基于多小波和峭度准则的风力发电机滚动轴承故障检测

风力发电是全球未来最重要的代替能源,由于其风电机组工作在恶劣的条件下,易造成风力发电机局部出现故障.风力发电机组的滚动轴承故障振动信号呈现非线性和非平稳特点,大量背景噪声污染导致故障特征难以有效识别,提出了多小波和谱峭度相结合的风力发电机滚动轴承故障特征提取方法.首先对振动信号进行多小波降噪,计算其峭度值,评判风机轴承是否产生故障;其次依据快速峭度图算法的自适应选择性获得最优的滤波器参数,滤波后对其进行平方包络分析;最后提取高频共振信号中包含的低频信息,判断风机的故障类型.通过仿真实验结果表明,对于风机轴承微弱的故障诊断,该方法能排除强烈的噪声干扰,保留易丢失的有用信号,明显提高信噪比,精确识别出故障特征频段,有效地的进行故障诊断.     

基于EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

HHT方法在轴承故障诊断中的应用

为研究滚动轴承故障问题,将HHT（Hilbert-Huang transform）分析方法应用于轴承信号故障的提取。用HHT对复合信号进行了仿真分析,表明此方法分析信号的有效性。将HHT方法应用于轴承内外圈的故障诊断,结果表明,所求出的轴承故障的信息特征与理论计算吻合,表明了HHT方法能够有效的提取轴承故障的特征信息,提高轴承故障诊断率。这为类似机械零部件的故障诊断提供了参考。     

基于EMD和包络谱分析的轴承故障诊断研究

提出了一种基于经验模态分解(EMD)和包络谱分析的轴承故障诊断的新方法．EMD是把时间序列信号，分解成不同特征时间尺度的固有模态函数(IMF)，具有自适应的分析能力，然后通过选取表征轴承故障的IMF分量进行包络谱分析，就可提取轴承故障信号的特征．轴承故障实验信号的研究结果表明：该方法能有效地识别轴承故障．     

基于1D-CNN的齿轮3D振动信号故障诊断方法

为了解决从齿轮一维振动信号提取故障特征不全面的问题,提出一种基于一维卷积神经网络（one-dimensional convolutional neural network,1D-CNN）的齿轮3D振动信号故障诊断新方法。首先,提取原始三维振动信号各维的时域特征;其次,利用一维卷积神经网络（1D-CNN）模型进行特征选择;最后,将选择后的特征进行重组,重组特征作为1D-CNN故障诊断模型的输入实现故障分类操作。结果表明,利用提出的故障诊断方法,诊断准确率显著提高。模型的结构简单,训练速度快,能够快速实现故障诊断。     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

基于EEMD特征提取的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性与非线性的特点,提出将集合经验模态分解（ensemble empirical mode decomposition,EEMD）方法用于轴承信号处理.滚动轴承故障诊断的重要环节是特征提取,其直接关系到轴承故障诊断的正确率.因此,将熵知识应用到轴承特征提取步骤中,应用奇异熵与能量熵知识,提出一种峭度值与以上两种熵进行特征融合的特征提取方法,完成滚动轴承故障诊断.该方法首先对滚动轴承的振动信号进行EEMD模态分解为若干个本征模态函数（intrinsic mode function,IMF）之和,对每个含有故障特征的IMF进行奇异熵、能量熵与峭度值求取;其次,将求得的三种数据输入核主元分析（kernel principal component analysis,KPCA）中进行特征融合与特征提取;最后,将提取的特征作为支持向量机（support vector machine,SVM）的输入参数进行故障分类.试验结果表明此方法能够准确有效地识别出滚动轴承的工作状态,实现了滚动轴承故障分类的自动化.     

基于DTCWT-MAP去噪及Hilbert包络的滚动轴承故障诊断

针对轴承振动信号易受噪声影响造成故障特征难以提取的问题,提出一种基于双树复小波(Dual-Tree Complex Wavelet Transform, DTCWT)和最大后验估计(Maximum A Posteriori, MAP)的信号去噪及故障诊断方法。该方法首先对振动信号进行DTCWT分解,获得不同层次的小波系数,有效克服了传统小波分解频率混叠和畸变的缺陷。然后根据各层小波系数中的噪声强度构造MAP软阈值函数,对不同层次的小波系数进行阈值去噪。最后对去噪后的各层小波系数进行DTCWT反变换,将信号分解到不同频带,结合Hilbert包络实现轴承故障诊断。仿真信号去噪分析、轴承复合故障诊断实验及风机轴承微弱故障诊断应用结果表明,该方法能够有效去除噪声,提高信噪比,增强故障特征,提高轴承故障诊断的准确性和实效性。     

基于PCA的扬声器响应信号特征提取及识别

研究了利用从扬声器响应信号中提取特征进行扬声器故障识别的方法．首先通过小波包分解及重构得到扬声器响应信号的初始特征;然后利用主分量分析（Principal Component Analysis,PCA）的方法对初始特征进行降维处理,并得到最终特征;设计神经网络分类器,并将得到的最终特征输入分类器进行识别．实验表明,该特征提取方法在满足扬声器故障检测识别率的同时,降低了特征提取过程中的计算量,为扬声器故障诊断提供了一种实用方法．     

基于K-L变换和支持向量机的滚动轴承故障模式的识别

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量,而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征,采用K-L变换对其提取状态主特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明,K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径。     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

基于支持向量机的提升机制动系统故障诊断

针对提升机制动系统中常见的卡缸故障，利用支持向量机（SVM）这一新的机器学习方法进行智能诊断．在某一闸系统正常时获得2组信号，卡缸时获得6组信号，采用3层小渡包对闸瓦间隙-时间信号进行分解，以各频带的能量为元素构造特征向量，形成故障诊断样本，在Matlab6．5环境下用SVM工具箱进行编程，建立SVM故障分类器并时测试样本进行测试，从而实现提升机制动系统卡缸故障诊断．实验结果表明，在不到0．1S时间内，就建立了SVM故障分类器，该分类器对测试样本的诊断正确率达到了100%；当训练样本由6组减少至4组时，SVM故障分类器仍可以有效地实现对卡缸故障的诊断．因此，SVM方法对于少样本的故障诊断有较强的适应性，非常适合于矿井提升机这种安全运行要求很高，但又不具备大量故障样本的系统．     

基于特征筛选和集成学习的轴承故障诊断

为了提高不同工况下的轴承故障诊断准确率,提出了一种基于特征筛选和集成学习的轴承故障诊断方法。考虑到特征向量复杂冗余的问题,结合特征有效性和最大均值差异提出了新的特征评分函数,并在此基础上进一步考虑特征关联度和特征维度,筛选出有利于变工况故障诊断的特征子集。针对单一机器学习模型故障诊断准确率不高的问题,将AdaBoost和Stacking算法相结合构造集成学习故障诊断模型。实验结果表明:筛选出的特征子集在相同分类器下拥有更高的故障诊断准确率;集成学习模型相较于单一模型有更高的故障诊断准确率和鲁棒性。     

基于灰色支持向量机模型的滚动轴承故障诊断与预测方法

提出基于GM(1,1)-SVM的滚动轴承故障诊断及预测方法.首先,提取滚动轴承各类故障和正常状态下振动信号的时域及频域特征值,然后,选取重要特征参数建立预测模型,进行特征值预测;最后,使用轴承各类故障特征值和正常状态特征值训练二叉树支持向量机,构造滚动轴承决策树,判别故障,实现对故障类型的分类,从而达到对轴承故障诊断,并通过预测值与支持向量机实现故障预测的目的,突破传统算法不能有效预测轴承故障的局限性.     

基于改进EMD和数据分箱的轴承内圈故障特征提取方法

为解决直驱风力发电机主轴后轴承内圈轻微损伤故障诊断问题,针对实际工程中振动信号的复杂特性,提出一种基于改进经验模态分解(empirical mode decomposition, EMD)和数据分箱的特征提取算法。将信号进行改进经验模态分解,得到一系列平稳的本征模函数(intrinsic mode function, IMF)。对分解后的信号提取均值、方差等幅域参数特征,并根据参数有效性选择部分参数组成特征矩阵。选用等宽分箱方法,用箱内数据均值代替箱体数据,将特征矩阵进行平滑处理。经验证,该方法能准确提取实际工程信号中的有效特征,并从特征选择的角度较好解决了分类器代价敏感问题,减少了机器学习模型的过拟合现象。     

基于支持向量机的故障模式识别研究

支持向量机为因缺乏大量故障样本受到制约的智能诊断提供了一个全新的途径.从振动信号中提取特征向量作为支持向量机的输入,对滚动轴承故障模式进行识别.实验表明,在含噪声条件下支持向量机对滚动轴承故障模式仍然具有优秀的分类性能.     

基于变分模态分解与多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有非平稳、非线性特征以及提取特征困难等问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的多尺度熵(Multi-scale entropy,MSE)的特征向量提取方法,并输入拉普拉斯支持向量机(Laplacian support vector machines,LapSVM)中进行滚动轴承故障识别。该方法首先利用VMD分解的多尺度熵对原始振动信号进行特征向量的提取,然后与基于VMD样本熵以及VMD时域统计量(峭度、歪度)对比说明该方法的优势,最后将上述特征向量输入到LapSVM分类器中进行识别对比。试验数据分析结果表明,所提方法在诊断精度、计算速度上大大提高。