基于ALIF和PNN的轴承故障特征提取研究

轴承的早期故障诊断和在线健康监测对机械设备的维护和安全至关重要.为了从强背景噪声下的复杂信号中突出弱故障特征,提出了一种基于自适应局部迭代滤波(ALIF)和概率神经网络(PNN)来准确识别轴承故障特征的研究方法.首先,通过ALIF自适应地将非线性非平稳信号分解为多个单分量,利用峭度—相关系数准则对各单分量进行筛选,过滤...     

基于SVD-LMD模糊熵与PNN的滚动轴承故障诊断

为了提高轴承故障特征信息提取的有效性,实现轴承故障模式智能识别,提高故障诊断效率。提出一种基于SVD-LMD模糊熵相结合的特征量化和PNN网络识别相结合的滚动轴承故障诊断方法。首先运用SVD降噪技术对原始信号降噪,运用LMD分解将降噪后的非稳定信号分解成若干个稳定的乘积函数分量(PF)。其次利用模糊熵能表征时间序列复杂程度并具有稳定的统计性,提取PF分量的模糊熵,组成N维特征向量,实现故障特征量化。构建PNN网络模型,将特征向量输入PNN训练,实现故障类型识别。最后对比PNN算法与BP算法性能,验证PNN算法的优越性。实验数据分析结果表明,所提方法在少量数据样本情况下故障诊断准确率高达93.75%。     

基于边界辅助判别的滚动轴承故障特征增强及诊断方法

滚动轴承作为机械设备重要部件,对保障设备安全稳定运行具有重要意义。针对实际诊断中的滚动轴承故障数据不平衡问题,提出了一种基于边界辅助判别的辅助分类生成对抗网络模型(BD-ACGAN)。首先,设计了一种可用于提取故障样本边界细节特征的边界辅助判别器,以引导生成器生成更真实的样本,并采用该生成样本解决了数据不平衡的问题;其次,采用了自适应权重损失模块,动态调整了损失权重,使该模型更加关注重要的特征信息,从而提高了该模型的生成质量和特征表达能力;利用生成样本和真实样本数据对BD-ACGAN模型进行了增强训练,提高了该模型的泛化能力和诊断能力;最后,进行了消融实验及对照实验,对BD-ACGAN模型的特征增强能力和诊断效果进行了验证,分别采用美国凯斯西储大学和西安交通大学滚动轴承数据集对模型进行了实验验证。研究结果表明：该BD-ACGAN模型能够有效利用故障样本的边界特征解决数据不平衡问题,并且故障诊断精确度为98.79%,优于其他对照模型,为滚动轴承故障诊断提供了一种新的方法。     

基于PNN的电力变压器故障诊断方法

对油中溶解气体进行深入分析后,以改良的三比值法为基础,提出一种基于概率神经网络(PNN)的变压器故障诊断方法。该方法利用PNN的强大的非线性分类能力,将故障样本空间映射到故障模式空间中,可形成一个具有较强容错能力和结构自适应能力的诊断网络系统,从而提高故障诊断的准确率。仿真结果表明,实际案例数据验证了此方法准确率高,是一种有效的故障诊断方法。     

基于WAEEMD和MSB的滚动轴承故障特征提取

针对调制信号双谱(MSB)方法仅能处理平稳信号的不足,提出了一种基于加权平均集成经验模态分解(WAEEMD)和MSB的滚动轴承故障特征提取方法.首先,利用WAEEMD将滚动轴承的非平稳振动信号分解成一系列具有平稳特性的固有模态函数(IMF);然后,开发了一种基于Teager能量峭度(TEK)的加权平均方法以强调敏感IM...     

基于RQA和V-VPMCD的滚动轴承故障识别方法

多变量预测模型模式识别(variable predictive model based class discriminate,简称VPMCD)利用样本特征值内在的相关性来建立特征学习模型,但是当训练样本较少时会导致模型预测不准确,因此提出了基于递归定量分析(recurrence quantification analysis,简称RQA)和投票法多变量预测模型模式识别(voted variable predictive model based class discriminate,简称V-VPMCD)的故障识别方法。该方法利用了递归定量分析对非线性、非平稳信号分析的鲁棒性和样本质量不高时处理的优势,以VPMCD作为分类方法,并用投票法优化了VPMCD方法,提升了算法的稳定性和识别率。对滚动轴承不同程度、不同类型故障的模式识别实验表明,该优化算法具有较高的识别准确率和稳定性。     

基于Fast-SC和EC的滚动轴承故障检测

解调分析的关键在于准确找到合适的解调频带,针对此问题,提出一种基于快速谱相关（fast spectral correlation,简称Fast-SC）和包络谱谱峰因子（crest of envelope spectrum,简称EC）的解调频带确定方法,应用于滚动轴承故障检测。首先,对信号进行Fast-SC计算,采用考虑滚动体滑移误差的故障频率区间作集成谱相关切片并将其作为目标谱相关曲线,根据其最大值确定解调频带的中心频率搜索中心;其次,用同时考虑冲击信号强度与周期性的EC进行频带优化选择,自适应获得优化的滤波参数组;最后,根据所得滤波参数组对信号进行带通滤波,并求其包络谱,实现轴承故障特征频率提取。仿真和实验表明,与Autogram解调算法相比,所提方法降噪能力更强,解调频带的选择更优。     

时域新指标和PNN在滚动轴承故障诊断中的应用

针对传统时域指标在滚动轴承信号特征提取时分类精度不高的问题。首先,选取适合在线简单快速判别的时域指标,并根据轴承疲劳损伤大小和局部损伤数量增加,分析时域指标对故障的敏感性;其次,融合传统时域指标,得到了两个更为敏感的时域新指标TALAF和THIKAT;最后,利用实时性较好的概率神经网络训练和测试包括两个新指标的数据集,并与未加入新指标的数据集训练和测试结果进行比较,仿真结果验证了TALAF和THIKAT指标有效提高了轴承故障诊断的准确性。     

基于无监督判别投影的滚动轴承故障诊断

针对滚动轴承故障样本不平衡和故障特征存在冗余性问题,提出了基于无监督判别投影（UDP）的滚动轴承故障诊断方法。该方法首先从时域和时频域提取多个特征参数,从而构造一个原始的高维特征集,随后运用UDP算法从该特征集中提取最敏感的低维流形特征,最后利用K-近邻分类器识别出滚动轴承的运行状态。将该方法分别应用于轴承故障类型和内圈故障严重性的识别,并与传统方法进行了比较,验证了该方法的可行性和优越性。     

基于IEWT和IWAAE的滚动轴承故障识别研究

通过深度学习实现轴承故障识别时,存在着因信号噪声导致故障识别率较低的问题,针对这一问题,提出了一种基于改进经验小波变换(IEWT)和改进Wasserstein自编码器(IWAAE)的轴承故障识别方法。首先,将轴承振动数据由时域变换到包络谱域,通过包络谱的极值点与自适应阈值的关系对其进行了包络谱自动分割,进而利用经验小波变换,将数据自动分解为不同频段的调幅-调频分量,并采用改进峭度指标对选取合适的分量进行了重构,进而对信号进行了有效降噪;然后,针对变分自编码器训练困难的缺陷,引入Wasserstein自编码器,根据Wasserstein自编码器中间层神经元的激活值大小,对神经元进行了自动增加或删减,进而构造了IWAAE;最后,将重构信号输入到IWAAE中,进行了滚动轴承故障特征的自动提取和故障识别。研究结果表明：与其它的轴承故障识别方法相比,采用IEWT-IWAAE方法的故障识别精度更高,准确率可达99.28%,标准差仅0.32;该方法能在一定程度上缓解传统方法对人工特征提取和特征选择的依赖,其对噪声的鲁棒性高,故障识别能力优于其他组合模型方法。     

基于VMD和MED的滚动轴承微弱故障特征提取

针对强噪声环境下滚动轴承故障特征信息非常微弱且难以提取的问题,提出基于变分模态分解(Variational Mode Decomposition,VMD)和最小熵解卷积(Minimum Entropy Deconvolution,MED)的滚动轴承微弱故障特征提取方法。基于VMD和MED的滚动轴承微弱故障特征提取方法首先采用VMD对滚动轴承故障信号进行分解,得到多个模态分量,由于噪声的干扰,很难从各个模态分量中提取有效的故障特征信息;然后根据相关系数准则,选取与原始信号相关系数较大的模态分量进行重构,再对重构后的信号进行MED降噪处理;最后对降噪处理后的信号进行Hilbert包络解调,从得出的包络谱中即可准确地提取到故障特征信息。轴承故障实验信号处理结果表明,该方法可以有效地降低噪声的影响,精确地提取滚动轴承微弱的故障特征信息。     

基于CSES和MED的滚动轴承微弱故障特征提取

针对高噪声条件下,联合平方包络谱(combined squared envelope spectrum,简称CSES)方法容易受频带内噪声和其他频带特征的干扰,导致对滚动轴承微弱故障特征提取困难的问题,提出了一种结合CSES和最小熵解卷积(minimum entropy deconvolution,简称MED)的滚动轴...     

基于SVD-EEMD和TEO的滚动轴承弱故障特征提取

将奇异值分解(singular value decomposition,简称SVD)与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行结合,提出一种适用于滚动轴承弱故障状态描述的敏感特征提取方法。为提高信号故障信息的提取质量,对采集信号进行相空间重构得到一种Hankel矩阵。根据该矩阵的奇异值差分谱,确定降噪阶次进行SVD降燥。用EEMD分解降噪后的信号可获得11个本征模态函数(intrinsic mode function,简称IMF)和1个余项。依据建立的峭度-均方差准则,筛选出一个能够有效描述故障状态的敏感IMF分量,计算其相应的Teager能量算子(Teager energy operator,简称TEO),对此TEO进行Fourier变换,实现了对滚动轴承弱故障模式的有效辨识。用美国凯斯西储大学公开的滚动轴承故障信号对所建立的方法与传统EEMD-Hilbert法和EEMD-TEO方法进行对比,结果表明:经本方法提取的敏感特征能准确突显滚动轴承故障频率发生的周期性冲击,可准确识别其故障类型。     

基于ARIMA和XGBoost的滚动轴承故障预测模型研究

针对滚动轴承现有故障预测模型精度和准确率较低的问题,提出一种基于ARIMA时间序列预测和XGBoost分类算法的滚动轴承故障预测模型。首先,采用LMD联合FPA解决盲源欠定的问题;其次,使用KPCA选取敏感特征作为预测模型的输入,以提高轴承故障的分类精度;第三,通过Arima自回归模型预测轴承振动信号未来短期内变化情况,将预测结果输入XGBoost模型进行故障分类预测,实现滚动轴承故障识别,提高预测准确率;最后,通过美国凯斯西储大学使用的轴承数据集,进行实例验证,实验结果表明,该方法可以更准确地预测出轴承短期内振动信号变化并诊断出可能发生的故障,证明了该方法在滚动轴承信号含噪情况下,有效提取特征、识别故障和故障预警中具有可行性与可靠性。     

基于TVF-EMD和TEO的滚动轴承微弱故障特征提取

针对旋转机械转子振动信号通常伴随着强噪声,难以提取其有效信息的问题,提出一种基于时变滤波经验模态分解(Time varying filtering based empirical mode decomposition,TVF-EMD)和Teager能量算子(Teager energy operator,TEO)相结合的...     

基于EVMD和SODN的滚动轴承故障识别研究

在传统的滚动轴承故障识别方法中,存在对轴承振动信号的人工特征提取、选择困难的问题,提出了一种基于增强变分模态分解(EVMD)和自组织深层网络(SODN)的滚动轴承故障识别方法。首先,为了自动确定变分模态分解的模态数目,提出了一种功率谱的分割方法,从而提高了轴承振动信号的信噪比,并将滚动轴承的振动信号自适应分解为若干本征模态分量(IMFs);然后,根据综合评价指标,选择了较能反映轴承故障特征的IMFs分量,同时为了达到信号降噪的目的,对其进行了重构;最后,将自组织策略引入到深层自编码器中,进而构造了SODN,并将降噪后的轴承振动信号输入SODN,进行了自动特征学习与故障识别的对比实验,以验证该方法的可行性和有效性。研究结果表明:所提出的EVMD-SODN方法的轴承故障识别率达99.15%,标准差仅0.10,在故障识别率方面相比于其他组合模型具有较大优势。     

基于小波包和ElmanNN的滚动轴承故障识别

针对提取滚动轴承故障特征向量信号和识别故障类型的问题,为了提高诊断准确率,提出了基于小波包分析与BP算法权值修正的Elman神经网络的策略。基于MATLAB强大的数值分析功能,采集到的故障信号经过小波包分解与重构获取能反映不同故障状态的本征模态函数(Intrinsic modal function,IMF)分量。通过Elman神经网络辨识技术,将各频带能量作为Elman网络输入变量,测试样本为输出变量。对Elman神经网络进行大量数据训练,对滚动轴承的故障数据进行识别。实验表明,这种方法比BP神经网络识别更准确、更有效。     

基于RCMRFDE和ELM 的滚动轴承故障检测方法

为了有效地提升滚动轴承故障诊断的可靠性和准确性,鉴于精细复合多尺度反向波动散布熵(RCMRFDE)方法在描述非线性序列复杂度和特征提取方面的优势,提出了一种结合RCMRFDE和极限学习机(ELM)的滚动轴承综合故障检测方法(该方法包括健康检测和故障分类)。首先,根据滚动轴承健康和故障振动信号复杂性具有显著性差异的特点,利用RCMRFDE预先检测了滚动轴承的健康状态,筛选出了健康轴承;然后,采用RCMRFDE提取出了剩余故障轴承的故障特征,并采用极限学习机(ELM)对故障类型进行了智能化的识别;最后,基于两种公开的滚动轴承故障实验数据,分别采用RCMRFDE+ELM方法与其他5种故障诊断方法进行了检测,并将所得结果进行了比较分析,以验证新方法的检测精度、分类准确率、效率和可靠性。研究结果表明：采用RCMRFDE+ELM方法能够准确地检测出滚动轴承是否存在故障,并且在二次实验中,对于故障轴承的平均识别准确率分别达到了99.96%和99.67%,均高于其他方法。该方法可以为建立滚动轴承的健康监测模型提供阈值设置方法和诊断思路。     

基于谱峭度和cICA的滚动轴承故障特征提取

独立分量分析(independent component analysis,ICA)可以实现混合信号的按源分离,但由于其使用时通常需要预先知道信号源数量,使其应用受到限制。在ICA基础上发展起来的约束独立分量分析(constrained independent component analysis,cICA)方法,可根据一定的先验知识生成参考信号,以提取感兴趣的独立分量(independent component,IC)。包络提取技术可有效隔离解调共振带之外的干扰源信号,同时起到对信号的振源降维作用。谱峭度包络提取是近年来发展起来的崭新包络提取方法,可实现对信号包络的自适应提取。将谱峭度包络提取方法与cICA相结合,提出一种高鲁棒性的滚动轴承故障特征提取法,首先通过谱峭度实现对信号包络的自适应提取,再根据滚动轴承故障特征频率建立参考信号,以cICA实现对滚动轴承不同故障对应包络IC的有效提取。仿真和测试试验表明,该方法可实现在干扰条件下对滚动轴承故障特征信息的有效提取。     

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。