基于局部特征尺度分解和形态学分形维数的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解与形态学分形维数的滚动轴承故障诊断方法。首先采用局部特征尺度分解方法将机械故障信号分解为若干个内禀尺度分量,然后利用形态学分形维数计算包含故障特征分量的分形维数,将得到的分形维数作为特征量判别信号故障的状态,实验结果表明基于局部特征尺度分解与形态学分形维数的故障诊断方法能够有效识别滚动轴承的内圈故障、外圈故障、滚动体故障和正常状态,实现滚动轴承故障诊断。     

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型

提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale decomposition,PELCD)、拉普拉斯分值(Laplacian score,LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型。PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理。之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量。再将优化的特征向量输入到VPMCD分类器进行训练和测试。滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型。     

基于奇异值分解和相关峭度的滚动轴承故障诊断方法研究

为了从复杂的轴承振动信号中提取微弱的故障信息,将相关峭度引入滚动轴承故障诊断领域,结合奇异值分解(Singular Value Decomposition,SVD)和相关峭度,提出了一种新的滚动轴承故障特征提取方法。该方法首先利用SVD对轴承振动信号进行分解,然后根据相关峭度选取SVD分解后的分量,提取出滚动轴承的弱故障信号。通过对轴承内圈故障的仿真和实验研究验证了该方法的有效性。     

基于改进变分模态分解的滚动轴承故障诊断方法

提出一种改进变分模态分解的轴承故障信号诊断方法。使用改进的奇异值分解降噪方法对信号进行降噪,然后对信号进行变分模态分解;利用分量信号的能量之和占原信号能量的比值,判断变分模态分解的分解效果,从而找出最佳分解层数;根据分量信号间的相关系数,判断中心频率相邻的分量信号是否来自信号中的同一调制部分;最后通过主要分量的包络谱找出故障特征频率,判断故障类型。通过对仿真信号和实际轴承故障信号进行处理,成功提取微弱频率特征信息,验证了该方法的有效性。     

基于局部均值分解多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断

提出了一种基于局部均值分解多尺度模糊熵和灰色相似关联度相结合的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数,并从中选取包含主要故障信息的PF分量计算多尺度模糊熵作为特征向量,通过计算待识别样本与标准故障模式的灰色相似关联度,对滚动轴承故障类型和损伤程度进行判断。将该方法与LMD模糊熵和灰色相似关联度相结合的方法进行了对比,实验表明,基于LMD多尺度模糊熵和灰色相似关联度的滚动轴承故障诊断方法,能够有效地识别滚动轴承运行状态,实现对滚动轴承的故障诊断。     

基于奇异值分解和独立分量分析的滚动轴承故障诊断方法

针对强背景噪声下难以提取滚动轴承早期故障信号中故障特征频率的问题,提出奇异值分解和独立分量分析相结合的滚动轴承故障诊断方法。该方法首先利用相空间重构将一维时域矩阵拓展到高维矩阵,得到吸引子轨迹矩阵;然后对轨迹矩阵进行奇异值分解降噪,依据奇异值差分谱阈值原则选取相应阶次分量进行重组构造虚拟噪声通道;接着将重组信号和观测信号进行独立分量分析分离;最后利用能量算子解调方法提取出有效的故障特征分量,进而识别故障类型。滚动轴承故障诊断实验和仿真结果表明该方法有效可行。     

完备总体平均局部特征尺度分解及其在转子故障诊断中的应用

作为对经验模态分解(EMD)的改进,局部特征尺度分解(LCD)也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解(EEMD)和完备的EEMD(CEEMD)等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,提出了一种完备的总体平均局部特征尺度分解(CELCD),并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。     

一种可用于故障诊断的信号处理方法——完备总体平均局部特征尺度分解

作为对经验模态分解（EMD）的改进,局部特征尺度分解（LCD）也有类似EMD的模态混淆问题。基于噪声辅助分析的总体平均经验模态分解（EEMD）和完备的EEMD（CEEMD）等是抑制分解模态混淆的有效途径。然而此类方法伪分量较多、得到的分量未必满足IMF分量定义等。针对此,论文提出了一种完备的总体平均局部特征尺度分解（CELCD）,并通过仿真信号将CELCD方法与CEEMD进行了对比,结果表明CELCD能够有效抑制LCD模态混淆,而且在抑制伪分量的产生,提高正交性和分量的精确性等方面具有一定的优越性。最后论文将CELCD方法应用于转子碰摩故障的诊断,结果表明了方法的有效性。     

基于分段多项式的局部特征尺度分解方法及应用

针对局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中两极值点连线在极值点处一阶微分不连续,引起分解精度降低问题,提出新非平稳信号分析方法-基于分段多项式的局部特征尺度分解(Piecewise Polynomial based Local Characteristic-scale Decomposition, PPLCD)。用分段多项式取代LCD中直线连接,且均值曲线插值点由相邻3个同类极值点构成的多项式计算产生。通过仿真信号将PPLCD与LCD对比,结果表明,PPLCD在提高分量正交性、精确性等具有一定优越性;由转子碰摩故障诊断表明该方法的有效性。     

局部波动特征分解及其在滚动轴承故障诊断中的应用研究

提出了一种新的自适应时频分析方法--局部波动特征分解（Local oscillatory-characteristic decomposition,LOD）,该方法以信号本身的局部波动特征为基础,并采用微分、坐标域变换、分段线性变换等运算手段将信号分解为一系列瞬时频率具有物理意义的单一波动分量（Mono-oscillatory component,MOC）,非常适合于处理多分量信号。在详细说明LOD分解原理的基础上,通过仿真信号将LOD、经验模态分解（Empirical mode decomposition,EMD）和局部均值分解（Local mean decomposition,LMD）进行了对比分析,结果表明了LOD 的优越性。同时,针对滚动轴承故障振动信号的多分量调制特点,将LOD应用于滚动轴承故障诊断,对滚动轴承实验信号进行了分析,结果表明LOD可以有效地提取滚动轴承故障振动信号的特征。     

基于局部均值分解的边际谱在滚动轴承故障诊断中的应用

局部均值分解（Local Mean Decomposition,简称LMD）将复杂的多分量信号自适应地分解为有限个乘积函数（PF）的和,在计算了各个分量的瞬时幅值（IA）和瞬时频率（IF）后,可以计算出基于LMD的边际谱。针对直接法求取瞬时频率存在端点误差大问题,提出了一种改进的直接求取瞬时频率的方法;提出了基于LMD的边际谱的滚动轴承故障诊断方法,将该方法应用于实际滚动轴承故障诊断中,结果表明该方法能有效地提取出滚动轴承的故障特征频率,从而确定故障部位。     

基于DCAE-CNN的自动倾斜器滚动轴承故障诊断

针对直升机自动倾斜器滚动轴承工况复杂、噪声干扰大,造成故障诊断效果不佳的问题,提出一种基于深度卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法。该方法首先采用小波变换方法构造不同状态下振动信号的时频图,然后使用DCAE对时频图进行图像去噪,最后利用CNN对去噪后的时频图进行故障分类。利用课题组和美国凯斯西储大学的滚动轴承故障数据开展诊断实验,并与CNN、堆叠降噪自编码器(Stacked Denoise AutoEncoder,SDAE)两种深度学习方法进行对比,结果表明,该方法在高噪声环境下具有更高的故障识别率。     

基于GADF-CNN的滚动轴承故障诊断方法

针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型.利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类...     

基于近邻元分析的滚动轴承故障诊断方法

提出基于近邻元分析（Neighborhood Component Analysis, NCA）的滚动轴承故障诊断模型。利用NCA技术对滚动轴承信号的时、频域特征向量降维,并对降维后向量分类,成功区分滚动轴承四种状态。通过Fisher判别函数定量分析目标维数对NCA降维效果影响,确定最佳特征约简目标维数。为突出NCA方法优势,将NCA与PCA两种不同降维方法进行对比。实验结果表明,NCA作为监督式降维方法,其聚类效果好于PCA。     

基于凸包的椭圆检测方法

用于检测曲线的Hough变换及其改进方法都不同程度存在运算速度慢、需要大量的储存空间等缺点,因此本文利用椭圆的几何性质降低检测的时间及空间需求,提出了用凸包的方法和Pascal定理来进行椭圆检测.首先从边缘点中随机挑选六个点,进行凸包检测,并将此六点排序;然后利用Pascal定理来判断此六点是否来自同一个椭圆,随后利用拟合得方法求出候选椭圆参数,最后利用包含凸包的最小矩形内的边缘点对超过阈值的累加参数进行验证.实验结果表明,文中算法能快速检测图中的单个或者多个椭圆,并且在具有噪声的情况下,与改进的随机Hough变换算法相比,其检测速度快一倍左右.     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

基于循环双谱的滚动轴承故障诊断

当滚动轴承发生早期点蚀故障时,其振动信号表现出循环平稳特性。由于故障特征频率处能量比较小,特征信息容易被噪声淹没,仅仅利用二阶循环平稳已经不能有效提取故障特征。而循环双谱（即三阶循环累积量谱）这一最低阶的高阶统计量谱对噪声具有较好的免疫力,且计算量也相对来说比较其它高阶统计量分析方法来说最小。本文将尝试用循环双谱的中心频率切片谱,对滚动轴承早期故障做特征提取。仿真和实验结果证明了方法的有效性。     

局部特征尺度分解方法及其分解能力研究

在研究内禀时间尺度分解(Intrinsic Time-Scale Decomposition,ITD)方法的基础上提出了一种新的自适应时频分析方法——局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法,该方法可以自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀尺度分量(Intrinsic Scale Component,ISC)之和.对LCD方法的基本原理进行了阐述,通过建立分解能力研究模型分别研究了分量信号的频率比、幅值比和初相位差以及单个分量迭代次数对LCD方法分解能力的影响,并给出了多分量信号可由LCD方法分解的大致条件.     

基于声发射的滚动轴承损伤定位方法研究

低速重载轴承故障特征频率低,受转速波动影响大,难以使用频谱分析进行故障源定位。将基于到达时间差的声发射定位方法应用于轴承故障定中,找出损伤的确切位置。针对轴承的环形结构,建立了不依赖于声发射传播速度的定位计算模型。同时提出了基于小波包分解的最优时差计算方法来提高定位精度。推力轴承座圈上的断铅实验和模拟损伤定位实验均表明该方法具有很高的定位精度。该定位方法不依赖于转速和频率分析,对变速大型轴承的故障定位具有应用潜力。     

改进MBCV法在滚动轴承故障诊断中的应用EI北大核心CSCD

针对传统最大类间方差法(Maximum Between‑Class Variance,MBCV)在分离轴承故障信号过程中存在的分割阈值适应性差、分离效果不佳的问题,提出一种基于MBCV动态阈值曲线的滚动轴承故障诊断方法。该方法通过MBCV法获得频谱均分子区间的各分割阈值,然后高阶拟合各部分阈值进而获得动态阈值曲线,再通过调整优化频谱分段数量并以分离信号与原信号之间的均方根误差最小化为目标确定最优阈值曲线;依据最优动态阈值曲线将信号频谱分割为高、低两部分,对低幅值部分进行傅里叶逆变换及平方包络谱分析进而诊断故障。此方法能有效消除强干扰成分,最大化提取轴承故障特征。实验分析结果表明,相比于传统MBCV法,该方法提取的故障特征更加明显。