基于IFD与DE-ELM的轴承故障诊断

针对局部均值分解（LMD）实现过程中存在的模态混淆现象和端点效应,影响识别精度的问题,提出了一种基于本征频率尺度分解（IFD）与差分进化极限学习机（DE-ELM）的方法。该方法将数字图像处理的频率分辨率概念与LMD结合起来;首先确定原始振动信号中的所有局部极值点的频率分辨率,将振动信号分为高频率分辨率区域和低频率分辨率区域;然后,构造本征频率尺度函数,将本征频率尺度函数添加到局部极值点低频率分辨率区域;最后,对添加本征频率尺度函数的原始振动信号进行LMD分解,在得到的乘积函数（PF）分量中剔除本征频率尺度函数,就可以得到突出原始信号振动特征的不同频率分辨率的PF分量,提取PF分量的特征参数构建特征向量作为DE-ELM的输入,进行故障类型识别。将该方法应用于轴承故障诊断,与LMD相比,故障识别精度提高了8.33%,表明了该方法的有效性与可行性。     

基于条件局部均值分解与变量预测模型的轴承故障诊断方法

针对局部均值分解(LMD)方法在分解非线性、非平稳振动信号过程中存在的模态混淆现象,从而影响故障识别准确性的问题,提出了基于条件局部均值分解方法(CLMD)与模式识别变量预测模型(VPMCD)的故障诊断方法。该方法将数字图像处理的频率分辨率方法与LMD相结合,首先确定振动信号中所有局部极值点的频率分辨率,将振动信号分为低频率分辨率区域和高频率分辨率区域;然后对高频率分辨率区域进行LMD分解,可得若干乘积函数(PF)分量;最后用折线将所有PF分量连接起来,经滑动平均处理可得PF分量,提取PF分量的偏度系数和能量系数构成故障特征向量,用于VPMCD故障识别。将该方法应用于轴承故障诊断,实验结果表明,与LMD方法相比,识别效率提高了8.33%,表明了该方法的有效性和可行性。     

基于LMD基本尺度熵的AP聚类滚动轴承故障诊断*

摘要：针对滚动轴承聚类故障聚类模式识别方法中需要预先设定聚类数目问题,提出了一种基于局部均值分解（Local Mean Decompoeiton, LMD）与基本尺度熵（Base Scale Entropy, BSE）的相邻传播（Affinity Propagation, AP）滚动轴承聚类故障诊断方法。该方法首先使用LMD模型将滚动轴承的不同状态振动信号分解为若干乘积函数（Production Function, PF）。其次使用BSE计算前3个PF的熵值（BSE1-BSE3）,并将其作为AP的输入进行滚动轴承的故障模式识别。最后实验结果表明在不需要划分聚类中心个数的前提条件下AP聚类模型对滚动轴承的故障划分效果较好。 关键词：局部均值分解;基本尺度熵;滚动轴承;故障诊断;AP聚类算法     

基于LMD的模态参数识别方法

采用局部均值分解（Local Mean Decomposition,LMD）方法来识别机械系统固有频率和阻尼比。局部均值分解（LMD）方法可以自适应地将一个复杂信号分解为若干个具有一定物理意义的PF（Production Function）分量之和,采用LMD方法对脉冲激励下机械系统的加速度响应信号进行分解,得到一列具有物理意义的PF分量,每一个PF分量可以对应于某一个模态下的振动响应,进而就可以通过拟合瞬时频率和瞬时幅值曲线识别模态固有频率和阻尼比。先采用仿真信号进行了分析,使用LMD方法和经验模态分解方法（Empirical Mode Decomposition,EMD）对梁的瞬态响应实验数据进行模态识别并同仿真结果进行对比研究,结果表明用LMD进行模态分析具有较好的效果。     

BP神经网络在滚动轴承故障诊断中的应用研究

滚动轴承表面振动信号中包含着丰富的工作状态信息和故障特征信息,从其表面振动信号中提取时域特征参数,可以有效地识别轴承工作状态。通过试验采集振动信号作为识别故障的原始数据,建立基于振动信号的轴承故障诊断神经网络,并对网络进行训练得出标准故障模式,从而最终实现轴承的故障诊断。     

基于有理双树复小波和SVM的滚动轴承故诊断方法

滚动轴承故障类型被支持向量机(SVM)智能识别的关键是故障特征的提取。为了提取最优的故障特征,提高SVM的分类识别精度,提出了基于有理双树复小波和SVM的滚动轴承故障诊断方法。首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量,然后对每个分量求能量并作归一化处理,最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型。研究结果表明该方法可以有效、准确地识别轴承的故障模式。     

基于EMD及改进PSO_BP的电机轴承故障诊断

针对电机轴承故障模式识别和分类问题,提出了采用EMD（Empirical Mode Decomposition）作为振动信号特征提取的方法,并利用改进的粒子群优化（Particle Swarm Optimization,PSO）算法来优化BP神经网络,得到性能优异的分类器,以实现电机轴承的故障模式分类。首先利用EMD将原始电机振动信号分解为8个阶次的IMF(Intrinsic Mode Function)分量,计算每个IMF的能量,并求其占比。分析得到前6阶IMF能量占比在前99%以内,故选取前6阶IMF分量并结合原始振动信号的时域特征参数（峰值因子、波形因子、裕度指标）,得到9维特征参数矩阵。并对获得的特征参数进行主成分分析,以验证特征参数提取的有效性。然后将基于EMD方法的特征参数矩阵作为改进PSO_BP（Particle Swarm Optimization with Back Propagation Neural Network）方法的输入向量,对不同载荷与转速工况下的电机轴承进行故障模式识别。结果表明,基于EMD和改进PSO_BP的方法能够很好地提高电机轴承故障模式识别的准确率。     

基于SVD和TKEO的轴承振动信号特征提取

为了解决滚动轴承振动信号中微弱故障信息难以提取的问题,提出了一种基于奇异值分解（Singular Value Decomposition,SVD）和Teager-Kaiser能量算子（Teager-Kaiser Energy Operator,TKEO）的轴承振动信号特征提取方法。采用SVD将突变信息从背景噪声和光滑信号中分离,提取信号的突变信息;利用TKEO计算突变信息的瞬时能量,对该能量信号进行频谱分析,从而提取出轴承振动信号的能量频谱特征,用于故障检测。将该方法应用于轴承外圈、内圈局部故障状态下的振动信号特征提取,利用特征信息能够准确检测并识别出故障类型,表明了该方法的可行性和有效性。     

S能量谱特征提取在轴承故障诊断中的应用

准确提取振动信号的特征,是滚动轴承故障检测的关键问题,为此提出一种基于S能量谱特征提取的故障诊断方法。该方法对振动信号进行S变换,得到时频矩阵,并构建S能量谱,对S能量谱进行奇异值分解（Singular Value Decomposition,SVD）分析,得到能够反映S能量谱特征的奇异值,利用变量预测模型（Variable Predictive Model based Class Discriminate,VPMCD）方法,通过建立特征值之间的内在关系,构建故障识别模型。将所提方法应用于滚动轴承故障检测,实验结果表明,S能量谱特征提取轴承故障诊断方法具有较高的正判率。     

基于递归图和局部非负矩阵分解的轴承故障诊断

针对轴承振动信号的非平稳特征和现实中难以提取故障参数的情况,提出了一种基于递归图和局部非负矩阵分解的轴承故障诊断方法。该方法首先对采集到的轴承振动信号进行递归图分析,生成灰度图;然后用局部非负矩阵分解对生成的递归图进行特征参数提取,得到系数编码矩阵;最后采用分类器对上述编码矩阵直接进行模式识别,从而实现轴承故障的自动化诊断。将该方法应用在4种典型工况的轴承故障诊断实例中,应用结果表明,该方法可对不同工况的递归图自适应地计算特征参数,避免了人为因素对诊断准确率的影响,具有较好的自适应性和鲁棒性。     

A rotating machinery fault diagnosis method based on local mean decomposition

Local mean decomposition (LMD) is a novel self-adaptive time–frequency analysis method, which is particularly suitable for the processing of multi-component amplitude-modulated and frequency-modulated (AM–FM) signals. By using LMD, any complicated signal can be decomposed into a number of product functions (PFs), each of which is the product of an envelope signal and a purely frequency modulated signal from which physically meaningful instantaneous frequencies can be obtained. In fact, each PF is just a mono-component AM–FM signal. Therefore, the procedure of LMD may be regarded as the process of demodulation. While fault occurs in gear or roller bearing, the vibration signals picked up would exactly display AM–FM characteristics. So it is possible to diagnose gear and roller bearing fault by LMD. Targeting the modulation features of the gear or roller bearing fault vibration signal, a rotating machinery fault diagnosis method based on LMD is proposed. In this paper, firstly the LMD method is introduced; secondly, the LMD method is compared with another competing time–frequency analysis approach, namely, empirical mode decomposition (EMD) method and the results show the superiority of the LMD method; finally, the LMD method is applied to the gear and roller bearing fault diagnosis. The analysis results from the practical gearbox vibration signal demonstrate that the diagnosis approach based on LMD could identify gear and roller bearing work condition accurately and effectively.     

基于EMD和优化K-均值聚类算法诊断滚动轴承故障

考虑到滚动轴承振动信号的非平稳特征和实际应用中典型故障样本不易获得等原因,而在实际应用中,故障程度识别和故障类型诊断一样重要,提出一种滚动轴承故障类型及故障程度识别方法。首先对原始振动信号进行EMD分解,对含故障特征的IMF(intrinsic mode function)分量进行信号重构,随后对重构信号进行Hilbert包络谱分析,在提取特征量的基础上,应用优化K-均值聚类算法进行故障类型和故障程度分类。实验结果表明:基于EMD和优化K-均值聚类的故障类型和故障程度识别算法,可将含不同故障类型的样本集,按故障类型进行正确分类;也可将含同种故障类型、不同故障程度的样本集,按故障程度进行正确分类。     

LMD特征融合与SVM的供水管道堵塞识别

针对城市供水管道早期堵塞难以检测的问题,提出了一种基于局部均值分解(LMD)的分量信号特征提取,结合支持向量机(SVM)的堵塞故障识别方法.先对声响应信号进行LMD,得到若干乘积函数(PF)分量,进而采用相关分析法选取有效PF分量,对有效PF分量分别提取能量熵、近似熵和平均声压三个指标的特征,构建分类特征集.最后利用交叉验证(CV)方法优化参数的SVM分类器识别堵塞故障信号.实验结果表明:采取基于LMD特征融合和通过CV优化的SVM相结合的方法可以有效识别供水管道的初期堵塞.与基于LMD特征融合和BP神经网络的方法进行了对比,结果表明:本文方法具有更好的堵塞故障识别效果.     

基于EMD和奇异值分解技术的滚动轴承故障诊断方法

提出了基于EMD(Empirical mode decomposition)和奇异值分解技术的滚动轴承故障诊断方法。采用EMD方法将滚动轴承振动信号分解成若干个基本模式分量(Intrinsic mode function，IMF)之和，并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值，将其作为滚动轴承振动信号的状态特征向量，通过建立Mahalanobis距离判剐函数判断滚动轴承的工作状态和故障类型。实验数据的分析结果表明，本文方法能有效地应用于滚动轴承故障诊断。     

KNN-朴素贝叶斯算法的滚动轴承故障诊断

滚动轴承的故障诊断对于提高工业生产效率,保障工业生产的稳定安全地运行具有重要意义。为了提高滚动轴承故障识别的正确率,提出一种使用KNN-朴素贝叶斯决策组合算法对滚动轴承故障诊断。组合算法利用朴素贝叶斯算法对使用不同K值的KNN算法初步分类结果进行再分类以达到提高滚动轴承故障识别的目的。首先,使用小波包能量法对滚动轴承振动信号进行能量特征提取,然后使用多个参数K值不同的KNN算法对能量特征数据预分类,得到多个KNN算法分类结果集,将分类结果集进行处理得到预分类结果集,将预分类结果集作为朴素贝叶斯算法的输入,使用朴素贝叶斯算法对数据再分类。实验结果表明,组合算法相较于传统KNN算法及贝叶斯算法在滚动轴承的故障诊断率得到了有效提高,实现了对滚动轴承故障的有效诊断。     

基于变分模态分解改进方法的滚动轴承故障特征提取

针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基 于多相关-变分模态分解(MC-VMD)的滚动轴承故障诊断方法。首先对多加速度传感器采集到的 信号进行多相关处理以突出故障信号特征;然后通过VMD 自适应地将信号分解成多个本征模 态分量(IMFs),运用谱峭度法和包络解调对相关峭度较大的分量进行分析;最后通过包络谱识 别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承故障实例数据中,实验结果表 明,该方法可有效提取滚动轴承故障特征频率信息。     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于压缩采集与CNN的风电机轴承故障诊断

针对传统风电机轴承故障检测存在的采样数据量大、故障特征依赖主观选取的问题,提出了风电机轴承故障的信号压缩采集、自动提取特征及故障诊断的方法,解决了风电机轴承振动信号特征提取计算复杂、受先验知识影响较大的问题。首先基于梯度加速法(NAG)和QR分解理论对随机高斯观测矩阵进行优化,实现风电机轴承振动信号压缩采集;然后将压缩采集得到的数据作为卷积神经网络(CNN)的输入,利用卷积池化层提取压缩采集数据中的故障特征;最后,将得到的故障特征通过softmax分类器进行分类。仿真实验表明:该方法能够自动提取风电机轴承的故障特征,在保证较高故障诊断准确率的同时,缩短了网络训练时间。     

变转速下滚动轴承的阶频谱相关域微弱故障特征增强与提取

滚动轴承是旋转机械常用且故障率较高的部件之一,其故障的及时发现,对于设备安全、稳定运行具有重要意义。滚动轴承的早期故障特征十分微弱,容易被强背景噪声干扰所掩盖。同时,滚动轴承往往在变转速工况下运行,故障特征的时变特性导致特征提取较为困难。针对上述问题,提出一种变转速下滚动轴承的阶频谱相关(OFSC)域微弱故障特征增强与提取方法。首先,利用变转速下滚动轴承故障信号的角度时间域循环平稳特性,将故障信号转换到阶频谱相关域。然后,采用鲁棒主成分分析(RPCA)的低秩稀疏分解方法,将轴承振动信号的阶频谱相关矩阵分解为表征轴承故障特征的稀疏成分,并去除表征噪声的低秩成分,进一步提高稀疏分量的分辨率。最后对分解出的稀疏分量构建增强包络阶次谱(EEOS)来检测滚动轴承的故障特征。仿真和实验分析验证了该方法对于变转速工况轴承微弱故障特征增强和提取的有效性和鲁棒性。