基于频域特征和支持向量机的汽车水泵轴承故障诊断研究

为了在线监测与识别汽车水泵轴承的故障类型,以WR3258152型汽车水泵轴承为研究对象,分析了其内部结构和常见故障。根据常见故障,预设了汽车水泵轴承的4类缺陷。在搭建的信号采集实验平台上,利用加速度传感器,分别采集了4类缺陷轴承在运转过程中的振动信号。利用Matlab软件对振动信号进行快速傅立叶变换和频域特征值计算,选用径向基核函数和粒子群参数优化方法建立支持向量机模型,并进行测试验证,结果表明:支持向量机分类方法能精确识别汽车水泵轴承常见的4类缺陷。为汽车水泵轴承的在线监测与故障诊断提供了参考。     

基于KECA和BO-SVDD的滚动轴承早期故障检测

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析（KECA）和贝叶斯优化（BO）算法优化支持向量数据描述（SVDD）的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测,结果表明：KECA能够有效地提取特征信息,减少冗余信息的干扰;该模型整体上能够较早检测出故障的发生,并且有较好的鲁棒性和泛化能力。     

基于随机森林算法的汽车轴承故障检测

针对传统机器学习算法受输入变量限制、且易出现过学习或欠学习,提出不受输入变量限制且存在大量数据缺失时有很好保持精确性的随机森林算法对汽车轴承故障进行检测。对采集到样本数据进行滤波处理,抑制信号中噪声;利用随机森林算法对采集到的时域信号进行分类标识,确定包含故障信息的信号序列;再将信号转换到频域,利用随机森林算法对频域内信号进行检测,确定出故障频率;最后采集试验数据对所提及算法进行验证,结果表明:相比于传统的机器学习算法,随机森林算法响应速度快,且准确率高。     

基于特征融合与HPO-RVM的滚动轴承剩余寿命预测

为准确预测轴承的剩余使用寿命,提出基于特征融合与猎食者-猎物优化(HPO)算法优化相关向量机的轴承剩余寿命预测方法。提取时域、频域和时频域特征准确描述轴承的退化状态,利用综合评价指标对提取的特征进行筛选得到敏感特征集;采用核熵成分分析对敏感特征进行自适应融合,得到轴承的退化特征;构建混合核函数作为相关向量机的核函数以提高模型预测性能;最后,利用HPO算法得到混合核函数的参数,将寻优得到的参数用于寿命预测模型的训练。通过对轴承加速退化数据集进行实验,结果表明：所构建的寿命预测模型优于BP、ELM、SVM等模型,构造的混合核函数模型优于高斯核函数模型,采用的优化算法优于粒子群、遗传算法等。     

基于声音信号Teager能量算子解调的轮对轴承故障检测

Teager能量算子追踪并计算信号的瞬时能量,在检测信号冲击特征方面具有独特优势,已广泛运用于轴承的故障检测,但尚未见其在列车轮对轴承声音信号分析中的运用。为此,提出一种基于Teager能量算子解调的轮对轴承故障检测方案,首先介绍Teager能量算子的概念及解调原理,利用该方法对型号为197726TN的轮对故障轴承服役过程中采集的声音信号进行分析,通过Teager能量算子解调得到信号的瞬时能量波形,再对其进行包络谱分析得到包络谱,进行轴承故障识别。与常规的Hilbert解调方法对比,可知Teager能量算子解调法能更加有效地突显故障信号特征并确定故障类型,其在轮对轴承声音信号故障检测上的优势得到验证。     

Choi-Williams时频分布在CO2焊接电信号检测中的应用

利用二次型时频分析Wigner-Vill分布的改进算法--Choi-Williams(CWD)时频分布研究CO2焊接过程所采集的电弧电压信号,把信号置于时频空间内进行分析,获得相关信号的时频分布图.对于CWD分布的核函数中平滑因子确定前提下的其它四个重要参数,即时窗类型、时窗长度、频窗类型和频窗长度对时频谱图分析效果的影响进行了讨论.进而引入信息熵的概念,并分析了时频分析基于信息熵的参数优化.最后分析了采用最小信息熵的CWD分布参数优化后的一组电弧电压信号时频分布图.结果表明,利用Choi-Williams分布及信息熵最小原则可以描述弧焊电信号的时频分布,并有效抑制交叉项干扰,同时保持较高的时频分辨率.     

ELMD与排列熵在滚动轴承故障诊断中的应用

针对轴承故障信号往往被强背景噪声淹没,采用传统包络解调方法难以提取故障特征的问题,提出总体局部均值分解(ensemble local mean decomposition,ELMD)与排列熵(permutation entropy,PE)相结合的轴承故障诊断方法。首先,对轴承振动信号进行ELMD分解并得到一系列窄带乘积函数(product function,PF),然后,计算各PF分量排列熵以构造高维特征向量,最后将高维特征向量作为多故障分类器的输入来识别轴承故障类型。实验结果表明ELMD方法可以有效地抑制模态混叠;PF分量的排列熵分布可以反应轴承不同工作状态下的信号特征;基于ELMD与排列熵的智能诊断方法可以准确地识别轴承的工作状态和故障类型。     

基于MRSVD与LMD的工业机器人交叉滚子轴承故障特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时出现的模态混淆现象,提出一种基于最大分辨率SVD与LMD的工业机器人交叉滚子轴承故障特征提取方法。以最大奇异值分辨率原则将一维振动信号构造成Hankel矩阵,采用SVD对Hankel矩阵进行分解得到奇异值序列;按照奇异值曲率谱原则及非目标值抑制原则对奇异值序列进行重构,将包含故障突变信息的重构奇异值序列进行SVD逆运算得到重构振动信号;最后利用LMD方法对重构振动信号进行故障特征提取,得到能够表征原始振动信号振动特征的故障特征分量。通过与SVD优化LMD方法对比可知,该方法完整地提取了工业机器人交叉滚子轴承振动信号的微弱故障特征分量,改善了模态混淆现象。     

基于SVD和VMD的轴承微弱故障特征提取及分析

针对轴承微弱故障时冲击信号含有大量噪声且难以提取故障特征频率问题,提出了一种基于奇异值分解(SVD)和变分模态分解(VMD)的轴承故障特征提取方法.该方法先对原始信号进行SVD去噪;再对去噪信号进行VMD分解,得到各个本征模态函数(IMF),根据最大中心频率原则和各个本征模态与去噪信号的相关系数差值确定分解个数,通过加...     

基于CEEMDAN能量熵和马氏距离的齿轮箱轴承故障诊断方法

针对齿轮箱轴承信号非平稳性及其故障特征难以提取的问题,提出一种自适应白噪声平均总体经验模态分解（CEEMDAN）能量熵和马氏距离相结合的故障诊断方法。首先采用CEEMDAN方法对非平稳的轴承故障信号进行分解,获得若干阶表征信号特性的固有模态函数（IMF）分量;然后计算各IMF分量的自相关函数和相关系数,以滤除信号内的噪声干扰和对故障特征不敏感的IMF分量;最后计算各敏感故障特征分量的能量熵,将其作为特征参数形成状态特征向量,并使用马氏距离判别方法对轴承的工作状态和故障类型进行诊断。通过对实测不同工况以及不同故障程度的齿轮箱轴承信号的分析,证明了所提方法的有效性。     

基于MCABResnet的二维滚动轴承故障诊断新方法

针对时域信号冗余度大及滚动轴承故障诊断效果和强噪声环境下诊断正确率低和泛化能力差的问题,提出一种新的基于多联合注意力机制和多残差卷积块的多尺度进化故障诊断方法。采用宽、窄核卷积的跃迁块和多联合注意机制对深层卷积进行特征补充,减少特征流失,保证特征图的质量。通过通道和空间注意力权重的分配,为卷积层提供不同的权重参数,进行自适应特征细化。将提出的方法分别在凯斯西储大学轴承数据集和东南大学轴承数据集进行试验验证及分析。结果显示：所提方法的分类正确率超过99.75%,即使在强噪声环境下,分类正确率也超过98.5%;在变工况下,平均分类正确率超过了90%。因此,所提方法具有良好的故障诊断效果、泛化能力和抗噪声性能。     

基于多层降噪处理的轴承故障特征提取方法

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。     

基于改进VMD形态谱和FCM的滚动轴承故障诊断方法

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解（VMD）形态谱和模糊C均值聚类（FCM）算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明：所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。     

改进的注意机制在滚动轴承故障诊断中的应用

针对滚动轴承振动信号易受到非平稳噪声的影响,提出一种改进注意力机制的多尺度内核网络(IA-MKNet),以从含噪振动信号中提取更敏感的特性信号。首先提出一种改进的多尺度卷积注意力机制(IAM),自适应提取有意义的故障特征并自动抑制噪声;然后针对振动信号固有的多时间特征,设计基于IAM的自适应多尺度核残差块来捕获振动信号的多时间尺度故障特征;最后提出一种基于自适应集成学习器的组合策略,通过融合多个IA-MKNets的输出来增加特征的多样性,从而进一步提高诊断的准确性和稳定性。实验结果表明：该方法提高了噪声环境下滚动轴承的故障诊断精度,性能优于其他5种基准方法。     

基于动态时窗的汽车轴承故障在线检测

针对在线检测时汽车轴承故障呈现出的变频特性（由于车辆的变速运动引起的），且一般故障检测方法无法适应变频特性等问题，提出一种基于动态时间窗的汽车轴承故障在线检测方法。对车辆行驶状态进行分析，给出车速与轮毂轴承转速的关系式；依据特征车速给出动态时间窗的确定规则；构建基于特征车速的维格纳故障检测模型；并采集实车数据对所提及的算法进行测试。结果表明：定时窗检测算法适应于线下轴承故障检测，基于特征车速的动态时窗检测算法适用于故障的在线检测。     

栈式自编码器在强噪声环境下的轴承故障诊断

由于滚动轴承的工作环境复杂,所采集的信号中通常含有大量噪声,噪声的存在会影响故障诊断的结果.为了提高噪声数据的诊断精度,采用改进的小波阈值函数结合栈式自编码器(stacked auto-encoder,SAE)对强噪声环境下的轴承数据进行故障诊断.首先通过改进阈值函数对噪声数据进行去噪,其次用小波包变换提取去噪数据的小...     

基于EEMD的特征提取及其在齿轮裂纹故障诊断中的应用

为了提取齿轮裂纹故障的特征参数并识别不同裂纹深度齿轮的类型,以单级齿轮箱中的圆柱齿轮为实验对象,采集3种不同裂纹深度齿轮的振动信号。对采集到的信号进行时频域分析和EEMD分解,分别提取时域特征参数和EEMD能量特征参数,分析和构造齿轮裂纹故障特征向量,选用基于径向基核函数的支持向量机分类方法进行不同裂纹深度齿轮的识别。结果表明：结合时域特征参数和EEMD能量特征参数构造的齿轮裂纹故障特征向量能准确识别不同裂纹深度齿轮的类型。     

基于改进卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障诊断过程中,难以提取细微故障特征的问题,文章提出一种基于改进卷积神经网络的滚动轴承故障诊断方法。该方法首先在特征值提取过程中,采用了多尺度卷积核并联的方式,对滚动轴承振动信号提取了更多的故障特征细节;然后在特征值降维、去噪处理过程中,采用了leaky_relu激活函数,解决了部分神经元处于抑制状态的问题;最后在分类识别过程中,针对多层全连接计算复杂的问题,采用了全局平均池化代替部分全连接。通过滚动轴承不同损伤程度、不同故障位置的诊断实验,证明了所提方法能够提高故障识别率、降低训练时间、具有较好的可行性。