故障。     

基于图建模特征提取的滚动轴承故障诊断

针对滚动轴承运行过程中的早期故障检测与诊断,提出了一种基于图建模特征提取的滚动轴承故障诊断方法.首先,结合短时傅里叶变换与图谱理论对信号进行图建模;其次,通过随机幂鞅对故障进行检测,计算邻接矩阵熵值并将其作为特征向量训练支持向量机;最后,结合支持向量机对故障进行诊断.分别采用2个数据库对本方法进行故障检测与诊断验证,实...