频域组稀疏滚动轴承特征提取方法

针对时域非平稳振动信号模式混叠、信噪比低,以及传统稀疏表示算法模型复杂、优化求解算法难以确定,导致故障特征提取难的问题,提出了频域组稀疏和群桥约束改进迭代收缩阈值优化的故障特征提取方法（Group Sparse Representation in Frequency Domain,GSRF）。将振动信号转换至频域并对变量分组,构造施加群桥约束的最小二乘回归模型,准确筛选冲击相关变量;引入迭代重加权系数简化方程,以软阈值收缩优化求解频域稀疏信号;对重构的时域稀疏信号进行包络频谱分析提取故障特征。试验结果表明,提出的频域组稀疏算法优于传统的结合L21范数约束的组稀疏索套方法,可有效提取微弱故障特征,实现稀疏域下的轴承故障诊断。     

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络（即深度卷积测量网络）代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。     

故障特征选择与特征信息融合的加权KPCA方法研究

针对旋转机械振动故障特征与故障类别间不完全对应问题,以双跨转子系统12个通道的故障信息集合为研究对象,提出一种基于加权核主成分分析的故障敏感特征集合提取方法。通过对每个通道的振动信号进行时域、频域、时频域的特征提取,得到一种描述双跨转子系统的原始故障特征集合。采用多准则特征选择方法对这种原始故障特征集合进行特征属性筛选,得到一种利于故障分类的敏感特征集合。对这12个通道的敏感特征集合进行信息融合处理,可得到一种多通道信息的融合特征向量,利用加权核主成分分析方法提取出融合特征向量中的核主成分。结果表明,这种核主成分能够显示出故障类别间的较显著差异,和具有较好的敏感特征子集寻优能力。该研究为解决好双跨转子系统的故障数据集的类别划分问题,提供了一种新途径。     

一种盲源提取方法及其在滚动轴承故障特征提取中的应用

利用滚动轴承发生故障时其故障信号往往呈现出一定周期性的特点,首先计算出故障信号的理论基本周期τ,将τ作为待提取源信号的基本周期用所述方法的相关步骤计算出大致目标源信号及权重分离矩阵^W。然后将^W作为初始权重分离矩阵,将基于高阶统计量的固定点算法用于原始观测信号提取出更为精确的目标故障信号。通过仿真信号和实验信号验证了所述方法相对于约束独立成分分析(Constrained independent component analysis,CICA)方法具有以下优点:不需要精确估计目标源信号的周期及不需要构建精确的参考信号。此外,通过仿真还验证了所述方法相对于其他较新的盲源提取方法具较高的提取精度等优点。     

基于循环谱分析的鲁棒性滚动轴承故障特征提取方法EI北大核心CSCD

循环平稳分析是滚动轴承故障特征提取的重要方法之一,但在用于滚动轴承故障特征提取时,存在因干扰成分较强而不能有效提取轴承故障特征的问题。为能在干扰环境中有效提取滚动轴承故障信息,基于循环谱分析提出一种鲁棒性滚动轴承故障特征提取方法。首先通过离散随机分离(discrete random separation,DRS)分析分离信号中的周期分量,提取其随机分量;随后用Teager能量算子(Teager energy operator,TEO)提取随机分量的振动能量序列;再对该序列进行快速谱相关(fast spectral correlation,Fast-SC)分析,采用基于能量熵的能量差异系数评价各循环频率(阶次)切片的能量强度;最终经熵加权降低无关干扰成分影响以有效提取故障特征。通过传统的快速谱峭度、快速谱相关和基于总变差去噪的快速谱相关分析方法与该方法对美国智能维护系统中心的滚动轴承振动数据以及实测齿轮箱复合故障试验信号进行对比分析,验证了该方法在滚动轴承故障诊断应用中的优势。     

KPCA和耦合隐马尔科夫模型在轴承故障诊断中的应用

针对多通道数据的有效融合能够更加准确地诊断轴承的故障,提出了一种基于KPCA和耦合隐马尔可夫模型(CHMM)的轴承故障诊断方法。首先,分别对轴承各通道的振动信号进行特征提取,获得特征向量。然后采用KPCA对各通道的特征向量分别进行特征约减,获取主要的信息成分。最后,利用CHMM对多通道信息进行融合和故障诊断。通过对滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下实验数据的分析表明,该方法能够更加有效地诊断轴承的故障。     

基于EMD的滚动轴承故障特征提取方法

故障特征提取是滚动轴承故障诊断的关键环节。首先系统研究经验模式分解方法;然后介绍在经验模式分解基础上提出的几种方法,包括：希尔伯特-黄变换,局域均值分解以及集合经验模态分解。分析各种方法的基本原理、应用和特点。EMD与多种故障特征提取方法相结合是轴承故障特征提取的研究方向。     

基于调制增强切片MSB的滚动轴承故障特征提取方法

针对快速谱峭度图和传统切片MSB(modulation signal bispectrum)算法在强干扰条件下提取轴承故障特征不佳的问题,提出一种基于调制增强切片MSB的滚动轴承故障特征提取方法.首先利用MSB算法计算得到原始振动信号的调制信号双谱,对主维度进行切片叠加得到载波谱;然后基于MSB凸显滚动轴承故障信号调制...     

基于复包络谱的滚动轴承故障特征提取方法研究

提出一种基于复包络谱的滚动轴承故障特征提取方法.采用正交采样技术获取滚动轴承同一支撑处互相垂直方向上的振动信号,并将其组成一个复数信号;运用二元经验模态分解(bivariate empirical mode decomposition,BE-MD)将复数信号分解成若干复固有模态函数(complex intrinsic ...     

基于DS–PCA模型的包装设备滚动轴承故障诊断方法研究

目的 针对包装设备长期连续工作的工作特性,对其滚动轴承的常见失效故障进行分析,提出一种基于DS–PCA模型的滚动轴承故障诊断方法,构建滚动轴承DS–PCA故障诊断模型,实现包装设备中滚动轴承的在线故障诊断。方法 先运用DS证据理论对采集到的滚动轴承径向振动数据和轴向振动数据进行融合,使得信息具有整体完备性,同时对采集信号进行决策规则下的去噪处理,剔除干扰噪声信息;然后利用主成分分析法(PCA)将融合后的振动信号数据进行Q与T²的统计量计算,并通过对故障轴承振动信号的Q与T²统计量计算,确立故障时的经验阈值;最后,依据实时统计量与经验阈值对比,判断滚动轴承是否发生故障。结果 通过对西储大学公开的滚动轴承试验数据分析计算,得到滚动轴承故障诊断准确率达到94%。结论 该方法满足包装设备故障诊断的要求,其应用将有利于提升包装企业的生产质量和效率。     

基于经验模态分解和主成分分析的滚动轴承故障诊断研究

针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。     

基于QGA优化广义S变换的滚动轴承故障特征提取

考虑到实际工程环境中噪声对故障特征提取的影响,提出了基于量子遗传算法(QGA)优化广义S变换的滚动轴承故障特征提取方法。该方法以时频分布集中程度为评价标准,首先采用量子遗传算法自适应地选取广义S变换中最优窗口控制参数,然后提取信号变换后复时频矩阵的模向量作为滚动轴承故障特征向量。利用该方法提取的滚动轴承故障特征与其它故障特征进行故障识别对比研究,实验结果表明该方法能够更准确地提取出故障特征,验证了方法的优越性。此外,对不同噪声强度背景下的滚动轴承振动信号进行故障特征提取,诊断结果进一步显示所提方法具有良好的抗噪性和健壮性。     

基于改进经验小波变换的滚动轴承故障特征提取方法研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于改进经验小波变换的故障特征提取方法。通过包络分析和对包络曲线进行阈值分割修整的方法来确定经验小波变换分解的模态数和频率边界,解决传统经验小波变换需要预先设置分解模态数和难以对信号频谱进行适当分割问题,以实现对振动信号故障信息更准确的描述。实验表明,该频谱分割方法能够有效检测信号最佳模态分解数,使得信号的频谱分割更为容易、可靠。相比传统EWT和EMD,改进经验小波变换的滚动轴承内圈、外圈Hilbert变换时频图对振动信号的故障相关特征描述更为清晰,在滚动轴承故障特征提取方面表现更为优越。     

基于机匣振动信号的滚动轴承故障特征提取

通过进行带机匣测点的滚动轴承故障模拟实验,获取滚动轴承在故障状态条件下,轴承座测点和机匣测点的振动数据。分析结果显示,相对于轴承座,机匣上的振动信号成分复杂,轴承故障特征不明显,直接进行包络解调无法提取故障特征。通过奇异值分解(singular value decomposition,SVD),差分谱中各峰值处奇异值可以表征不同成分的信号。当轴承故障信号微弱时,第一个峰值处的奇异值重构信号往往代表转频及其调制信号分量,选取该靠后峰值处的奇异值进行信号重构可以有效提取轴承故障特征信号。研究内容为实际基于机匣测点信号的航空发动机滚动轴承故障特征提取提供了一种新的方法。     

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。     

基于互信息的滚动轴承故障特征选择方法

信号特征提取与优化选择是实现滚动轴承故障模式快速有效分类的关键.针对滚动轴承故障信号特征提取,采用小波分解和奇异值分解得到信号的能谱和奇异谱,并计算Shannon熵和Renyi熵两种测度下的能谱熵和奇异熵;针对特征参数集的优化选择,提出利用基于互信息的最大相关最小冗余准则(mRMR)对特征参数集进行评价,通过贪婪搜索得到特征子集序列,利用LS-SVM交叉验证各特征子集的性能,提出确定最优特征子集所包含特征数目的准则.从信号处理、特征提取、特征选择和故障分类等方面构建了滚动轴承故障诊断的完整体系,实际故障诊断表明所提出方法的有效性和优越性.     

滚动轴承局部故障数学模型的建立与应用

在前人所建立的模型基础上,引入了滚动体的随机滑动和周期性变化的振动传递函数,并综合考虑了静态载荷分布和故障点的位置,建立了滚动轴承局部故障的随机振动数学模型。模型使用MATLAB语言编程实现,并通过给其混入噪声进行故障诊断试验,验证了该模型在轴承故障机理分析和故障诊断方面的实效性。     

基于延时嵌入法的大机组故障特征提取技术

论述了延时嵌入相空间重构方法及其伪相图的获取技术 ,将这一方法用于大机组非线性故障的定性特征提取。几个故障实例的分析结果表明 :伪相图在一定程度上与转子的轴心轨迹类似。由于伪相图可通过一维时间序列而得到 ,而且伪相图的构造过程包含了降噪过程。因此 ,将伪相图应用于大机组非线性故障的特征提取具有一定的优越性。     

基于多尺度时不可逆与t-SNE流形学习的滚动轴承故障诊断EI北大核心CSCD

为了精确地提取机械振动信号的非线性故障特征,提出了一种新的振动信号复杂性测量方法——多尺度时不可逆。同时结合t-分布邻域嵌入(t-SNE)流形学习和粒子群优化-支持向量机(PSO-SVM),提出了一种新的滚动轴承故障诊断方法。采用多尺度时不可逆提取复杂振动信号的特征信息;利用t-SNE对高维特征空间进行降维;将低维特征向量输入到基于PSO-SVM多故障模式分类器中进行识别与诊断。将提出的方法应用于试验数据分析,并与现有方法进行了对比,分析结果表明,该方法不仅能够有效地诊断滚动轴承的工作状态和故障类型,而且优于现有方法。     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。