基于VMD和SVDD的滚动轴承早期微弱故障检测和性能退化评估研究

针对滚动轴承早期微弱故障检测及故障状态监测问题,提出了一种基于变模态分解(VMD)分解和支持向量数据描述(SVDD)的滚动轴承性能退化评估模型。对振动信号进行VMD分解,选取对性能退化较为敏感的本征模态分量,提取其奇异值,并结合信号的时域特征指标,复杂度指标组成特征向量矩阵作为滚动轴承综合特征指标;并以正常状态下的综合特征指标作为训练样本完成SVDD评估模型的构建,利用滚动轴承全寿命试验数据进行评估模型的验证。实验结果表明,该评估模型可以准确检测到滚动轴承早期微弱故障阶段的发生,同时可以很好的揭示滚动轴承性能退化规律,其评估效果优于模糊C均值聚类(FCM)方法。     

基于特征优选和GA-SVM的滚动轴承智能评估方法

针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。     

基于状态空间模型的可靠性评估方法

基于设备性能退化特征的可靠性分析是可靠性技术研究重要方向之一,但当前许多研究是基于多样本进行分析,但针对单个设备的可靠性预测问题非常有限,为此本文提出基于状态空间模型的可靠性方法进行小样本预测。首先通过在线监测技术获得反映设备状态的信号,运用小波分析方法提取监测信号的小波包能量,选取趋势明显符合设备状态变化的相关频带能量作为设备退化指标。然后对这些特征指标进行滑动平均滤波处理,提高了退化特征的信噪比,将其作为状态空间模型的输入对模型参数进行估计,从而建立退化指标的状态空间预测模型,最后预测退化指标的概率分布并计算可靠度。结合滚动轴承试验数据和铣刀磨损数据验证方法的准确性和有效性,本文为小样本事件的可靠性预测提供一个有效方法。     

LCD谱熵及其在滚动轴承退化状态识别中的应用

针对滚动轴承在出现故障时其振动信号呈现出非线性、非平稳特性,以及退化特征难以提取等问题,将局部特征尺度分解法应用到轴承振动信号分析中,并与信息熵理论融合提出局部特征尺度分解谱熵的滚动轴承退化特征指标。该方法首先对不同故障程度的轴承振动信号做局部特征尺度分解,基于得到的内禀尺度分量计算振动信号得能谱熵、奇异谱熵和包络谱熵用于表征轴承故障程度,仿真信号分析结果表明以上特征指标能够较好地反映滚动轴承的退化状态。对内圈故障和外圈故障模式下不同程度故障的轴承振动信号进行分析,结果表明该文提出的退化特征能够有效表征轴承的退化状态,并采用灰关联分析法构建轴承退化状态识别模型,可有效实现轴承退化状态识别。     

基于多尺度形态分解谱熵的电机轴承预测特征提取及退化状态评估

由于预测特征提取与退化状态评估直接关系故障预测可信性,结合数学形态学与信息熵理论,针对电机滚动轴承,提出基于多尺度形态分解谱熵的预测特征提取方法,用灰色关联分析对退化状态进行评估。对不同损伤程度轴承振动信号进行多尺度形态分解,分别计算其在不同尺度域内的复杂性度量能谱熵、奇异谱熵,以其作为预测特征向量。建立标准退化模式矩阵,对待检测样本信号特征向量与标准模式进行灰色关联分析,据关联度大小对样本信号退化状态进行评估。并仿真与实例数据验证该方法对电机轴承退化状态评估的有效性。     

基于HDP-HMM的机械设备故障预测方法研究

针对隐马尔科夫模型状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-隐马尔科夫模型(HDP-HMM)的机械设备故障预测方法。该算法通过构造HDP作为HMM参数的先验分布,利用HDP分层共享和自动聚类的优点,实现了模型结构动态更新,获得设备运行过程中的隐状态数;基于HDP-HMM所建立的退化状态动态转移关系,确定设备早期故障点和功能故障点,实现设备的健康等级评估和故障预测。利用美国USFI/UCR智能维护系统中心提供的滚动轴承全寿命数据进行了应用研究。结果表明,针对多观测序列,HDP-HMM能有效实现组合聚类,识别结果不依赖于算法初始参数的选择,具有较强的鲁棒性;与基于K-S检验的退化评估算法比较表明,HDP-HMM更能有效描述设备实际退化过程。     

同步抽取变换与复小波结构相似性指数的滚动轴承性能退化评估

为更早地检出滚动轴承异常并量化其性能退化程度,该研究提出同步抽取变换与复小波结构相似性(SET-CWSS)指数的滚动轴承性能退化评估新方法。利用同步抽取变换(SET)对当前时刻的振动信号进行时频分析,以获得能量更加集中的时频图,将SET后得到的时频图与刚投入运行时无故障振动信号的SET时频图进行复小波结构相似性(CWSS)评价,得到当前时刻滚动轴承性能退化评估SET-CWSS指数。通过疲劳试验验证及与其他性能退化评估方法对比,结果表明:SET-CWSS指数能有效的刻画出滚动轴承性能退化过程、量化评估其性能退化程度且对滚动轴承早期异常更加敏感。     

同步抽取变换与复小波结构相似性指数的滚动轴承性能退化评估

为更早地检出滚动轴承异常并量化其性能退化程度,该研究提出同步抽取变换与复小波结构相似性(SET-CWSS)指数的滚动轴承性能退化评估新方法。利用同步抽取变换(SET)对当前时刻的振动信号进行时频分析,以获得能量更加集中的时频图,将SET后得到的时频图与刚投入运行时无故障振动信号的SET时频图进行复小波结构相似性(CWSS)评价,得到当前时刻滚动轴承性能退化评估SET-CWSS指数。通过疲劳试验验证及与其他性能退化评估方法对比,结果表明:SET-CWSS指数能有效的刻画出滚动轴承性能退化过程、量化评估其性能退化程度且对滚动轴承早期异常更加敏感。     

一种基于RBM的滚动轴承退化指标构建方法EI北大核心CSCD

针对现有滚动轴承性能退化指标构建方法高度依赖先验知识,实际应用情境单一,提出了一种基于受限玻尔兹曼机(restricted Boltzmann machine,RBM)的滚动轴承退化指标构建方法。将滚动轴承正常状态下的振动信号处理为归一化幅值谱,以此作为建立RBM模型的训练样本,其中RBM模型结构特点是将其输出层单元数设为1,以训练完成后模型的输出作为退化指标构建的基础。通过不同情境下的滚动轴承全寿命周期试验数据验证了该方法的有效性。与最近相关文献相比,该退化指标在构建过程中避免了人工选择退化特征,能够清晰描述出轴承退化过程,且对早期微弱故障检测具有一定的敏感性。     

基于JRD和CUSUM的滚动轴承性能退化状态识别与评估

退化特征提取是滚动轴承性能退化状态识别和评估的关键,JRD克服了传统特征无法准确反应轴承当前技术状态的不足,但在全寿命阶段上稳定性、单调性差,应用累积和(CUSUM)对其进行改进,从而准确识别和评估轴承性能退化状态。应用小波包变换对原始信号进行降噪;计算不同技术状态下信号的Renyi熵,并对比与标准状态的相似程度得出JRD值,作为滚动轴承退化状态特征;应用CUSUM增强JRD值对于寿命微弱变化的敏感性及轴承全寿命的单调性。通过试验验证,滚动轴承性能退化状态的识别率能达到100%,同时能够分阶段、单调性地评估轴承性能退化状态。     

滚动轴承的振动性能退化过程与保持可靠性研究

为了分析滚动轴承的振动性能退化过程与保持可靠性之间的关系,提出一种基于最大熵法和相似度法的滚动轴承振动性能退化模型,并对滚动轴承的退化过程进行评估;然后基于最大熵法和泊松过程建立滚动轴承振动性能保持可靠性模型;最后基于灰关系理论对滚动轴承的性能退化序列和保持可靠性序列进行分析。实验结果表明,所提出的滚动轴承振动性能退化模型能够有效地识别滚动轴承的退化状态,并且滚动轴承振动性能保持可靠性的演变历程与振动性能退化过程之间有明显的灰关系,可信水平均达到80%以上。     

一种滚动轴承早期故障预警技术及试验验证

针对滚动轴承运行状态在线监测,提出一种新的滚动轴承早期故障预警技术。首先,通过二进离散小波分解提取共振频带;然后,通过自相关分析抑制频带信号中的非周期性成分并进一步提升信噪比;最后,基于小波包络频谱构造一个新的特征量,通过该特征量的变化趋势来反映轴承的健康状态。将新方法应用于滚动轴承在线监测,分别对三组滚动轴承的全寿命试验数据进行分析,结果表明,提出的在线监测技术相较于传统有效值监测更为敏感,能够更早地发现滚动轴承早期微弱故障,实现故障的早期预警及定位。     

基于局部特征尺度分解和核最近邻凸包分类算法的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和核最近邻凸包(Kernelnearest neighbor convex hull,KNNCH)分类算法的滚动轴承故障诊断方法。采用LCD方法对滚动轴承原始振动信号进行分解得到若干内禀尺度分量(Intrinsic scale component,ISC),然后将这些ISC分量组成初始特征向量矩阵,再对该矩阵进行奇异值分解,提取奇异值作为故障特征向量并输入到KNNCH分类器,根据其输出结果来判断滚动轴承的工作状态和故障类型。LCD方法是一种新的自适应时频分析方法,非常适用于非平稳信号的处理,而KNNCH算法是一种基于核函数方法,并将凸包估计与最近邻分类思想相融合的模式识别算法,可直接应用于多类问题且需优化的参数只有核参数。实验分析结果表明,所提出的方法能有效地提取滚动轴承故障特征信息,而且在小样本的情况下仍能准确地对滚动轴承的工作状态和故障类型进行分类。同时,与支持向量机(Support vec-tor machine,SVM)算法的对比分析结果表明,KNNCH算法的分类性能的稳定性要高于SVM算法。     

基于PSODACCIW-VPMCD的滚动轴承智能检测方法

针对VPMCD中模型选择方法的不合理和小样本多分类时识别率降低的缺陷,结合动态加速常数协同惯性权重的粒子群(Particle swarm optimization with dynamic accelerating constant and coordinating with inertia weight,PSODACCIW)算法的全局优化能力和加权融合理论,提出基于PSODACCIW-VPMCD的滚动轴承智能检测方法。首先对样本提取特征变量,然后采用PSODACCIW算法优化诊断融合权值矩阵,最后对滚动轴承的故障类型和工作状态进行分类和识别。实验结果表明,该方法能够有效地应用于滚动轴承的智能检测中。     

基于多频率尺度模糊熵和ELM的滚动轴承剩余寿命预测

针对滚动轴承剩余寿命预测问题,利用经验模态分解对滚动轴承全寿命振动信号进行分解,得到有限个IMF分量,对这些IMF分量分别进行模糊熵分析,提取出滚动轴承故障特征信息,得到多频率尺度模糊熵值。然后采用PCA进行降维,建立滚动轴承性能退化评估指标。把经PCA融合后的IMF模糊熵值输入到ELM极限学习机中,训练ELM预测模型,对滚动轴承进行短期退化趋势预测,以及剩余寿命预测,并与经PCA融合后的IMF样本熵值的预测性能进行对比,证明所提指标的预测精度较高且预测结果趋于保守,更适合用于滚动轴承的剩余寿命预测。     

基于自适应频带冲击强度的滚动轴承故障量化评估

滚动轴承故障程度量化评估是实现其有效剩余寿命预测和状态维修的基础,目前广泛研究的基于距离和概率相似度量的故障定量评估方法存在计算复杂且易于过早饱和等缺点,不利于在线监测应用。常规时域统计指标如均方根值(Root Mean Square,RMS)因具有计算简单且与故障发展趋势一致性较好等优点,在工程实际中得到广泛应用,但RMS对早期故障不够敏感。针对上述不足,提出了一种新的故障量化评估指标——自适应频带冲击强度(Shock Value of Selected Frequency Band,SVSB)。首先利用提出的包络谱谱峰因子(Crest of Envelope Spectrum,EC)对复平移Morlet小波滤波器的中心频率和带宽参数进行优化选择,得到自适应最优滤波器并对分析信号进行滤波;再将滤波信号的RMS值与EC值的乘积作为故障程度评估指标。该指标包含的RMS和EC分别反映了滤波频带内信号的总强度和冲击分量所占比例,因此能有效反映滚动轴承循环冲击故障特征的强弱,从而量化评估冲击类故障程度。人工植入故障实验数据和滚动轴承疲劳试验数据分析表明该方法能够有效跟踪轴承故障发展趋势并对早期故障敏感。     

基于VMD和SVDD结合的滚动轴承性能退化程度定量评估

提出了一种基于变分模态分解(VMD)和支持向量数据描述(SVDD)相结合的滚动轴承性能退化程度定量评估方法。针对采样时间长、采集到的信号数据点多时,信号中某些部分可能受到异常信号干扰的问题,首先提出了一种基于VMD和SVDD结合的特征提取新方法,将长信号分为多帧短信号,分别使用VMD方法分解短信号并提取各分量的奇异值组成特征向量,得到一组特征向量集,然后使用SVDD方法找到并剔除其中的异常样本点,求出剩余特征向量的平均值便可作为原信号的特征。特征提取完毕后,使用SVDD方法进行性能退化评估,以待检样本到训练得到的超球体模型球心的距离描述性能退化程度,并使用隶属函数将距离指标转化为与正常状态的隶属度作为性能退化指标,实现设备的性能退化程度的定量评估。使用轴承全寿命数据,并与以传统时域无量纲指标作为特征的分析结果进行了对比,验证了所提出方法的优越性。     

基于时序模型和自联想神经网络的齿轮故障程度评估

齿轮是机械传动系统中的重要零部件,在役齿轮故障程度评估是机械系统剩余寿命预测和状态维修的基础。目前广泛研究的基于概率相似度量的故障评估方法存在过早饱和等问题,不利于在线监测。提出一种基于自回归时序模型(Auto-Regressive, AR)和自联想神经网络(Auto-Associative Neural Network, AANN)的齿轮故障程度在线评估方法,其中AR模型用于齿轮振动信号特征提取,AANN用于故障程度评估。提取基准阶段(如无故障阶段)振动信号AR模型系数作为AANN的输入和输出向量,得到基准评估模型。将待评估信号AR系数构成的特征向量输入到基准AANN,得到重构AR系数。基于原始AR系数和重构AR系数组成两个自回归模型分别对待评估信号进行时序建模,分别得到各自的模型残差序列。基于残差序列之间的差异,提出了一种基于残差均方根差值的故障程度定量评估指标。离散故障程度的齿轮振动数据分析结果表明,该方法能有效区分齿轮故障的不同程度;在此基础上利用齿轮全寿命周期试验数据进一步验证该方法的有效性,结果显示提出的方法能够及时发现肉眼没有观测到的早期故障,且随着齿轮性能的不断退化,能直观反映齿轮故障程度的加深。     

基于MSET重构模型整体优化的轴承性能退化评估方法EI北大核心CSCD

针对传统单域特征指标无法充分表征轴承性能退化的状态信息,而基于多域高维特征向量的重构评估模型存在信息冗余且易受到不一致优化目标的影响而导致模型次优性能的问题,提出一种基于多元状态估计(multivariate state estimation technique, MSET)重构模型整体优化的轴承性能退化评估方法。首先,提取轴承振动信号的多个时域和频域特征、自回归模型系数和三层小波包Renyi熵组成高维多域特征向量,同时将健康状态的高维特征向量构建MSET重构模型的历史记忆矩阵;然后,利用遗传算法对轴承高维特征向量和MSET模型中的历史记忆矩阵进行同步联合优化,从而实现特征优选和重构评估模型的整体自适应优化,进一步提高降维后特征向量与重构模型的匹配性;最后,利用余弦相似度作为故障程度指标构建轴承性能退化评估曲线。西安交大-昇阳科技联合实验室滚动轴承疲劳试验全寿命数据分析结果表明,所提方法具有一定的有效性和可靠性。     

基于位置补偿系数距离估计的滚动轴承特征损伤敏感性评估算法研究

针对采用距离估计方法对干扰其识别精度的因素考虑不足而影响其评估性能的问题,以及多指标间存在的不相关或冗余干扰滚动轴承损伤程度信息的有效获取问题,提出了一种基于位置补偿系数距离估计的特征评估方法,该方法在传统距离估计技术的基础上引入中值方法以提高算法鲁棒性,提出采用"位置系数"以筛选出能较好抑制不同状态间重合度的特征,并从特征样本对待识别状态的聚合性、可分性以及位置分布关系等多个方面的表现综合考察各特征的敏感性。随后,利用自制滚动轴承疲劳试验台不同损伤阶段的声发射数据开展了算法的有效性验证,通过与其他距离评估方法的对比可知,该方法能更好的指出滚动轴承的损伤敏感特征,筛选出的敏感特征集具有更高且更稳定的损伤识别精度。