滚动轴承故障程度评估方法研究

滚动轴承是旋转机械的关键部件,轴承故障程度评估技术对于保证设备工作性能和可靠性具有重要的工程意义。针对轴承故障程度评估开展研究,提出了一种基于Lempel-Ziv复杂度和正交匹配追踪的故障程度评估方法。首先,利用正交匹配追踪算法,对实测振动信号进行降噪处理。然后,以Lempel-Ziv复杂度作为轴承故障程度的评估指标。开展不同载荷条件下不同程度轴承内、外圈故障的评估试验,结果表明所提出的评估指标能够有效地在不同负载条件下对轴承故障程度进行评估,受噪声和载荷条件影响较小。     

CEEMD与FastICA结合的故障特征提取方法

针对滚动轴承故障特征信息难以分离的问题,提出了互补式集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)与快速独立分量分析(Fast Independent Component Analysis,Fast ICA)结合的故障特征提取方法。首先将振动信号进行CEEMD分析,分解成不同尺度的固有模态分量(Intrinsic mode function,IMF);然后通过敏感度评估算法对分解信号进行重组,并利用Fast ICA对其进行降噪处理;最后对Fast ICA分离的信号进行Hilbert包络谱分析,获取故障特征信息。将此方法应用于滚动轴承振动信号故障分析,实验证明了所提方法的有效性。     

基于相关分析和Lempel-Ziv指标的轴承损伤程度识别

针对单一故障模式下轴承内、外圈损伤程度的区分问题,提出了一种基于相关分析的Lempel-Ziv指标评估方法。通过相关分析在保留信号中频率成分的基础上来降低信号中噪声对Lempel-Ziv指标的影响。首先,该方法对原始信号进行自相关分析,将信号进行降噪;其次,对降噪处理后的信号进行0-1编码,得到信号的编码序列;最后,对编码后的序列计算Lempel-Ziv指标,得到信号的复杂度。通过仿真和轴承故障实验数据验证了所提方法的有效性。与传统的Lempel-Ziv指标及滤波后的Lempel-Ziv指标相比,在噪声环境下,所提方法能较好地识别噪声中轴承故障信号的复杂程度,能够有效的区分单一故障模式下轴承内、外圈的损伤严重程度。     

基于LMD和Lempel-Ziv指标的轴承径向磨损程度识别

针对不同程度的轴承径向磨损损伤,提出了一种基于LMD和Lempel-Ziv的轴承径向磨损程度识别方法。LMD是一种高效的自适应时频分析法,先对原始信号进行LMD分解,利用峭度值筛选出蕴含故障信息最丰富的PF分量进行信号重构,计算重构信号及其包络的Lempel-Ziv指标,再加权求和得到Lempel-Ziv综合指标,评估轴承径向磨损损伤。同时,研究了Lempel-Ziv综合指标在不同工况下(负载、转速)的变化规律。实验结果表明,此方法能有效应用于变速箱中滚动轴承的间隙故障诊断和径向磨损损伤评估。     

CEEMD-VMD与参数优化SVM结合的托辊轴承故障诊断

针对托辊轴承工作环境复杂、提取故障特征困难等问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition, CEEMD)和变分模态分解(Variational modal decomposition, VMD)相结合的降噪方法。首先,利用CEEMD将采集到的信号进行分解,依据相关系数和峭度筛选分量并进行重构,生成新的信号;然后,利用VMD将新的信号进行再分解,并基于包络熵和包络谱峭度组合的复合指标优选本征模态分量(Intrinsic mode functions, IMF);最后,提取相应的特征输入樽海鞘群优化支持向量机(Salp swarm optimization support vector machine, SSO-SVM)模型完成故障诊断。实验结果表明:对于正常轴承、轴承内圈故障、轴承外圈故障三种情况,诊断准确率达97.78%。与单一降噪方法相比,该方法可以有效提高故障信号的信噪比,降噪效果明显。     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

基于IMF能量矩和神经网络的轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种本征模函数(Intrinsic Mode Function,简称IMF)能量矩的特征向量提取法,并与BP神经网络相结合用于滚动轴承的故障诊断.该方法首先利用经验模态分解(Em-pirical Mode Decomposition,简称EMD)方法.把振动信号分解为若干个IMF,再将重要的IMF分量作基于时间轴的积分,得到IMF能量矩特征向量,最后借助BP神经网络的分类能力对特征向量进行分类.对滚动轴承的正常状态、外圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.     

基于敏感分量与MCPG的轴承故障诊断方法

针对滚动轴承故障难以准确识别问题,提出了一种基于敏感分量与多卷积池化组(Multi convolution pooling group,MCPG)的故障诊断方法。首先,采用经验模态分解(Empirical mode decom?position,EMD)将原始信号分解成为多个固有模态分量(Intrinsic mode function,IMF),使用离散Fréchet距离作为衡量指标,选取出故障敏感分量作为表征不同故障类型的故障数据源;之后,提出了一种MCPG深度神经网络架构,并使用敏感数据源对模型进行训练与测试,从而实现数据驱动的轴承故障诊断。通过实验验证,表明该方法对不同类型的振动数据(不同转速、不同损伤类型、不同损伤程度)均具有较好的识别效果。     

基于自适应CEEMD的非平稳信号分析方法

由于标准的互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理模态混叠问题时缺乏自适应性,其本质是分解信号获得的本征模态函数(intrinsic mode function,简称IMF)之间产生了一定的信息耦合现象,使IMF分量不能正确地反映信号的真实成分。因此,提出了在使用CEEMD分解信号的过程中嵌入网格搜索算法(grid search algorithm,简称GSA),以最小二乘互信息(least squares mutual information,简称LSMI)为网格搜索算法的适应度函数,构造一个自适应CEEMD方法。该算法通过自适应地搜索最佳的白噪声幅值,修正信号分解过程中产生的少量的耦合频率成分,确保每个IMF分量之间信息的正交性,以进一步抑制模态混叠问题。最后,通过仿真实验验证了该方法的有效性,并将该方法用于提取滚动轴承微故障的特征频率。实验结果表明,该算法在滚动轴承的微故障特征提取应用中具有更少的迭代数、IMF分量以及相对更小的计算量。     

基于改进EMD和谱峭度法滚动轴承故障特征提取

针对滚动轴承故障信号的强背景噪声特点,提出一种基于改进经验模态分解(empirical mode decomposition,简称EMD)与谱峭度法的滚动轴承故障特征提取方法.首先,利用EMD方法对原故障信号进行分解,得到若干平稳固有模态分量(intrinsic mode function,简称IMF);然后,采用灰色关联度与互信息相结合方法剔除传统EMD分解结果中存在的虚假分量;最后,运用谱峭度法和包络解调方法对真实IMF分量进行分析,提取故障特征频率.通过对实际滚动轴承故障信号的应用表明,该方法可有效地提取滚动轴承故障特征,且能够取得比传统包络解调分析更好的效果.     

基于变步长多尺度 Lempel-Ziv 复杂度融合 指标的旋转设备损伤评估

损伤程度评估对于旋转设备的故障预测与维护至关重要。Lempel-Ziv复杂度已被广泛用于旋转设备的定量故障诊断。但是传统Lempel-Ziv复杂度指标只能在单一尺度提取故障信息,难以全面挖掘故障特征。为此,学者提出了多尺度Lempel-Ziv复杂度。然而,多尺度分析会缩减时间序列的长度,易于导致评估结果不准确。因此,提出了一种基于变步长多尺度Lempel-Ziv复杂度融合的旋转设备损伤程度评估指标。首先采用变步长策略优化粗粒化过程,更全面地挖掘故障信息;然后运用基于拉普拉斯得分加权的融合方法来评估每个尺度的重要性,将变步长多尺度复杂度序列转化为一个单一但全面的评价指标,即所提的变步长多尺度复杂度融合指标,用以全面挖掘振动信号的特征,实现对旋转设备的损伤评估。本文采用轴承单点缺陷数据、轴承全寿命数据和齿轮箱疲劳试验数据验证所提方法的有效性,并与其他复杂度指标进行比较分析,结果表明：所提指标可100%准确地对轴承故障严重程度及齿轮磨损程度进行评估,发现早期故障,实现旋转设备的定量诊断。     

CEEMD-WVD多尺度时频图像的滚动轴承故障诊断

针对一般EMD-WVD方法在提取时频图像信息不充分的问题,提出一种基于CEEMD-WVD多尺度时频图像的滚动轴承故障诊断方法。该方法采用互补集合经验模态分解(CEEMD)方法对故障振动信号进行分解,自适应地获得不同频段的固有模态函数(IMF)分量;选取前几个高频信号IMF模态分量,运用Wigner-Ville分布(WVD)对各IMF分量分别做时频分析,进一步转化成对应的多尺度的时频图像;然后提取各尺度时频图像的局部二进制(LBP)纹理特征,并利用其特征训练SVM分类器;最后用训练好的分类器对不同的轴承故障振动信号进行故障识别。实验结果表明,该方法有较强的自适应性且能生成高分辨率图像,故障识别率高,在凯斯西储大学(CWRU)的滚动轴承数据库上进行5类故障的实验,诊断正确率为99.75%。     

基于EEMD奇异值熵的滚动轴承故障诊断方法

为充分利用振动信号进行故障辨识,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)奇异值熵判据的滚动轴承故障诊断方法。首先,对滚动轴承的振动信号进行EEMD分解获得若干个本征模态函数(intrinsic mode function,简称IMF),并根据一种IMF分量故障信息含量的评价指标(即峭度、均方差和欧氏距离)选出能够表征原始信号状态的分量进行信号重构;其次,利用奇异值分解技术对重构信号进行处理,结合信息熵算法求取其奇异值熵;最后,利用奇异值熵的大小判断滚动轴承的故障类别。用美国西储大学滚动轴承振动信号对所述方法进行验证的结果表明,相比传统的EMD奇异值熵故障诊断方法,本方法能够清晰的划分出滚动轴承不同工作状态的类别特征区间,而且具有更高的故障诊断精度。     

CEEMD与卷积神经网络特征提取的故障诊断方法研究

轴承动力学行为具有非线性的特点,导致其振动信号特征与运行状态之间存在较强的非线性关系;且振动信号的特征提取与选择往往需要大量的先验知识,导致特征的设计难以准确反映不同的运行状态。针对以上问题,提出一种基于互补集合经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)与卷积神经网络(Convolutional neural networks,CNN)的特征提取方法,从振动信号时频图中自适应提取其敏感特征,反映设备运行状态。首先采用CEEMD算法分解得到振动信号的固有模态函数(Intrinsic mode function,IMF)分量,构造各个IMF时频图,并采用CNN提取时频图的特征;然后,将提取到的特征与小波包分频带能量值相结合,组建特征指标向量,用于构建轴承故障诊断模型。将该方法应用于不同负载、不同故障深度的轴承试验中,结果表明该方法能够在多种工况下有效地提高故障识别率。     

IMF能量和RBF神经网络相结合在滚动轴承故障诊断中的应用研究

针对滚动轴承的故障特点,提出了一种将IMF能量与RBF神经网络相结合的方法用于故障诊断.该方法首先利用经验模态分解(EMD)方法,把振动信号分解为若干个IMF分量,再用重要的IMF分量求得IMF能量特征向量,最后将特征向量输入RBF神经网络进行故障模式分类.通过对滚动轴承的正常状态、内圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.     

基于EMMD分解的滚动轴承故障诊断

针对滚动轴承损伤性故障的故障诊断问题,提出基于极值域均值模式分解(extremum field mean modedecomposition,EMMD)的故障诊断方法,进行故障特征频率的提取。首先通过EMMD方法将原始信号分解成若干个本征模函数(intrinsic mode function,IMF),然后通过计算各个IMF与原始信号的相关系数,确定包含故障特征信息的主要成分,除去虚假分量。最后针对主要成分的本征模函数进行Hilbert包络解调提取故障特征,即轴承的损伤性故障特征。通过工程实例信号的分析结果以及与经验模式分解(empirical mode decomposition,EMD)方法的对比均表明,该方法能较快地提取轴承的故障特征。     

基于多小波和CEEMD的轴承故障诊断方法

滚动轴承振动信号中的强噪声背景对准确提取轴承的故障特征信息具有很大影响,本文提出利用多小波降噪与CEEMD方法相结合,提取滚动轴承的故障特征信号的方法:首先通过多小波方法自适应地消除滚动轴承故障信号中的噪声,然后利用CEEMD进行分解,将分解后的IMF的最大Shannon信息熵值作为判断标准,最大可能地保持原始信号中的故障信息,提取Shannon信息熵值最大的有效IMF进行频谱分析,利用频谱特性提取滚动轴承故障特征。利用数值算例和滚动轴承数据验证了该方法的可行性,为轴承故障诊断提供参考。     

滚动轴承的VMD-LSSVM故障识别方法

滚动轴承是工程设备中的关键部件,对滚动轴承进行故障识别方法研究有重要的意义。为了解决滚动轴承振动信号分析能力薄弱的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与最小二乘支持向量机（Least square support vector machine,LSSVM）的滚动轴承故障识别方法。以凯斯西储大学滚动轴承实验数据为研究对象,获取4类故障7种滚动轴承状态实验振动数据。进行VMD分解,得出最佳分解本征模态函数（Intrinsic mode function,IMF）个数4,然后计算4个IMF样本熵（Sample entropy,SE）得到相应特征量,输入LSSVM模型进行状态识别。实验表明,基于VMD-LSSVM的方法比EMD(Empirical mode decomposition)-HMM(Hidden Markov model)和EMD-LSSVM方法有更高的识别率。     

基于VMD的自适应随机共振在滚动轴承早期故障检测中的应用

针对滚动轴承早期微弱故障难以检测的问题,提出一种基于变分模态分解(Variational mode decompsition,VMD)的自适应随机共振轴承故障检测方法。首先对滚动轴承的振动故障信号进行VMD分解,得到有限个本征模态函数(Intrinsic mode function,IMF),选取包含故障特征的IMF分量并进行信号重构;将重构信号输入随机共振系统,采用以改进加权峭度为目标函数的量子粒子群算法,优化系统结构参数,得到最佳共振输出,从而实现降噪和增强故障特征的目的,最后通过输出信号的自相关包络谱提取故障特征频率。实测数据的分析结果验证了该方法的有效性和优势。     

基于集成投影单分类器的滚动轴承损伤程度评估方法

为准确评估滚动轴承的损伤程度，提出一种基于集成投影单分类的滚动轴承损伤程度评估方法。首先，应用特征向量选择和投影方法(FVSP)构建投影单分类器，避免异常样本不足的问题并提升分类效率；然后，采用证据理论对多个投影单分类器的结果进行集成，进一步提升学习性能；最后，以最终得到的后验概率信息作为健康指标(HI),对滚动轴承损伤程度进行判断。对外圈故障6309轴承的试验结果表明，该方法可以有效评估出轴承损伤发生时刻以及损伤程度。