基于EEMD的声阵列滚动轴承故障诊断

研究针对滚动轴承故障诊断中的类型和位置分析问题,提出了一种基于集合经验模态分解(EEMD)的声阵列滚动轴承故障诊断分析方法。以EEMD分解信号的峭度和能量作为评价指标,提取包含故障信息的IMF分解信号,根据滚动轴承理论故障频率及其倍频分析对分解信号进行窄带滤波后通过Hilbert包络谱实现故障类型判断,通过对窄带滤波后的分解信号使用声阵列技术进行声像分析实现滚动轴承故障定位分析。最后通过试验进行了方法验证,结果表明过使用基于EEMD分解的阵列分析方法,可更为直观确定故障位置和故障类型,有利于有轨机车等多轴承驱动系统轴承故障的快速和实时诊断,对于确定检修、制定合理维修决策、改进维修质量具有十分重要指导意义。     

基于变分模态分解和1.5维谱的轴承早期故障诊断方法

提出了基于变分模态分解(VMD)和1.5维谱的滚动轴承早期故障诊断方法。利用VMD方法处理故障信号时,需要预先设置分解所得本征模态函数(IMF)分量的个数,且为了便于后续分析,需要从所得结果中筛选出最佳信号分量,为此提出一种分量峭度图方法来同时解决这2个问题。首先,设置IMF分量个数最大值,计算相应的分量峭度图;接着,根据分量峭度图对原故障信号进行VMD处理,并选定最佳IMF分量;然后,对最佳IMF分量做进一步包络解调运算,并计算包络信号的1.5维谱;最后,通过分析1.5维谱中幅值突出的频率成分可实现故障类型的准确判定。模拟信号及实测信号分析结果表明,所提的基于VMD和1.5维谱的诊断方法能够有效提取出轴承早期故障信号中的微弱特征信息,实现轴承早期故障的准确判别。     

TT变换结合计算阶比跟踪的滚动轴承时变微弱故障特征提取

为解决变转速工况滚动轴承微弱故障特征难以提取的问题,提出了时时(time-time,TT)变换结合计算阶比跟踪(computed order tracking,COT)的滚动轴承时变微弱故障特征提取方法。首先对变转速状态的轴承微弱故障信号进行时时变换,得到反映故障信号二维时时特征的TT变换矩阵。为消除TT变换矩阵的冗余性,提出了基于峭度准则的奇异值分解(singular value decomposition,SVD)方法对TT变换矩阵降噪。然后对降噪后的TT变换矩阵实施TT反变换,获取滚动轴承时变故障特征增强信号。最后对增强信号进行COT分析得到其包络阶比谱,从而提取滚动轴承的故障特征阶次。对仿真信号和实验测试信号进行分析验证,均实现了滚动轴承变转速工况故障类型的精确识别,分析效果优于包络阶比谱方法,证明了该方法的有效性。     

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VMD和奇异值能量差分谱的风机滚动轴承故障特征提取方法

风电机组轴承处于早期故障阶段时,故障特征信号微弱,受环境噪声及信号衰减的影响较大,因此轴承早期故障特征的提取一直是个难点。为了有效提取风机滚动轴承的故障特征,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和奇异值能量差分谱的特征提取方法。首先对轴承信号进行VMD分解得到一系列固有模态函数(Intrinsic Mode Function,IMF),然后选取敏感IMF进行奇异值分解,并利用奇异值能量差分谱选取有效奇异值进行信号重构,最后对重构信号进行包络谱分析,进而提取故障特征。实验分析结果验证了所述方法的有效性。     

基于一维RepVGG协同领域自适应的电机滚动轴承故障诊断

在使用传统机器学习类方法对电机滚动轴承故障进行诊断时,电机运行工况的变化以及采集信号时的噪声干扰,会出现源域训练集和目标域测试集分布不一致的问题。提出了基于一维RepVGG协同领域自适应的故障诊断方法。RepVGG具有精度高和速度快的特点,使用一维RepVGG实现对电机滚动轴承信号的特征提取;基于提取的特征,在网络顶层结构中使用集成优化目标函数来实现域自适应,并完成轴承故障诊断。基于凯斯西储大学轴承数据集,对该方法进行了实验验证。实验结果表明,在电机变工况运行时,改进方法为诊断性能优于现有其他诊断方法。     

ITT变换在风电机组滚动轴承故障诊断中的应用

为实现风电机组滚动轴承微弱故障诊断,提出了基于改进的时时(ITT)变换的风电机组滚动轴承故障诊断方法。由时时(TT)变换可得到一维轴承故障振动信号的TT变换矩阵,实现滚动轴承振动信号的二维TT表示。提取该TT变换矩阵的对角线元素可滤除低频干扰信号,起到增强故障特征的效果。鉴于噪声对TT变换分析效果具有重要影响,提出基于能量熵准则的奇异值分解降噪方法改进TT变换,以提高TT变换的抗噪能力,实现强背景噪声条件下轴承微弱故障特征提取。仿真、实验及工程应用实例结果均表明所提方法可以有效诊断出风电机组滚动轴承的故障类型。     

声测法和经验模态分解在轴承故障诊断中的应用

提出了一种基于声测法、经验模态分解(EMD)和包络谱分析的轴承故障诊断新方法。声测法是轴承故障诊断最有效方法之一,但在获得的声测信号中含有大量噪声,严重影响了信号处理的结果。采用EMD可以有效地实现对信号的处理,大大地提高信噪比。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,通过选取表征轴承故障的IMF分量进行包络谱分析,可提取轴承故障信号的特征。实验结果表明该方法能有效地诊断轴承故障。     

位置优化 Fisher 测度在轴承故障特征选择中的应用

为了提高滚动轴承故障诊断率,充分利用时域、频域及时频域特征对轴承运行状态的识别能力的差异性,并考虑到特征 之间易出现不相关、冗余干扰等问题以及实际工程对简单、快速、有效的特征评估方法的需求,在构建轴承混合域特征集的基础 上,提出了一种位置优化 Fisher 测度(POFM)方法并将其应用于轴承故障特征选择。 该方法基于 Fisher 准则,引入中值法通过 多类样本的位置关系修正特征对状态分离聚合敏感程度的评估系数,从而筛选出能抑制状态间重合度的特征。 此外,针对智能 诊断模型确定最优特征集效率低的问题,提出了多维空间测度-Fisher 的特征集评估方法,通过计算不同维数候选特征集在多维 空间中的距离测度指标,基于极大值原则筛选出最优特征集。 最后,通过轴承故障实验对所提算法进行验证,实验结果表明,提 出方法得到的最优低维特征集可以有效诊断轴承故障,在特征组合数为 3 时支持向量机分类器诊断正确率达到了 99. 17%。     

基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法

复杂滚动轴承振动信号存在非线性、非平稳等问题,传统信号处理方法难以实现故障特征的有效提取和高精度的故障分类。针对此问题,从轴承振动信号的时频特性出发,提出一种基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法。首先将采集的振动信号进行稀疏自适应S变换,得到轴承不同工况下的时频图像特征;然后构建深度残差网络结构,并合理的选取优化器、初始学习率等网络参数,提出基于深度残差网络的轴承故障诊断模型。对某滚动轴承振动数据集的计算结果表明,基于稀疏自适应S变换的时频分析方法具有较高的时频分辨率,所构建的深度残差网络模型能够准确识别不同故障状态及其严重程度下的轴承运行信息,为滚动轴承的故障状态诊断提供了技术支撑。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题，合理的特征选择可提高故障诊断率，提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先，通过变分模态分解(VMD)进行信号降噪预处理，计算多尺度排列熵进行信号特征重构；其次，引入惯性动态权重对鲸鱼算法进行改进，通过训练SVM参数，建立IWOA-SVM故障诊断模型；最后用美国凯斯西储大学轴承数据集进行仿真。结果表明，相较于多尺度熵，MPE可表征的故障特征信息更加丰富，故障识别率提高了2.1%;与同类优化算法相比，采用IWOA对SVM进行优化的故障诊断模型，收敛速度快、训练时间短、故障识别精度高，可对滚动轴承进行有效诊断。     

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)与峭度准则的包络解调方法。该方法首先利用EEMD将振动信号分解,然后利用峭度最大准则选取EEMD分解后的本征模函数(intrinsic mode function,IMF),将该本征模函数进行包络解调从而获得滚动轴承的故障特征信息。该方法可以有效抑制经验模态分解(empirical mode decomposition,EMD)中的模态混叠问题,同时还避免了共振解调方法中中心频率及滤波频带的选取,具有良好的自适应性。利用该包络解调方法对实际滚动轴承发生内圈、外圈故障进行了分析,证明了该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

基于改进谱峭度图与多维融合CNN的轴承故障诊断方法

针对轴承振动信号中存在与故障特征相关性较低成分的干扰导致故障诊断准确率降低的问题，提出了一种基于改进谱峭度图与多维融合CNN的轴承故障诊断方法。首先，为提高振动信号与故障特征的相关性，减少干扰成分，以双树复小波包变换为基础构建改进谱峭度图模型，增强多分辨率差异性故障特征表达。然后，考虑丰富特征评价维度，构建多维融合CNN模型，将原始信号与改进谱峭度图共同作为多维特征输入实现故障精准诊断。实验结果表明，该方法能够提取各类轴承振动信号中具备差异性的故障特征，在多工况下均能够准确识别轴承故障，具有较好的诊断精度。     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂，轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题，提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先，利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）；然后计算重构后的信号的排列熵，归一化后作为特征向量；最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率，平均故障诊断准确率达到98.63%。     

mRMR 特征筛选和随机森林的故障诊断方法研究

针对滚动轴承原始振动信号重要特征信息被较强背景噪声淹没以及提取的时域特征冗余度较高、相关性较强的缺点,提出一种基于最大相关-最小冗余(max-relevance and min-redundancy, mRMR)特征筛选和随机森林的滚动轴承故障诊断研究方法。首先将原始信号进行自适应噪声完整集成经验模态分解(CEEMDAN)得到一系列固有模态分量(IMFs),分析IMF并去掉高频噪声和一部分虚假分量,再将信号进行重构并提取其时域特征,通过mRMR去除冗余性和相关性较高的特征向量,使筛选出的特征子集与标签有最大的依赖性,最后将该特征子集输入到随机森林分类器进行分类。实验表明,mRMR具有优良的特征搜索策略,重要特征均靠前得到选取,仅需3个特征便能达到较高的分类准确率,效率高于其余特征选择算法。     

基于三分法EMD和Autogram的滚动轴承故障诊断

针对强噪声下滚动轴承故障微弱,特征频率难以提取致使无法精准诊断故障的问题,提出了基于三分法经验模态分解融合Autogram阈值算法的故障诊断方法,在采用EMD对信号初步降噪时,提出一种基于M指标的三分法EMD将所有固有模态函数重构成三个分量（记M1,M2,M3）,M2即为所需的故障分量;选用Autogram算法处理M2分量确定共振频带,对共振信号做阈值包络谱处理,得到3种阈值频谱,根据阈值谱中故障特征频率诊断滚动轴承故障类型。本文采用了仿真信号结合滚动轴承的内、外圈实测数据试验方法证明了该方法的有效性,实验结果证明该方法故障诊断率可达95%以上。     

基于 LS 和 MTS 的两阶段滚动轴承故障特征选择方法

滚动轴承故障预测和健康管理(PHM)方法可以提取大量的故障特征数据,这些数据虽然有很大的潜在价值,但也存在高维、高冗余性的特点,难以直接分析和利用。因此,针对轴承故障特征数据的特点,以去除数据冗余性、筛选敏感特征为目的,提出两阶段特征选择算法。该方法的第1阶段采用拉普拉斯得分(LS)对原始特征按局部保持能力进行排序,利用互信息聚类算法删除特征集中的冗余特征。第2阶段采用多变量模式识别中的马田系统(MTS)方法对剩余特征进行综合评价,挖掘对故障分类更有效的特征。轴承退化仿真试验数据验证结果表明,提出的两阶段特征选择算法可以有效地去除冗余度、提高故障监测准确率,可以有效的运用到滚动轴承的初期故障检测中。     

基于联合分布偏移差异的跨域滚动轴承 故障诊断方法

现有的无监督域自适应故障诊断方法大多只基于单一域信号实现,提取的故障信息不够全面。 只注重实现源域和目标 域特征的边缘分布对齐,忽略了样本的条件分布差异,限制了诊断精度的提升。 为克服以上问题,提出一种基于联合分布偏移 差异(joint distribution offset difference, JDOD)的跨域滚动轴承故障诊断方法。 使用两个结构一致的卷积神经网络(CNN)分别 提取信号的时域与频域特征,获取更完整的故障信息。 提出联合分布偏移差异,实现不同域特征的边缘分布对齐和条件分布对 齐。 在两个多工况轴承数据集上与多种先进方法展开对比实验,取得了 99%以上的平均诊断精度。 实验结果表明联合分布偏 移差异有效提升了跨域故障精度。