基于IRP和TD2DPCA的轴承故障诊断方法EI北大核心CSCD

针对轴承振动信号的非平稳特征和现实中难以提取故障参数的情况,提出了一种基于图像的轴承故障诊断方法即基于递归灰度图(Improved Recurrence Plots,IRP)和双向二维主成分分析(Two directional,Two dimensional Principal Component Analysis,TD2DPCA)的轴承故障诊断法。该方法对递归图(Recurrence Plots,RP)中阈值选取的问题进行了优化,提出了IRP算法,对采集到的轴承振动信号进行IRP分析,生成递归灰度图;然后用TD2DPCA对生成的递归灰度图进行特征参数提取,得到系数编码矩阵;最后采用分类器对上述编码矩阵直接进行模式识别,以实现轴承故障的自动化诊断。将该方法应用在轴承4种典型工况的故障诊断实例中,识别率高达99.8%,结果表明:基于IRP和TD2DPCA的轴承故障诊断方法能够自适应的对轴承进行故障诊断,具有故障识别精度高、噪声鲁棒性好等优点,为轴承振动诊断探索了一条新途径。     

基于IRP和TD2DPCA的轴承故障诊断方法

针对轴承振动信号的非平稳特征和现实中难以提取故障参数的情况,提出了一种基于图像的轴承故障诊断方法即基于递归灰度图(Improved Recurrence Plots,IRP)和双向二维主成分分析(Two directional,Two dimensional Principal Component Analysis,TD2DPCA)的轴承故障诊断法。该方法对递归图(Recurrence Plots,RP)中阈值选取的问题进行了优化,提出了IRP算法,对采集到的轴承振动信号进行IRP分析,生成递归灰度图;然后用TD2DPCA对生成的递归灰度图进行特征参数提取,得到系数编码矩阵;最后采用分类器对上述编码矩阵直接进行模式识别,以实现轴承故障的自动化诊断。将该方法应用在轴承4种典型工况的故障诊断实例中,识别率高达99.8%,结果表明:基于IRP和TD2DPCA的轴承故障诊断方法能够自适应的对轴承进行故障诊断,具有故障识别精度高、噪声鲁棒性好等优点,为轴承振动诊断探索了一条新途径。     

基于分形维数和GA-SVM的风电机组齿轮箱轴承故障诊断

对风机齿轮箱轴承故障诊断进行了研究,提出一种基于分形维数和遗传算法支持向量机(GA-SVM)相结合的故障诊断算法。基于常用的时域特征参数作为支持向量机的识别参数,引入分形维数特征参数来提升支持向量机的识别精度。提出了基于遗传算法(GA)的支持向量机参数优化的模型,通过GA的寻优自动获得最优的支持向量机参数。采用某风场的风电机组齿轮箱轴承数据进行故障诊断,实验表明,所提出的GA-SVM模型很好地解决了参数选择的问题,同时基于分形维数的特征参数也提高了风电机组轴承故障的识别准确率。     

一种基于样本熵的轴承故障诊断方法

运用非线性动力学参数样本熵作为特征,对轴承正常、内圈故障、滚动体故障、外圈故障四种工况的振动信号进行分析识别。针对利用原始振动信号的样本熵只能在一个尺度域进行分析,无法准确区分轴承运行状况的问题,提出一种基于集成经验模式分解与样本熵的轴承故障诊断方法。首先利用集成经验模式分解方法将原始振动信号分解为有限个内蕴模式分量,从中选取包含故障主要信息的前几个内蕴模式分量的样本熵作为特征,然后利用支持向量机进行轴承故障诊断,这样可以在多个尺度对轴承信号进行分析,提高了轴承故障诊断的准确率。通过轴承故障实测信号的诊断实验,证明了该方法的可行性和有效性。     

滚动轴承振动特性评价指标工况敏感度分析

运行工况的改变会对滚动轴承故障诊断中振动评价指标识别的准确性产生重要影响。本文以NU306E圆柱滚子轴承为研究对象,通过搭建轴承试验台测试获取了不同轴承故障类型、转速与载速条件下的振动信号峭度值、均方根值和脉冲值,分析了评价指标随轴承工况改变的变化趋势和敏感程度,并给出了剔除工况影响因素后的评价指标计算公式。研究结果表明：脉冲指标对工况变化的敏感度较低,而峭度指标对内圈故障轴承的载荷变化较为敏感;均方根值较适用于处于相对重载工况下的轴承外圈故障诊断中;在未知轴承故障类型情况下进行故障诊断时选用峭度评价指标最为合适;采用本文提出的评价指标计算公式可有效提高轴承故障诊断的准确性。该结论可为轴承故障诊断提供理论指导。     

基于ICS-LSSVM的包装机械动力机轴承的故障识别

目的针对包装机械设备中动力机轴承的故障诊断识别率低的问题,提出一种基于参数寻优的故障识别方法。方法首先通过主元分析算法对包装设备动力机的振动数据进行主成分特征提取,减少各数据间的相关性,然后采用LSSVM对各类数据样本进行故障识别。为了克服LSSVM惩罚因子和核函数参数易出现局部最优、收敛精度差等问题,提出一种ICS算法优化LSSVM的状态参数,提高包装机械动力机轴承故障诊断的识别率,以实测糖果厂包装机械振动数据为例验证所提方法的有效性。结果实验结果表明,在包装机械动力机轴承故障类别确定的情况下,算法能够高精度地识别各类动力机故障。结论该算法实现了分类器参数的自适应选择,为提高包装机械动力机轴承故障诊断的识别率提供了可靠的方法。     

基于改进SVD及参数优化VMD的轴承故障诊断

为解决轴承早期故障特征难以提取的问题,提出一种基于改进奇异值分解(SVD)及参数优化变分模态分解(VMD)的轴承故障诊断方法。首先,对原始故障信号进行SVD降噪、微弱故障信号的分离,通过包络熵最小、峭度最大原则对其重构矩阵的秩进行优化。其次,对改进SVD降噪后所得信号进行VMD分解,将包络谱幅值峭度和峭度构成新的指标(合成峭度),通过所有本征模态分量(Intrinsic Mode Function,IMF)的合成峭度均值最大原则对VMD的参数进行优化,获得若干的IMFs。最后,根据峭度-欧氏距离指标筛选出含故障信息丰富的IMF,进行包络解调运算,分析信号的包络谱判断轴承故障类型。通过对仿真信号和实测信号进行分析,可成功提取出微弱特征频率信息。由此表明,基于改进SVD及参数优化VMD的轴承故障诊断方法可有效地实现轴承早期故障诊断,具有一定的可靠性和实用性。     

基于非线性几何不变量的轴承故障诊断方法研究

针对轴承传动本身具有非线性而在传统故障诊断中又被忽略掉的问题,提出了基于分形和混沌等非线性几何不变量的轴承故障诊断方法。该方法对测得的轴承振动时间序列去噪以后进行相空间重构,然后计算重构信号的分形维数、Lypunove指数、K熵、关联距离熵等多个几何不变量,并以此作为轴承故障诊断特征量,输入到径向基神经网络,对轴承故障进行模式识别。实验结果表明该方法能有效区别轴承各种故障状态,且为旋转机械的故障诊断提供了一种新方法。     

基于WELCH算法集成学习模型的滚动轴承故障诊断#br#

针对滚动轴承振动信号具有非平稳性、非线性且易受背景噪声干扰,故障特征难以提取等问题,提出一种基于WELCH功率谱算法的集成学习模型的故障诊断方法。首先使用WELCH算法对轴承的原始振动信号进行预处理,从中提取峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子6 个参数,作为支持向量机的特征向量;然后结合集成学习算法构造Bagging-SVM集成学习模型。实验结果表明,与单一的SVM分类器相比较,Bagging-SVM 集成模型对于轴承的故障诊断性能更优;在不同电机转速下的轴承故障诊断中,诊断率分别为97 %,98 %,98 %和99.5 %;说明了该集成模型在不同工况下的适用性强,诊断性能优秀。     

基于WELCH算法集成学习模型的滚动轴承故障诊断#br#

针对滚动轴承振动信号具有非平稳性、非线性且易受背景噪声干扰,故障特征难以提取等问题,提出一种基于WELCH功率谱算法的集成学习模型的故障诊断方法。首先使用WELCH算法对轴承的原始振动信号进行预处理,从中提取峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子6 个参数,作为支持向量机的特征向量;然后结合集成学习算法构造Bagging-SVM集成学习模型。实验结果表明,与单一的SVM分类器相比较,Bagging-SVM 集成模型对于轴承的故障诊断性能更优;在不同电机转速下的轴承故障诊断中,诊断率分别为97 %,98 %,98 %和99.5 %;说明了该集成模型在不同工况下的适用性强,诊断性能优秀。