基于改进相对样本熵和BIGRU的滚动轴承退化分析北大核心

针对标准样本熵在表征轴承性能退化趋势中出现的随机波动明显和预测模型准确性低的问题,提出了以改进相对样本熵(RSE)作为性能退化指标,并利用双向门控循环神经网络(BIGRU)对轴承退化趋势预测的方法。首先,针对标准样本熵中切比雪夫距离只考虑状态向量之间的最大元素差异的问题,提出了通过组合绝对值、最大值、最小值来识别状态向量间元素差异范围;其次,再对样本熵求均值得到改进后的RSE;最后,将改进RSE作为性能退化指标输入到BIGRU中完成轴承退化趋势预测。实验结果表明,所提出的改进RSE健康指标很好地克服了轴承退化过程中的随机波动现象,具有更好的单调趋势;且与LSTM、GRU预测模型相比,BIGRU有着更高的预测准确性。     

基于峭度准则VMD样本熵与PNN的齿轮故障诊断

为实现齿轮故障模式的有效识别,提出了基于峭度准则变分模态分解(VMD)的样本熵与概率神经网络(PNN)的齿轮故障诊断方法。首先,利用VMD将齿轮振动信号进行分解;然后,提取峭度最大及次大分量的样本熵并组成特征向量;最后,将特征向量分别输入BPNN和PNN实现故障模式识别。通过齿轮故障试验对该方法进行验证,结果表明,基于峭度准则VMD样本熵与PNN相结合时的故障诊断准确率达96.25%,高于与BPNN结合时的准确率;将所提方法与基于峭度准则EEMD,LMD,EMD样本熵分别与神经网络结合时的诊断准确率进行对比,则明显高于其他三种方法,证明了所提方法的可行性和有效性。     

基于t-SNE和核马氏距离的滚动轴承健康状态评估

针对滚动轴承在健康状态评估过程中,退化状态特征筛选和健康指数难以构建等问题,提出了一种基于t-SNE(t-distribution Stochastic Neighbor Embedding)和核马氏距离的滚动轴承健康状态评估方法。首先,利用随机森林算法筛选出重要性较高的退化状态特征,并构建高维相对退化状态特征;其次,为防止退化状态特征冗余对评估结果产生影响,利用t-SNE对高维相对退化状态特征集进行降维,将退化状态特征进行融合;最后,将其与等距映射(Isometric mapping, Isomap)、KPCA方法对比,以验证t-SNE流形学习算法进行退化状态特征降维的有效性与优越性,结果表明t-SNE算法具有一定优势。最终结果验证了所提方法的有效性。     

基于单层SAE与SVM的滚动轴承性能退化评估

滚动轴承是旋转机械设备的常用关键部件之一,其性能退化评估是机械设备状态监测与视情维修的基础和依据。为及时准确掌握滚动轴承性能退化趋势与程度,提出基于单层稀疏自编码学习和支持向量机的滚动轴承性能退化评估方法,研究能够深度挖掘数据各种潜在隐含信息的稀疏自编码学习方法以及基于时频域特征和稀疏自编码学习的轴承状态特征的提取方法;提出基于支持向量机分类算法改进的轴承性能退化评估算法,并应用到滚动轴承的性能退化评估模型中,确定了模型参数寻优的方法;最后将所获得的轴承状态特征输入到轴承性能退化评估模型,得到了轴承性能退化趋势图,并通过滚动轴承实例验证了所提出方法的实用性。     

基于熵特征与HMM的滚动轴承退化状态识别

为准确识别滚动轴承的性能退化状态,提出一种基于熵特征与隐马尔科夫模型(Hidden Markov Model,HMM)的轴承退化状态识别方法。该方法提取轴承振动信号的多尺度模糊熵和VMD能谱熵作为退化特征向量,利用全寿命数据样本的退化特征向量训练不同退化状态下的HMM模型,最后通过建立的HMM模型库并根据最大对数似然概率原则识别轴承退化状态。其中,针对人为划分轴承退化阶段的不足,采用GG聚类方法实现全寿命数据在时域上的退化阶段划分。实测数据分析结果表明,所提方法能够达到90%以上的识别率,优于常用退化指标下的识别效果。     

基于VMD-样本熵和SSAE的齿轮故障诊断

针对旋转机械中齿轮故障非线性、非平稳并伴有一定的噪声干扰的特点,文章提出一种基于变分模态分解(Variational mode decomposition, VMD)和堆叠稀疏自编码(Stack sparse auto encoder, SSAE)的齿轮故障诊断方法。将原始齿轮振动信号由一维转化为二维信号,对二维信号每一行进行VMD分解得到若干有限带宽的内禀模态分量(Bandwidth limited intrinsic mode function, BLIMF),比较各模态分量的样本熵,选择样本熵最大的模态分量构成特征向量。将特征向量作为SSAE的输入进行模式识别,最终实现齿轮故障的分类。通过实例验证及对比实验,结果表明该方法具有较高的分类精度和诊断效率。     

基于谱估计与核模糊聚类的往复压缩机轴承故障评估方法北大核心

针对往复机轴承性能衰退评估中模型适应性和指标量化困难等问题,提出一种基于奇异谱分布与核模糊C均值聚类算法(KFCM)的性能衰退评估方法。利用变分模态分解(VMD)算法提取并优选主模态多重分形奇异谱(MSS)构成谱形态参量,经奇异值分解降噪处理,建立KFCM与二叉树支持向量机相结合的评估模型,并给出完整的轴承性能衰退评估流程;进行压缩机轴承磨损故障模拟及算法对比分析。结果表明:该方法能有效评定滑动轴承磨损故障性能衰退程度。     

基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断

滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明：该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。     

基于遗传算法的激光扫描仪误差标定研究

采用平面二维球列对激光扫描仪误差进行标定,为提高标定精度,在Matlab环境下利用遗传算法对扫描所得球列点云数据进行了优化处理,以球心3个坐标为优化变量,以球面点云的各点到待求球心的距离与钢球标称半径的差值的标准差最小化为优化目标,采用SGA算法优化得到各个钢球的最优球心坐标,再与由超精密仪器得到的孔板圆孔中心坐标比较计算得到各点误差,实现对扫描系统的标定。实验表明:该标定方法合理可行,标定结果较为精确。     

基于VMD分解与卷积神经网络的液压泵故障诊断

针对液压泵数据退化特征维数高以及故障诊断精度不高的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与卷积神经网络（Convolutional Neural Network,CNN）的液压泵故障诊断方法。利用VMD良好的分解能力处理高维度数据,进行数据扩展,提取详细特征;基于CNN良好的特征提取和分类性能,在不需要先验知识的情况下直接从数据中提取特征,实现高精度故障诊断。该方法因具有端到端特征学习能力,在实测液压泵数据上进行验证,具有较高的故障诊断精度和稳定性。     

轴向柱塞泵滑靴副服役损伤与防护的研究进展

轴向柱塞泵是液压传动系统的核心动力元件,广泛应用于诸多工程领域。滑靴副是轴向柱塞泵中3对关键摩擦副(滑靴副、配流副和柱塞副)之一,显著影响柱塞泵的服役安全。滑靴副的磨损是引起柱塞泵失效的主要原因,开展滑靴副的服役损伤与防护措施研究对柱塞泵向高速、高压化技术发展有着重要意义。概述了轴向柱塞泵的基本工作原理;介绍了滑靴副间隙润滑油膜的形成和3大作用(润滑、密封和承载),以及油膜特性测量方法和影响因素;阐述了滑靴副的磨损机理、磨损影响因素及磨损状态评估方法;基于滑靴副的油膜特性及磨损机理,着重讨论了滑靴副延寿设计方法和失效防护措施,如优化滑靴副材料匹配、结构的延寿设计方法,以及利用表面织构化、固体润滑涂层改善滑靴副表面摩擦学性能的表面改性方法。表面织构化的原理是利用微纳米加工手段在滑靴副材料表面加工出具有一定形状、尺寸且排列规则的几何阵列来收集磨屑、储存润滑介质或通过产生流体动压效应来增强润滑进而减小磨损,固体润滑涂层则是通过改变基体表面的组织结构来提高滑靴副表面的承载力和增强滑靴副的自润滑性能。最后对轴向柱塞泵滑靴副未来的研究方向提出了展望。     

基于VMD_IWT近似熵与PSO_SVM的转子故障诊断

针对转子故障振动信号的非平稳性、非线性特征,提出了基于变分模态分解_改进小波阈值(VMD_IWT)近似熵与粒子群优化支持向量机(PSO_SVM)的转子故障诊断方法。首先对振动信号进行VMD分解,对分解后的各分量进行改进小波阈值处理;然后,提取降噪后信号的近似熵作为特征值组成特征向量;最后,将特征向量输入PSO_SVM进行故障分类识别。将该方法用于实际转子实验数据,并通过对比分析,分别证明了VMD、IWT和PSO_SVM方法的有效性,且文中所提方法的故障诊断准确率高达95%,证明该方法具有一定的实际应用价值。     

基于AR能量比-FCM的滚动轴承退化状态定量评估

在长期的使用过程中,滚动轴承的使用性能会发生不同程度的退化,如果能对工作中滚动轴承的退化程度定量评估,则可以避免事故的发生。使用自回归模型对滚动轴承全寿命周期的振动信号进行滤波,计算滤波后剩余分量能量与滤波后信号能量的比值,即AR能量比,以此作为特征向量。采用min-max标准化方法处理得到的特征向量,输入到建立好的模糊C均值(FCM)模型中,得到性能退化指标DI值,并描绘出性能退化曲线。对信号进行包络谱分析,验证评估结果的正确性。     

基于VMD能量熵和HMM的行星齿轮箱故障识别方法

针对行星齿轮箱振动信号成分复杂、非平稳、非线性的特点,提出一种基于变分模态分解(VMD)能量熵和隐马尔科夫模型(HMM)的故障识别方法。利用VMD算法对不同故障类型的齿轮振动信号进行分解,提取经信号分解得到的各阶本征模态函数(IMF)的能量熵。基于不同故障类型的各IMF分量能量熵在分布上的各异性,将其集合作为故障识别的特征向量。利用不同故障类型的特征向量组成的训练集训练HMM,计算最大对数似然概率值,用于判断测试样本的故障类型。利用该方法对一定转速下行星轮的3种故障进行识别,结果表明：当载荷不同时,它对行星轮齿根裂纹、断齿和齿面磨损3种故障的平均识别率可达到95.83%     

基于时间编码信号处理与识别的滚动轴承性能退化程度评估

滚动轴承是最常见的机械设备之一,对其进行性能退化评估是实现视情维修的基础。近年来滚动轴承监测技术已经取得了一定的成果,但找到一个能够对轴承故障进行早期预警且具有可信度高、高效率的监测系统是一大挑战。提出了一种基于时间编码信号处理与识别(TESPAR)的设备性能退化评估方法,并将其运用于滚动轴承不同故障程度实验与全寿命实验。结果表明:TESPAR分析不仅能准确分辨不同故障程度,且对轴承故障的变化具有敏感性。     

基于GA随机共振的模糊SVDD轴承性能退化评估

提出了一种基于遗传算法随机共振与模糊支持向量数据描述相结合的轴承性能退化评估方法。首先结合遗传算法,应用稳定约束条件下的自适应随机共振方法对轴承故障微弱信号进行提取,在保证收敛性的条件下得到所需的特征集;然后从得到的特征集中选取多个特征作为模糊支持向量数据描述的输入,利用训练样本得到超球体模型,进一步提出一个轴承退化综合性能评估指标。最后利用不同方法对实验数据进行评估对比验证了该方法能够更早的检测出轴承的性能退化时刻,并且能够更加形象的描述轴承性能退化过程。     

基于优化变分模态分解和卷积神经网络的齿轮故障诊断

针对齿轮振动信号具有非稳定特性、为了实现减速机齿轮箱的智能诊断且变分模态分解(VMD)参数组合[K,α]的大小需要使用者反复尝试而不能有效确定的问题,提出了一种改进的遗传算法(MGA)对变分模态分解参数优化选取方法,在此基础上将优化的VMD与深度卷积神经网络(DCNN)结合。提出了优化VMD与DCNN齿轮智能故障诊断方法,首先用优化后的VMD对信号进行分解,其次采用DCNN进行故障模式识别。最后,将该方法应用于实例中,结果表明,该方法不仅有效地对信号进行分解和对齿轮故障类型可达到精准识别,同时还可诊断齿轮轻度磨损的早期故障。     

基于优化CNN的航空液压管路卡箍故障诊断

针对航空发动机液压卡箍-管路系统具有高度复杂性,导致卡箍振动信号存在非线性、非平稳性,从而难以提取出卡箍故障状态有效信息的问题,提出一种基于优化变分模态分解(VMD)与卷积神经网络(CNN)的卡箍智能故障诊断方法。基于优化的VMD将液压管路系统-卡箍振动信号分解成一系列固有模态函数;将含有卡箍故障信号明显的IMF输入到卷积神经网络训练模型,采用CNN进行自主特征学习和模式识别。并将该方法应用于实例中,结果表明:该方法不仅能有效地对信号进行分解,同时对不同类型的卡箍故障可达到精准识别和故障诊断。