基于HMM和CS-VMD的滚动轴承故障诊断

针对滚动轴承故障信号非线性和非平稳的特点,为准确识别滚动轴承的故障类型,提出了一种基于隐马尔可夫模型(HMM)并利用布谷鸟搜索(CS)优化变分模态分解(VMD)的滚动轴承故障诊断新方法。首先,利用CS分别优化VMD的模态分解个数K和二次惩罚因子α;然后,设置寻优得到的最佳参数组合,将故障信号经VMD分解为一系列本征模态函数分量(IMFs);最后,依据相关系数重构信号,并从重构信号中提取特征向量输入HMM模型中训练及识别。通过对实验采集的轴承故障振动信号的分析,验证了此方法的有效性和准确性。     

基于小波包-连续HMM的故障诊断模型及应用

结合小波包分析方法适于处理非平稳信号的特点及隐马尔可夫模型(HMM)的训练样本少与可解释的优点，提出基于小波包-连续HMM故障诊断方法。通过小波包分析方法从滚动轴承振动信号中提取特征，训练连续高斯密度混合HMM，再利用训练好的HMM进行滚动轴承状态监测和故障诊断，实验结果表明该方法能利用少量样本进行训练和有效诊断。     

基于连续高斯密度混合HMM的滚动轴承故障诊断研究

滚动轴承在直升机的传动系统中占有十分重要的地位，对其进行快速有效的状态监测与故障诊断具有重大意义。由故障诊断和隐马尔可夫模型(Hidden Markov Model，HMM)本质上的相通性，利用连续高斯密度混合隐马尔可夫模型分析滚动轴承的振动信号，先以基于短时傅里叶变换的倒谱系数为特征训练模型，再利用模型进行状态监测和故障诊断，实验结果表明该方法能利用少量样本进行训练和有效诊断，且具有训练时间短、诊断速度快的优点。     

基于HMM的机械设备运行状态评估与故障预测研究综述

随着对机电设备安全性和可靠性要求的不断提高,准确获取趋势性故障发展历程的退化特征信息并建立有效的故障预测模型是提高设备运行可靠性的关键。隐马尔可夫模型(Hidden Markov Model,HMM)具有描述隐藏状态和观测状态的双随机过程属性,与设备的退化过程在某种程度上是相似的,因此成为故障预测模型的研究热点。综述国内外基于隐马尔可夫模型的退化评估与预测方法,重点论述基于隐马尔可夫模型及其改进方法隐半马尔可夫模型(Hidden semi-Markov Model,HSMM)的机械设备故障预测方法,分析比较各种方法的优缺点,并总结展望基于隐马尔可夫模型故障预测方法的发展趋势。     

基于MTF-DenseNet的滚动轴承故障诊断

针对滚动轴承振动信号的特征难以提取的问题,提出一种基于MTF-DenseNet的滚动轴承故障诊断方法.利用马尔可夫变迁场(MTF)将滚动轴承的一维时间序列信号进行编程,生成二维图像,从而很好地保留时间序列信号的时间依赖性和频率结构,之后将其输入到密集连接卷积网络(DenseNet)实现故障特征的提取,进而实现故障诊断....     

基于改进HMM的潜在电子故障状态识别模型

针对复杂电子装备隐性故障难以诊断的难题,在深入分析隐马尔可夫模型的核心问题及基本算法的基础上,探讨了其在故障诊断应用中存在的主要问题,建立了多状态电子装备可靠性评估模型,利用系统可靠性评估结果作为隐马尔可夫模型的初始模型特征量,改进了传统的隐马尔可夫模型,并对Baum-Welch训练算法进行了优化,形成了一套适于复杂电子装备潜在故障状态跟踪识别的数学模型.实验结果显示,理论方法及模型能够更好地识别潜在故障状态,加快了模型训练速度,提高了故障状态识别率.     

基于混合域特征集与加权KNN的滚动轴承故障诊断

针对滚动轴承的早期故障特征微弱难以有效辨识的问题,提出基于混合域特征集与加权K-近邻分类器的滚动轴承早期故障诊断方法。首先,基于时域、频域、时频域信号处理方法计算滚动轴承早期故障的特征指标量,构造混合域特征集,再将混合域特征集输入给KNN实现滚动轴承的早期故障诊断。实验结果表明,基于混合域特征集与加权K-近邻分类器的滚动轴承早期故障诊断方法能够有效地提取滚动轴承早期故障的低维敏感特征,而且结构稳定,诊断精度高,可以推广应用于滚动轴承的实时在线监测。     

基于小波包分解和频率加权能量算子的滚动轴承故障诊断

针对强背景噪声下故障特征信号提取难的问题,利用小波包分解能重构信号高低频的特点和频率加权能量算子抗干扰性强的优势,提出基于小波包分解与频率加权能量算子相结合的滚动轴承故障诊断方法。首先运用小波包分解对原始信号进行三层小波包分解,通过计算各个分量的峭度得出最优分解系数;再利用频率加权能量算子追踪信号的瞬时能量并求其包络谱;最后分析包络谱中频率成分并与对应故障特征频率进行对比。仿真信号和实验数据都能证明所提方案的有效性和实用性。     

基于最优阶次HMM的电机故障诊断方法研究

介绍了一种基于隐马尔可夫模型的电机匝间短路故障诊断方法,方法中提出了一种基于信息熵的隐马尔可夫模型阶次选取策略,该策略根据求解符号出现概率的熵速率与隐马尔可夫模型阶次的关系确定模型最佳阶次,确保在得到合理的模型结构的前提下,使该模型的计算代价最小,从而得到最优隐马尔可夫模型.将该最优隐马尔可夫模型应用于电机匝间短路故障诊断实验中,获得满意的诊断结果,结果表明在保证匝间短路故障诊断精度不变的情况下,通过合理选取隐马尔可夫模型的阶次可以有效地减少模型的计算代价,提高模型的计算效率.     

特征矢量优化的滚动轴承故障诊断

为提取小波包频带中的有效故障信息,基于Fisher线性测度提出一种新的特征矢量优化方法。轴承振动信号经小波包分解后,各子频带数据片段的能量值作为参数构建特征矢量。使用差异性和相似性优化相结合方法,分别选出不同轴承状态下Fisher距离较大的小波包频带,以及同种轴承状态下Fisher距离最小的频带,提取出易于区分不同轴承状态的故障信息。故障辨识使用连续型隐马尔可夫模型,在3种故障程度下实现了轴承正常状态、滚动体故障、内圈和外圈故障的有效判别,辨识精度大于94%。比较实验表明文中方法的辨识精度优于文献方法。     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。     

基于神经网络的滚动轴承故障监测

通过对滚动轴承振动信号的分析处理，提取反映轴承运行状态的特征参数组成特征向量，利用神经网络的函数逼近和记忆能力，实现滚动轴承运行状态的故障监测。     

基于关联维数的铁路货车滚动轴承故障诊断

将关联维数用于定量刻划滚动轴承在不同工作状态下的振动特征,进而对故障分类。同时提出用小波分析对原始数据进行降噪处理。文中以铁路货车轴箱197 726双排圆锥滚子轴承为例,计算了正常轮对、滚子损伤和外圈剥离三种情况下降噪处理前后振动信号的关联维数,分析结果表明,滚动轴承不同工作状态下的关联维数有明显差别,因此可以将关联维数作为识别滚动轴承故障的特征量。     

基于共振解调的滚动轴承故障诊断的研究与实现

滚动轴承故障诊断是机械故障检测中的一个重要方面,通过对滚动轴承典型故障机理及实际振动特征的分析,发现共振解调是一种有效分析滚动轴承故障信号的方法,而且具有一定的现实意义。     

基于SVM的航空发动机滚动轴承故障诊断技术研究

滚动轴承是航空发动机中应用非常广泛的一种通用机械部件,本文提出了基于支持向量机的航空发动机轴承故障诊断模型,并且通过实证研究,证明了该方法在航空发动机故障诊断的优越性。     

基于包络分析的滚动轴承故障诊断研究

在研究滚动轴承振动机理的基础上,提出了利用对振动信号进行包络分析,以及特征提取的方法来进行故障类型的判断。在QPZZ-Ⅱ型故障模拟实验台上进行了滚动轴承实验,对振动信号进行包络分析和特征提取,准确地判断出了滚动轴承的故障类型,证明了该方法是有效的。     

基于自适应自相关谱峭度图的滚动轴承故障诊断方法

自相关谱峭度图通过最大重叠离散小波包变换对信号频谱进行分割,并选取最大峭度值所对应频带内的信号进行诊断分析.针对自相关谱峭度图方法在分割频带时因遵循二叉树结构而导致的频带划分区域固定问题,提出一种基于自适应自相关谱峭度图方法的滚动轴承故障诊断方法.自适应自相关谱峭度图方法以改进的经验小波变换为基础,对原始信号傅里叶谱进...     

滚动轴承故障的非线性诊断方法

反映滚动轴承故障的特征周期信号处于较低频带内，容易被噪声淹没，难以检测。针对当前的诊断方法没有充分利用其故障特征频带的问题，提出了基于混沌振子的滚动轴承故障的非线性诊断方法。该方法直接检测故障的低频特征信号，完成故障诊断。讨论了该方法的适用场合，并将其应用在滚动体剥落故障的诊断上，取得了良好的效果。     

基于增强深度自编码网络的滚动轴承故障诊断方法

为了提高深度自编码网络的特征挖掘能力,自适应地选取网络超参数,提出了一种增强深度自编码网络,并将其应用于滚动轴承故障诊断。采用最大相关熵代替均方误差作为自编码器的损失函数,加入稀疏惩罚项和嵌入非负约束因子的收缩惩罚项,进一步减小重构误差;通过灰狼优化算法自适应地选取网络关键参数。实验分析结果表明,与现有方法相比,该方法具有更强的特征提取能力与稳定性,对变工况下的轴承振动数据也能达到较高的识别精度。     

基于PPCA-EWT的滚动轴承轻微故障诊断

针对经验小波变换(empirical wavelet transform,简称EWT)在强背景噪声下对轴承的轻微故障特征提取不足的问题,提出了概率主成分分析(probabilistic principal component analysis,简称PPCA)结合EWT的滚动轴承轻微故障诊断方法。首先,对信号做PPCA预处理,提取信号主要故障特征成分,去除强背景噪声干扰;然后,采用EWT方法分解轴承故障信号,按相关系数-峭度准则选出故障特征较为明显的分量,并将所选分量重构故障信号;最后,对信号采取包络分析,提取出轴承故障特征。仿真和实验结果表明,该方法能够有效地诊断出轴承故障且效果优于对信号进行EWT包络分析。