基于改进形态学的滚动轴承故障诊断研究

针对滚动轴承的微弱故障特征提取，提出了基于特征幅值能量参数（FAEI）和自相关能量比（AER）的改进数学形态方法。首先使用7种形态算子对信号进行形态处理，以FAEI作为最优算子的选取依据，然后借助AER准则自适应地确定扁平结构元素的长度参数。通过轴承故障实验可知，AER准则能够选出最佳结构元素长度，结合形态算子对故障信号进行最优形态滤波。结果表明:该方法能够提取出噪声背景下的冲击脉冲信号，实现轴承微弱故障特征提取。与基于峭度的形态算法对比，改进方法使故障检测中的特征频率幅值提升了1倍。     

基于扁平衰减三角形结构元素的滚动轴承故障诊断

形态滤波性能主要取决于结构元素，目前应用中以直线形结构元素为主，其外形与实际轴承故障时的脉冲信号相似度较弱，影响了冲击特征提取。针对该问题，提出了一种扁平衰减三角形结构元素，并应用滚动轴承故障诊断。通过滚动轴承内外圈故障的振动信号分析，结果表明所建议结构元素能够提取冲击脉冲信号。同时，对比传统扁平直线结构元素应用于相同的振动信号，扁平衰减三角形结构元素能够提高脉冲提取效果。     

基于EMD-MPE与HMM的滚动轴承故障诊断

针对故障轴承的特征难以提取以及状态识别困难的问题,提出了基于经验模态分解(EMD)-多尺度排列熵(MPE)与隐马尔科夫模型(HMM)的滚动轴承故障识别方法。首先,运用EMD滤波降噪原理对滚动轴承振动信号进行降噪,而后将已降噪的信号进行多尺度排列熵分析并提取不同尺度下排列熵的较大值作为信号特征。最后,将特征信号向量输入已训练好的HMM模型进行故障类型判别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于EMD-MPE与HMM的滚动轴承故障诊断方法对滚动轴承的故障状态能够进行有效地识别。     

基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承的故障特征提取方法

与普通滚动轴承相比,柔性薄壁轴承存在背景冲击载荷,使得故障特征提取难度大。针对这一问题,提出基于MKurt-MOMEDA和Teager能量算子的柔性薄壁轴承故障特征提取方法。利用多点峭度谱(MKurt)对原始故障信号进行分析,确定柔性薄壁轴承故障周期,然后通过多点最优最小熵解卷积(MOMEDA)处理,再经Teager能量算子增强,最终提取柔性薄壁轴承外圈与内圈的故障特征频率,并与单一的MOMEDA算法、基于MKurt-MCKD与Teager能量算子故障特征提取方法进行了对比,证明了该方法明显增强了故障特征频率的幅值,为柔性薄壁轴承故障特征提取提供了参考。     

基于小波包和LCD的滚动轴承故障诊断

针对含噪背景下提取滚动轴承的非平稳非线性信号特征的问题,提出了一种将LCD(局部特征尺度)与小波包相结合的故障诊断方法。对待测信号进行小波包降噪预处理,再利用LCD分解得到ISC分量(内禀尺度分量),进一步根据峭度-相关系数筛选真实ISC分量用以重构获得有效的故障特征信号。最后通过对重构故障信息进行能量算子包络解调,从而得到轴承故障的特征频率。将基于LCD和小波包的时频分析方法引入轴承故障诊断中,实验结果表明该方法能有效地提取机械故障振动信号的特征。     

基于最小熵解卷积和能量算子的滚动轴承故障诊断方法

针对滚动轴承故障识别困难这一问题,提出了基于最小熵解卷积和能量算子的诊断方法。首先利用最小熵解卷积算法对原始振动信号进行预处理,削弱冗余噪声成分的干扰,增强故障特征,继而计算解卷积信号的Teager能量算子输出,并对所得的瞬时能量信号做频谱分析,最终通过分析能量谱中的频率成分实现故障类型的准确判定。实测信号分析结果表明,基于最小熵解卷积和能量算子的诊断方法能够有效提取轴承故障信号中的微弱特征信息,具有一定工程应用价值。     

基于多重自相关与包络谱分析的滚动轴承故障诊断方法研究

滚动轴承在故障状态运行时,传感器测得的振动信号为非平稳、多分量的调制信号。在故障出现早期,由于调制信号微弱且含有噪声,导致故障特征难以识别,采用多重自相关消除噪声干扰,提取信号中的周期调制成分,然后利用Hilbert变换的包络解调方法获取故障特征频率,从而判断出轴承故障类型。实验结果表明,采用多重自相关与包络谱解调相结合的方法,能较准确的提取滚动轴承故障特征频率,具有一定的工程应用价值。     

基于多指标优化TQWT和TEO的轴承声发射故障诊断

针对滚动轴承早期故障声发射信号存在信噪比低、调制成分复杂导致故障特征难以识别的问题,提出一种利用多特征指标优化的可调Q因子小波变换(TQWT)和Teager能量算子(TEO)结合的故障诊断方法。以峭度-波形信息熵指标对TQWT参数(主要是品质因子Q)进行自适应选择,分解得到一系列子频带;然后,结合峭度、峰度、稀疏值组成融合指标对子频带进行筛选,对选出的子频带降噪后重构信号;最后求得重构信号Teager能量算子解调谱,通过对解调谱分析得到轴承故障特征信息。仿真和实验数据表明：该方法能在低转速强噪声背景下提取出轴承故障声发射信号中的冲击特征并进行故障诊断。     

基于粒化散布熵和SSA-SVM的轴承故障诊断

针对轴承故障振动信号在单一尺度下提取故障特征信息不完备,导致故障诊断识别率较低的问题,提出基于粒化散布熵(FIG-DE)和麻雀搜索算法(SSA)参〖JP2〗数优化的支持向量机（SVM）的轴承故障诊断方法。利用模糊信息粒化对轴承振动信号进行粒化处理,得到fLow、fR、fUp3个尺度下的模糊信息粒;分别计算3组信号的散布熵;将所得的熵值组成特征向量矩阵,输入SSA-SVM进行轴承故障分类。结果表明：利用SSA-SVM进行滚动轴承故障诊断,准确率有明显的提高。     

基于Db4最优提升小波和T-K能量近似熵的轴承故障诊断

将Db4提升小波和Teager-Keiser能量算子结合分别对仿真信号和滚动轴承信号进行分析,用Db4提升小波根据小波系数最小熵原则获得最优细节信号,求其T-K能量谱提取特征信息,计算T-K算子的近似熵对轴承故障分类。结果表明:仿真和真实轴承信号经提升小波提取的细节信号,其T-K能量谱都可以提取故障特征,且T-K能量近似熵基本能对实验故障信号分类,效果较好。     

基于小波去噪和最小二乘支持向量机的滚动轴承故障诊断研究

针对滚动轴承故障,提出了基于相关原则优化阈值的小波去噪和最小二乘支持向量机相结合进行滚动轴承故障诊断的方法,采用相关原则优化阀值的小波对轴承早期故障特征进行提取,运用能量-特征法提取出信号特征,然后利用最小二乘支持向量机多分类算法进行故障类型的识别。实验与仿真结果表明:基于相关原则优化阈值的小波变换和最小二乘支持向量机相结合的故障诊断方法能有效地诊断出滚动轴承的典型故障。     

基于正交匹配追踪算法的齿轮箱轴承故障诊断及实验验证

为了提高传动振动过程中齿轮箱轴承内外圈故障诊断能力,采用正交匹配追踪(OMP)算法建立了故障诊断模型,并开展仿真分析及实验验证。研究结果表明：通过OMP算法对轴承外圈故障仿真加噪信号进行处理,能够看到信号呈周期性波动,通过频率及其倍频呈现逐步衰减,故障特征明显;经过OMP算法处理的轴承内圈故障仿真纯净信号呈周期性波动,能够看到滚动轴承的故障,轴承内圈通过频率和倍频以及边频带呈现逐步衰减,故障特征明显。为了进一步验证OMP算法处理齿轮故障的有效性,搭建封闭式功率流齿轮箱试验台,OMP重构故障信号谱图中啮合频率360 Hz峰值较低,边频带被完全掩盖,不存在大量的干扰成分。经OMP算法处理过的故障信号的谱图能很好地体现故障特征。     

新型结构元素的液压泵耦合故障分离方法研究

具有相同谐波的滑靴磨损和斜盘磨损的形态特征信息相似性很高,因此很难有效分离其耦合故障。为解决此问题,提出一种基于梯型结构元素的新型数学形态学分离方法。采用不同长度梯型结构元素的形态差值算子分别提取2种故障特征信息,进而得到不同长度梯型结构元素对应的若干个分离信号;计算分离信号的2种不同故障的特征能量比。基于最大特征能量比,实现实测液压泵滑靴和斜盘磨损耦合故障信号的最优分离。     

基于CEEMDAN-MPE的滚动轴承故障识别

针对滚动轴承振动信号的非平稳特性,实际工况下难以采集大量的样本信号分析故障状态,提出基于自适应噪声的完备经验模态分解(CEEMDAN)与多尺度排列熵(MPE)相融合的故障识别方法。首先,对振动信号进行小波阈值去噪,利用CEEMDAN算法对去噪后的非平稳振动信号自适应分解,对分解后的若干个固有模式分量(IMF)计算互相关系数;然后,重构信号,计算其MPE并组成故障特征向量;最后,把特征向量输入到支持向量机(SVM)中,以识别滚动轴承的故障类型。通过对仿真信号以及实际实验数据的对比验证分析,有效证明了该方法的识别准确率比基于EMDMPE的故障识别方法提高5%,结果表明:基于CEEMDAN-MPE的滚动轴承SVM故障识别方法可以更准确地提取轴承的特征,并识别轴承的故障状态,有更强的实用性和有效性。     

基于深度神经网络的滚动轴承故障诊断

针对浅层神经网络方法依靠专家经验和信号处理技术进行人工提取大量滚动轴承数据的特征变得越来越困难,而且神经网络浅层结构限制了神经网络学习复杂非线性关系的功能。结合深度学习在特征提取和处理大数据等优势,研究一种基于深度神经网络的滚动轴承故障诊断方法。该方法直接从原始数据中提取出有用特征,所提取的特征作为BP神经网络(BPNN)的输入识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障,外圈故障和滚珠故障四种状态以及各个状态的不同故障严重程度的分析,实验结果表明所研究的的方法不仅仅能够从原始信号中挖掘出有用的故障特征,还可以诊断出故障的严重程度,和BPNN相比具有更高的诊断准确率。     

基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断

滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明：该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。     

基于SSD和MPE的滚动轴承故障诊断方法

为了解决滚动轴承故障特征难以提取的问题,提出了一种奇异谱分解(SSD)和多尺度排列熵(MPE)的故障特征提取方法,结合K近邻(KNN)算法识别滚动轴承故障类型。首先对滚动轴承振动信号用SSD进行分解,得到3个奇异谱分量(SSC),根据峭度最大原则选择主分析分量;然后用MPE计算主分析分量的熵值,实现滚动轴承的故障特征进行提取;最后将熵值作为特征向量输入KNN分类器中,完成滚动轴承的状态识别。将该方法应用于实验数据分析,并与VMD和MPE相结合的故障诊断方法做比较,结果证明,该方法能够有效地提取故障特征,实现故障诊断。     

非参数互信息和多维尺度分析在滚动轴承故障诊断中的应用

针对轴承不同故障状态难以识别的问题,将特征选择方法应用于滚动轴承故障诊断。在互信息方法的基础上提出非参数互信息(NPMI)的特征选择方法:首先从原始信号中提取能够表征轴承运行状态变化的时频域统计特征并建立多域特征集;然后利用NPMI特征选择方法去除特征集中的无关特征和冗余特征,建立敏感特征集,再利用多维尺度分析对敏感特征集进行降维可视化处理,比较特征的类别可分及聚类能力;最后将降维后的特征向量输入到支持向量机中得到不同故障的识别结果。以分类器正确率为依据,验证了基于非参数互信息特征选择方法的有效性和优越性。     

基于SDP图像和MobilenetV2的滚动轴承故障诊断

针对传统滚动轴承故障诊断方法准确率偏低和故障特征难以提取的问题,提出了一种基于SDP图像和MobilenetV2的滚动轴承故障诊断方法。将经去噪处理后的滚动轴承振动信号转化为SDP图像,并输入到MobilenetV2网络中自适应地提取故障特征和分类,诊断出具体的故障类型。试验表明,在适量的训练样本下,所提方法的诊断准确率能达到98.2%。相比于其它传统深度学习方法,所提方法在诊断正确率和稳定性方面具有一定优势。在原始轴承振动信号中加入5 dB的高斯白噪声后,故障识别准确率仍能达到94.4%,证明了所提出诊断方法具有一定的抗噪性能和泛化能力。     

基于多尺度基本熵和参数优化KELM的电机轴承故障诊断

针对信号特征提取中多尺度样本熵(MSE)与多尺度排列熵(MPE)算法计算效率差的问题,提出一种基于多尺度基本熵(MBSE)和参数优化核极限学习机(KELM)的电机轴承诊断新方法。该方法先通过MBSE来提取所拾取滚动轴承振动信号的特征信息,同时对比分析了多尺度基本熵、多尺度样本熵与多尺度排列熵的计算效率。最后利用KELM分类器对滚动轴承的不同状态进行判定,并通过人工鱼群算法(AFSA)对KELM的关键影响参数进行寻优。实验结果表明所述方法能够对滚动轴承的运行状态进行有效识别。