基于固有时间尺度分解的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和非平稳特性的情况,提出了一种基于固有时间尺度分解和样本熵的新型故障特征提取方法,并与Tikhonov支持向量机相结合实现滚动轴承的故障诊断。该研究充分利用了固有时间尺度分解具有提取故障特征明显、计算简单等优点。首先采用固有时间尺度分解方法将振动信号分解为一序列固有旋转分量和一个基线分量之和,并计算每个固有旋转分量的瞬时幅值和瞬时频率。然后,提取上述瞬时数据的样本熵作为特征向量。最后将其作为Tikhonov支持向量机的输入,实现滚动轴承故障精确分类。经过实验验证,本文方法获取的不同类型故障样本特征差别较大,与小波能谱熵、时间小波能谱熵相比能够更精确和快速的识别轴承故障。     

基于经验模态分解的风电轴承早期故障诊断研究

介绍了采用基于经验模态分解EMD包络谱的滚动轴承早期故障诊断方法。该方法先用EMD将原始时域信号分解为若干个平稳的固有模态函数IMF之和,然后求出包含主要故障信息的多个IMF分量的包络谱,通过包络谱频率来判断滚动轴承的故障类型。对滚动轴承内圈故障振动信号的分析结果表明,基于经验模态分解包络谱的故障诊断方法能够比传统的FFT频谱更加及时准确的提取滚动轴承的故障特征,利于提早发现故障隐患。     

基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。     

基于VMD与快速谱峭度的滚动轴承故障诊断

针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法.首先将轴承信号分解为若干个固有模态分量(IMF),然后利用最大相关峭度解卷积算法对各阶模态分量进行计算,选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象,并对其...     

基于固有时间尺度分解的风电机组轴承故障特征提取

针对风电机组调心滚子轴承故障振动信号非平稳、非线性的特点,提出了基于固有时间尺度分解(ITD)的轴承故障特征提取方法。ITD方法可以将复杂信号分解成若干个固有旋转分量和一个趋势分量之和,能准确地展示非平稳信号的动态特性,有较高的拆解效率和频率分辨率。分析结果表明,ITD方法能有效地提取风电机组轴承故障特征,可用于在线故障诊断。     

基于PPCA-1.5维能量谱的滚动轴承故障诊断

针对强背景噪声下滚动轴承的非线性、非平稳故障特征提取不足的问题,提出了融合概率主成分分析(PPCA)及1.5维Teager能量谱的故障特征分析方法。首先对信号进行概率主成分分析,通过对信号降维重构信号,提取信号故障特征主成分,去除强背景噪声干扰;然后对重构信号进行1.5维能量谱分析,从而获得轴承故障特征谱信息。利用所提方法对滚动轴承模拟数据及实验数据进行分析,结果表明与集合经验模态分解(EEMD)包络谱相比,采用PPCA与1.5维能量谱的分析方法在进行滚动轴承故障高阶倍频提取时具有一定的优势。     

基于COT-SSD的变转速滚动轴承微弱故障诊断

针对背景噪声干扰及转速波动工况下滚动轴承微弱故障识别困难这一问题,提出一种结合计算阶次追踪(COT)和奇异谱分解(SSD)的新型诊断方法。利用COT算法对采集的原始时域信号进行等角度重采样,继而利用SSD算法对重采样角域信号进行处理,通过自适应构建的轨迹矩阵的奇异值分解重组,将角域信号从高频至低频分解为若干个奇异谱分量,利用融合峭度指标筛选最佳奇异谱分量,选定最佳分量后对其进行进一步的包络解调运算,最终通过分析包络阶次谱中幅值突出的成分来准确判定滚动轴承运行状态。滚动轴承内外圈故障实测信号分析结果表明,所提方法能够有效提取出变速工况下滚动轴承的微弱故障特征信息。     

基于核主元分析和极端学习机的轴承故障诊断方法

针对轴承故障诊断问题,提出了一种基于核主元分析和极端学习机的轴承故障识别方法。首先应用小波分析的方法计算轴承时域信号的小波系数能量作为原始特征,然后应用核主元分析方法对高维的原始特征进行优选和降维,最后将优选和降维后的特征应用极端学习机方法建立故障诊断模型,从而区分各类轴承故障。SKF6205滚动轴承故障诊断实验结果表明,核主元分析方法能较好地获取故障响应信号的本质特征,并可直观地描述出了各个故障的低维分布特征,可有效提高轴承故障的诊断正确率。     

基于FRFT-KPCA的模拟电路非线性故障特征提取

针对模拟电路受非线性及元件容差影响而导致响应信号在时域和频域都出现耦合,造成故障特征提取困难的问题,结合分数阶傅里叶变换和核主成分分析理论提出一种非线性故障特征提取方法。利用分数阶傅里叶变换对耦合信号进行预处理,采用粒子群优化算法寻找最优分数阶p,实现耦合信号在分数阶域最大程度的分离。采用核主成分分析对非线性特征进行维数压缩,实现故障特征提取。实验结果表明,在时域或频域相互耦合的信号经分数阶傅里叶变换后,在分数阶域上耦合程度明显减弱,核主成分分析能够有效处理信号中的非线性信息,特征提取效果要优于其他线性特征提取方法。经过分数阶傅里叶变换和核主成分分析相结合的方法所提取的故障特征使故障模式具有更好的可分性。     

改进一维卷积神经网络的航空发动机故障诊断方法

针对现有航空发动机故障诊断的1DCNN方法缺乏故障频率多尺度特征提取能力以及对原始振动信号时域特征提取不足的问题,通过融合内嵌多尺度层到双通道1DCNN提出了改进1DCNN的航空发动故障诊断方法。提出了幅值变化速率的方法对振动信号进行时域特征增强,在单通道1DCNN基础上增加幅值变化通道作为第二通道,构建双通道1DCNN,加强1DCNN的时域特征提取能力,再改进多尺度模块为内嵌多尺度层并应用于1DCNN的第一通道,针对航空发动机故障频率域的多尺度特征进行提取。最后将改进1DCNN应用于航空发动机转静碰摩、叶片断裂等故障的诊断,通过对比实验证明了改进1DCNN检测的优越性、抗噪性、泛化性以及改进点的可行性。     

基于EMD复合多尺度熵的模拟电路故障诊断方法

根据当今模拟电路高集成度、非线性以及易受环境影响等特点,提出一种基于经验模态分解(EMD)结合复合多尺度熵(CMSE)的故障特征提取新方法.首先通过仿真获得电路的输出信号,然后使用经验模态分解,将原始信号分解为有限个固有模态分量以及一个残余分量.再利用复合多尺度熵算法,分别计算出这些固有模态分量在不同时间尺度下的样本熵...     

基于多尺度线调频基稀疏信号分解的广义解调方法及其在滚动轴承故障诊断中的应用

提出了一种基于多尺度线调频基稀疏信号分解的广义解调方法,并将其应用于非平稳转速下的滚动轴承故障诊断。该方法先采用基于多尺度线调频基的稀疏信号分解方法分解频率呈曲线变化的多分量信号,得到瞬时频率和瞬时幅值都具有物理意义的单分量信号及其相位函数,再基于获取的各分量信号的相位函数对原信号进行广义解调处理,从而将非平稳信号转化为平稳信号。当转速变化时,滚动轴承故障特征频率为曲线变化的非平稳信号,对其包络信号进行基于多尺度线调频基的稀疏信号分解,提取包络信号分量,再对包络信号分量进行广义解调,根据广义解调后分量信号频率成分与转频的关系即可判断滚动轴承的故障部位和类型。仿真信号与轴承内外圈故障振动信号分析结果表明,该方法比传统的包络信号分析方法能更有效地提取滚动轴承故障振动信号特征。     

基于VMD与自相关分析的滚动轴承故障特征提取

滚动轴承故障信号多呈现非平稳、多分量调制特性,早期故障信号调制特性微弱、易受周围设备噪声干扰,导致轴承早期故障特征淹没在噪声信号中,故障特征难以提取。为此,提出一种变分模态分解(variational mode decomposition,VMD)与自相关分析相结合的轴承故障特征提取方法。首先利用自相关分析消除故障信号中噪声干扰,提取周期成分;然后再用VMD算法将消噪信号分解成若干本征模态分量(intrinsic mode function,IMF),运用能量算子对相关系数及峭度值较大分量进行解调分析;最后通过能量解调谱来判别滚动轴承故障类型。将该方法应用到滚动轴承仿真故障数据和实测数据中,结果表明,该方法可降低了噪声的干扰,有效提取故障特征频率,能够实现滚动轴承故障的精确诊断。     

基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法

滚动轴承故障定位,特别是对其性能退化程度的诊断可以更有效地进行设备维护以降低停机率.提出了对滚动轴承不同故障位置及性能退化程度的非平稳振动信号进行特征提取和智能分类的故障诊断方法.该方法对各状态振动信号进行经验模态分解,得到一系列固有模态函数和一个残余分量.经验模态分解方法具有分解自适应性和分解唯一性.对每个固有模态函数建立自回归模型,分别采用Yule Walker和Ulrych-Clayton两种方法求得模型参数和残差方差,并以此作为各类状态信号的特征矩阵,输入到改进的超球多类支持向量机分类器,判断滚动轴承故障位置及性能退化程度.实验结果表明,提出的方法可同时实现滚动轴承故障位置及性能退化程度的智能诊断,且基于经验模态分解结合自回归模型的Ulrych-Clayton参数估计进行特征提取的诊断方法识别率更高.     

基于MPE与PSO-SVM的滚动轴承故障诊断

滚动轴承是旋转机械的重要部件之一,针对滚动轴承故障诊断问题,本文提出了一种多尺度排列熵（MPE）与粒子群优化（PSO）的支持向量机（SVM）相结合的算法。利用MPE方法得到轴承故障信号的故障特征,并将其作为特征向量输入PSO-SVM模型中,使用凯斯西储大学轴承故障数据进行验证,发现此方法可以有效进行滚动轴承的故障识别。同时将此方法与多尺度排列熵结合传统的SVM方法以及使用网格搜索优化的SVM方法所得故障分类结果进行比较,发现该方法在滚动轴承故障诊断的时效性以及准确率方面具有一定的优越性。     

基于多尺度图Transformer的滚动轴承故障诊断

针对传统图神经网络在故障诊断中使用单一尺度进行特征提取且难以在复杂工况下提取信号的弱特征问题,提出了一种基于多尺度图Transformer的滚动轴承故障诊断方法。该方法提出了一种新的图节点多尺度特征聚合模块,扩大特征提取的感受野以增强特征表示;构建了图节点的中心性编码和空间性编码,以获得图结构信息;利用多头自注意力对故障节点进行特征提取和学习,提高方法捕捉重要特征的能力。在凯斯西储大学轴承数据集和滚动轴承实验平台上分别进行实验验证,诊断准确率最高为99.86%,平均准确率也在98%以上。结果表明,提出的多尺度图Transformer网络模型在多种工况下均能准确的进行故障分类。     

基于 tSNE-ASC 特征选择和 DSmT 融合决策的 滚动轴承声振信号故障诊断

针对滚动轴承早期故障特征微弱且难以有效辨识的问题,提出一种基于tSNE-ASC特征选择和DSmT融合决策的滚动轴承声振信号故障诊断方法。利用多个传感器采集轴承在不同故障模式下的声振信号,将每个信号通过VMD分解得到K个IMF分量;对各个IMF分量进行特征提取,构建各个特征的数据集矩阵;利用tSNE将各特征数据集矩阵降维至二维,计算平均轮廓系数(ASC);根据ASC大于临界值提取出声振故障信号的敏感特征;基于诊断模型实现轴承故障的初级诊断;利用DSmT将声振信号初级诊断结果进行融合决策,得出最终的诊断结论。实验结果表明：基于tSNE-ASC的特征选择方法能有效提取混合域特征中的敏感特征,在不同工况、不同诊断模型中均具有很高的诊断精度;DSmT决策融合有效降低了单一信号诊断的不确定性,在变载荷和升降速非平稳工况下均有很高的诊断精度。     

应用 Adabelief 优化器的 MSDNet 在多工况下 滚动轴承的故障诊断

针对滚动轴承在多工况条件下故障特征难以识别的问题,从数据驱动的角度出发应用一维多尺度密集网络(MSDNet)对轴承进行故障诊断。首先,将时域信号作为MSDNet的直接输入,保持了信号本有的固有特性;其次采用3个并行卷积操作来提取轴承故障信号内部的多尺度信息,密集网络的加入防止了信息传递过程中的特征丢失,适当缓解了模型中的梯度消失问题;然后训练过程中采用Adabelief优化算法优化模型参数,使得模型在快速收敛的同时又提高了其泛化性能;最后通过混淆矩阵和特征可视化图展示出模型的分类性能,在凯斯西储大学轴承实验数据集和西安交通大学数据集上进行了多次实验,应用该算法故障识别率可达到98%以上,证明了该方法的有效性。     

形态分量分析结合再分配尺度谱的碰摩特征提取

针对转子系统碰摩故障问题,从信号的形态结构角度出发,分析了碰摩信号组成成分的形态差异性,将用于图像处理的形态分量分析方法引入到碰摩信号组分分离中,并与小波再分配尺度谱相结合,提出了形态分量分析结合再分配尺度谱的转子碰摩故障特征提取方法。利用形态分量分析方法对原信号进行预处理,将原信号分解成光滑分量和细节分量两个部分。对细节分量做进一步再分配尺度谱分析,从而提取出与故障相关的时频特征信息。通过仿真信号及实测信号进行验证,分析结果表明该方法可有效应用于转子碰摩故障诊断,具有一定的可行性。     

基于多尺度排列熵和改进多分类相关向量机的 滚动轴承故障诊断方法

针对传统的时域、频域和时频域参数提取方法,难以从滚动轴承振动信号中提取出丰富的故障特征问题,提出通过多尺度排列熵提取故障特征,并结合改进的多分类相关向量机进行故障诊断的方法。由于多分类相关向量机的核函数参数不具有自适应选择的能力对故障诊断精度有较大影响,通过一种新智能优化算法-蝗虫优化算法改进多分类相关向量机,实现多分类相关向量机的自适应优化故障诊断。采用美国西储大学的试验数据验证表明,提出的优化故障诊断模型能够实现滚动轴承不同类型的故障诊断和不同故障程度的辨识,与粒子群优化多分类相关向量机的故障诊断模型相比,提出的故障诊断模型准确率达到了100%。