基于最小二乘映射和SVM的滚动轴承故障诊断

针对滚动轴承故障诊断中存在的早期非平稳微弱故障信号特征提取困难、特征参量分辨率低、早期故障诊断困难等问题,提出了一种基于最小二乘映射(LSM)的故障特征参量优化和支持向量机(SVM)的故障诊断方法。首先计算出能够反映滚动轴承状态的无量纲时域特征参量;其次通过LSM理论进行优化计算出来的无量纲时域特征参量,构建高敏感度的特征参量;最后将通过敏感度识别因子指数(DI)选取优化过的特征参量作为样本输入到SVM中进行诊断,通过逐次推理诊断出轴承故障类型。实验结果表明,该方法能够有效地诊断出滚动轴承的故障类型。     

基于提升小波包变换和集成支持矢量机的早期故障智能诊断

为了解决机电设备早期故障难以正确识别的问题,有效地提高分类的准确率,提出一种基于提升小波包变换和集成支持矢量机的早期故障智能诊断新方法。首先,该方法采用提升策略构造基于冲击故障信号特征的双正交小波,借助提升小波包变换提取信号的敏感频带特征,从而通过对敏感频带中的小波包系数进行包络解调分析检测出故障特征频率。其次,通过距离评估技术从原始信号和小波包系数的统计特征中选取最优特征集。最后,将最优特征输入到集成支持矢量机中,实现对不同故障类型的识别。将该方法应用于滚动轴承的早期故障诊断中,测试结果表明,该方法能够有效地提取故障特征,具有比单一支持矢量机更好的分类性能,故障诊断准确率更高。     

基于多传感器信息融合的滚动轴承故障诊断研究

由于单一传感器所包含的故障信息不能全面地反映滚动轴承的故障状态,提出了一种基于多传感器信息融合的滚动轴承故障诊断方法。首先,利用不同位置的加速度传感器采集滚动轴承故障振动信号,经集成经验模态分解(EEMD)后,前8个固有模态分量(IMF)的能量值作为分类器支持向量机(SVM)的输入故障特征参量;其次,利用故障特征参量训练分类器SVM,并对测试样本进行分类,实现故障的初步分离;然后,根据混淆矩阵获得各分类器的全局可信度和局部可信度,并与各测试样本的后验概率输出结合实现DS证据理论中基本概率分配函数的赋值;最后,利用DS证据理论实现融合以获得最终诊断结果。试验结果表明:提出的方法可有效融合不同传感器的故障信息,最大限度地避免误诊现象。     

多尺度排列熵及其在滚动轴承故障诊断中的应用

引入多尺度排列熵（MPE）的概念,用来检测振动信号不同尺度下的动力学突变行为,并将其应用于机械故障诊断中滚动轴承故障特征的提取,结合支持向量机(SVM),提出了一种基于MPE和SVM的滚动轴承故障诊断方法,将新提出的滚动轴承故障诊断方法应用于实验数据分析,并通过与BP神经网络对比,结果表明,该方法能够有效地提取故障特征,实现故障类型的诊断。     

基于正交邻域保持嵌入与多核相关向量机的滚动轴承早期故障诊断

针对滚动轴承早期故障特征微弱难以快速有效辨识的问题,提出一种基于正交邻域保持嵌入(ONPE)与多核相关向量机(RVM)的滚动轴承早期故障诊断方法。首先基于多域量化特征构造表征滚动轴承早期故障的多域特征向量,基于ONPE线性流形学习对多域特征向量进行约简降维处理,获取最能反映滚动轴承早期故障运行状态变化的低维敏感特征,随后将获取的低维敏感特征输入给多核RVM进行早期故障模式的分类辨识。通过分析滚动轴承早期故障的模拟实验数据表明,该方法对高维复杂的非线性早期故障特征具有良好的约简降维性能,而且比单一核函数RVM具有更好的诊断精度。     

局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。     

一种基于PCA与SVM的往复压缩机典型故障诊断方法

往复压缩机的振动信号具有非线性、非平稳性的特点,对此提出一种基于PCA与SVM的典型故障诊断方法。针对往复压缩机典型的拉缸、活塞杆紧固螺母松动、撞缸等故障,首先提取出振动信号的时频域特征参数,再利用主成分分析(PCA)方法缩减特征参数的维度,提取出故障敏感特征,作为新的特征向量,最后再将提取出的敏感特征输入支持向量机(SVM)中,对其进行训练获得SVM结构模型,并将这个模型用于处理待测试的特征向量,由此判决数据所属的类别;利用真实的故障案例数据验证了此方法对往复压缩机故障诊断的有效性。     

基于VMD多特征融合与PSO-SVM的滚动轴承故障诊断

滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。     

多模型Stacking集成学习的旋转机械故障诊断方法

针对传统旋转机械故障诊断方法中单一机器学习模型出现的诊断精度低、泛化能力差且性能提升有限等问题，提出了通过Stacking框架异质集成多个机器学习模型对旋转机械进行故障诊断。首先利用小波包变换对旋转机械的原始振动信号进行特征提取；然后通过贝叶斯优化和网格搜索结合的方法调节各基学习器的超参数，采用DT、KNN、SVM及RF作为初级学习器，LR作为次级学习器构建Stacking异质集成学习模型；最后通过滚动轴承和液压泵故障模拟试验，将所提模型与单一模型、同质集成模型进行比较分析。试验结果表明，异质集成Stacking模型在不同旋转机械的故障诊断中均获得了最佳的整体诊断性能。异质集成是提高旋转机械故障诊断性能的有广阔应用前景的解决方案。     

基于SPWVD时频图纹理特征的滚动轴承故障诊断

针对如何提高滚动轴承故障诊断准确率的问题,提出一种基于平滑伪维格纳-威利分布(smooth and pseudo Wigner-Ville distribution,简称SPWVD)时频图纹理特征的故障诊断方法,对滚动轴承不同故障类型及故障程度进行识别。首先,采用SPWVD时频分析方法处理轴承故障振动信号,并获取时频图,从中提取选择表征能力优秀的特征参量作为故障特征;其次,将故障特征作为输入,结合支持向量机(support vectors machine,简称SVM)建立滚动轴承故障诊断模型;最后,采用轴承故障数据,比较SPWVD时频图纹理特征、维格纳-威利分布(Wigner-Ville distribution,简称WVD)时频图纹理特征和小波尺度谱图纹理特征3种故障特征的模式识别能力及准确率。分析结果表明,SPWVD时频图纹理故障特征分类效果最佳,敏感性最强,具有较高的故障诊断精度。     

滚动轴承故障的振动信号诊断方法

针对滚动轴承损伤类故障振动信号的特点,充分利用HMM、SVM在序列行为的分类和小样本方面的优势,把SVM的输出转化为HMM中观察值概率矩阵模型,建立了动态过程时间序列分类器,提高模型的学习速度和分类性;基于对包络解调信号提取AR模型参数构建的用于训练和故障识别的特征矢量,提出了一种基于SVM-HMM混合算法的滚动轴承故障诊断方法.将该方法应用到滚动轴承故障诊断中取得了较好的效果.     

滚动轴承故障信息的特征级融合与决策级融合

在对滚动轴承原始故障信号完成特征提取与特征筛选的基础上,利用BP、RBF以及SVM三种网络模型对筛选完的特征量进行特征级融合[1];针对单一的网络模型的不确定性,通过隶属度熵值权重法确定了三种网络模型的不确定度[2],并引入D-S证据理论[3],对三种网络的计算结果进行决策级融合[4](以滚动轴承外圈故障为例),以提高对滚动轴承故障诊断精度。     

基于混合域特征集与加权KNN的滚动轴承故障诊断

针对滚动轴承的早期故障特征微弱难以有效辨识的问题,提出基于混合域特征集与加权K-近邻分类器的滚动轴承早期故障诊断方法。首先,基于时域、频域、时频域信号处理方法计算滚动轴承早期故障的特征指标量,构造混合域特征集,再将混合域特征集输入给KNN实现滚动轴承的早期故障诊断。实验结果表明,基于混合域特征集与加权K-近邻分类器的滚动轴承早期故障诊断方法能够有效地提取滚动轴承早期故障的低维敏感特征,而且结构稳定,诊断精度高,可以推广应用于滚动轴承的实时在线监测。     

量子遗传算法优化的SVM滚动轴承故障诊断

针对单一测度模型的特征评价方法存在特征敏感度"欠学习",以及支持向量机(support vector machines,简称SVM)参数优化算法普遍存在收敛速度慢、易陷入局部极值等问题,提出一种量子遗传算法优化的SVM滚动轴承故障诊断方法。首先,采集振动信号中的时域和频域特征构成多域多类别原始故障特征集;其次,构建一个基于相关性、距离及信息等测度的混合特征评价模型,得到特征权重与特征值组合构成的加权故障特征集;最后,将加权故障特征集为输入,将量子熵引入到量子遗传算法当中,对SVM的结构参数进行全局优化,完成滚动轴承故障模式的识别。试验结果表明,该方法能够以更快的速度收敛至全局最优解,在保证聚类性能的基础上提高了滚动轴承的诊断精度。     

LMD能量熵和SVM相结合的滚动轴承故障诊断

为实现小样本情况下对滚动轴承进行故障检测和分析,提出了基于局部均值分解(LMD)的能量熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。利用LMD信号处理方法将滚动轴承振动信号分解成有限个乘积函数(PF)分量,通过计算PF分量的能量熵进行故障特征提取,然后将提取的特征输入到SVM分类器中进行训练及测试,最终实现对滚动轴承的故障诊断。实验数据显示,在仅有少量样本条件下,LMD能量熵和SVM相结合的方法能够精确地对滚动轴承的故障类型进行识别和分类,这表明该方法对滚动轴承故障诊断的有效性。     

混沌理论在滚动轴承故障诊断中的应用

混沌系统对初始条件和参数极度敏感,这一特点可以用于检测早期检测噪声背景下的滚动轴承故障信号。从几个方面综述了混沌理论在轴承故障诊断中的应用现状,即滚动轴承故障诊断技术的分类与特点,混沌理论在滚动轴承故障诊断中的应用基础,混沌振子系统在轴承故障诊断中的应用,混沌动力学分析在滚动轴承故障诊断中的应用。并通过分析总结,预测了混沌理论在轴承故障诊断中的下一步研究方向。     

基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。     

VMD和t-SNE相结合的滚动轴承故障诊断

滚动轴承故障诊断普遍采用有监督学习的方式,针对有标签数据难以获取的问题,提出一种VMD分解与t-SNE流形学习相结合的滚动轴承故障诊断方法。利用VMD分解将滚动轴承原始振动信号分解为若干本征模态分量(IMF);计算每个模态分量的时频特性指标组成高维故障特征,通过t-SNE对故障进行二次特征提取,获取低维敏感特征并将其作为K-means分类器的输入,实现故障类型的识别。将该方法应用到滚动轴承故障诊断中并与VMD+PCA、原始时频特征+t-SNE两种方法进行对比,结果表明VMD+t-SNE方法以无监督学习的方式实现了故障诊断的去标签化和自适应性,同时提高了故障诊断的准确性。     

大数据统计趋势分析和PCA的滚动轴承早期故障诊断

针对短时、小样本数据下提取的特征对早期故障敏感度和故障演化过程稳定度低、信息冗余的问题,提出了大数据统计趋势分析和核主元分析方法(Principal component and analysis,PCA)的滚动轴承故障演化特征提取和早期故障诊断方法。采集滚动轴承正常状态到完全失效状态的全寿命振动数据,计算原始数据中不同故障严重程度下的时频统计特征,建立各个统计特征描述的故障演化趋势,分析各个统计特征描述的故障演化特性,初步选择能够敏感且稳定感知故障演化过程的统计特征集,利用PCA分析初选结果中各个统计特征间的相关性和贡献度,进一步剔除冗余特征,最终得到能全面表征故障演化过程的特征。最后,使用滚动轴承全寿命振动数据验证本文所提方法的有效性。实验结果证明,标准差、均值频率、标准差频率等特征能敏感地检测滚动轴承早期内环故障并稳定跟踪其演化过程。     

基于子小波布置和系数融合的轴承故障诊断

针对滚动轴承早期微弱故障特征难以提取的问题,提出一种基于子小波布置策略和小波系数融合的故障诊断方法。首先,布置子小波并进行小波变换;然后,根据峰度指标对多尺度小波系数进行融合集成;最后,运用自相关谱抑制噪声,突出故障信息。通过仿真信号和实际信号对该方法进行了验证,结果表明,该方法能够提取出微弱的故障特征,实现滚动轴承的早期故障诊断。