基于Fast-SC和EC的滚动轴承故障检测

解调分析的关键在于准确找到合适的解调频带,针对此问题,提出一种基于快速谱相关（fast spectral correlation,简称Fast-SC）和包络谱谱峰因子（crest of envelope spectrum,简称EC）的解调频带确定方法,应用于滚动轴承故障检测。首先,对信号进行Fast-SC计算,采用考虑滚动体滑移误差的故障频率区间作集成谱相关切片并将其作为目标谱相关曲线,根据其最大值确定解调频带的中心频率搜索中心;其次,用同时考虑冲击信号强度与周期性的EC进行频带优化选择,自适应获得优化的滤波参数组;最后,根据所得滤波参数组对信号进行带通滤波,并求其包络谱,实现轴承故障特征频率提取。仿真和实验表明,与Autogram解调算法相比,所提方法降噪能力更强,解调频带的选择更优。     

基于微粒群算法的盲解卷积及其在故障轴承声信号中的应用

针对复杂机械声场中,盲解卷积算法分离滤波器长度估计困难的问题,提出一种用微粒群算法优化盲解卷积分离滤波器长度的改进方法,解决了估计结果不确定的问题。该方法以分离信号峭度最大值的倒数为微粒群搜索的适应度,利用微粒群算法搜索到最优的分离滤波器长度,获得了可靠稳定的估计结果。计算机仿真和实际环境中故障轴承声信号分离实验证明了该方法的有效性。     

第二代小波降噪在盲源分离技术中的研究应用

为了在噪声环境下正确实施盲源分离,采用第二代小波降噪与盲源分离相结合的方法,使噪声环境下盲源分离算法的性能得到较大地改善。并通过轴承振动信号实验研究证明该方法的优越性。     

一种改进的盲解卷积算法在轴承声学诊断中的应用

针对时域盲解卷积算法滤波器长度估计困难的缺点,提出一种基于遗传算法优化的改进算法。该算法利用遗传算法搜索最佳时延,解决了盲解卷积结果不确定问题,并改进了信号分量的聚类指标,采用峭度作为独立分量间距离测度,提高了信号分量聚类的准确性,获得了可靠的估计信号。计算机仿真和实际环境中故障轴承声信号提取实验验证了该算法的有效性。     

基于循环谱分析的鲁棒性滚动轴承故障特征提取方法EI北大核心CSCD

循环平稳分析是滚动轴承故障特征提取的重要方法之一,但在用于滚动轴承故障特征提取时,存在因干扰成分较强而不能有效提取轴承故障特征的问题。为能在干扰环境中有效提取滚动轴承故障信息,基于循环谱分析提出一种鲁棒性滚动轴承故障特征提取方法。首先通过离散随机分离(discrete random separation,DRS)分析分离信号中的周期分量,提取其随机分量;随后用Teager能量算子(Teager energy operator,TEO)提取随机分量的振动能量序列;再对该序列进行快速谱相关(fast spectral correlation,Fast-SC)分析,采用基于能量熵的能量差异系数评价各循环频率(阶次)切片的能量强度;最终经熵加权降低无关干扰成分影响以有效提取故障特征。通过传统的快速谱峭度、快速谱相关和基于总变差去噪的快速谱相关分析方法与该方法对美国智能维护系统中心的滚动轴承振动数据以及实测齿轮箱复合故障试验信号进行对比分析,验证了该方法在滚动轴承故障诊断应用中的优势。     

基于振动分离信号构建和同步平均的行星齿轮箱轮齿裂纹故障特征提取

行星齿轮箱由于行星轮的行星运动导致其振动传递路径存在时变性,其振动响应与常规定轴齿轮箱振动响应有着本质的区别,传统的同步平均并不能直接应用于行星齿轮箱。为解决该问题,国外发展了可有效克服行星齿轮箱变传递路径的加窗同步平均法,详细论述了基于振动分离信号构建和同步平均的行星齿轮箱轮齿裂纹故障特征提取的原理及其实现。该方法首先验证齿轮的啮合齿序特征,根据齿序特征选择合适的窗函数对信号进行加窗截取,再根据重排齿序和加窗截取信号构建目标齿轮振动信号,最后对振动分离信号进行同步平均。行星齿轮箱齿根裂纹故障实测信号分析表明,该方法能有效的对行星齿轮箱进行故障特征提取。     

基于深度学习的全卷积网络图像裂纹检测

为实现复杂背景下裂纹目标的有效检测及降低错误标记,将全卷积网络(FCN)引入图像裂纹检测中,并针对裂纹检测实验中FCN模型存在丢失局部信息和丧失部分精细化区分能力的问题,构建一种Crack FCN模型.首先在增大分辨率的同时,取消全连接层中的Dropout技术,以增大裂纹信息的选择;其次通过加深FCN的网络深度,使整个网络实现递进式特征传递;最后在网络之后添加更高尺度的反卷积层来扩充局部精细细节.在2 156幅自制的裂纹图像数据集上对文中模型、FCN-8s模型以及其他检测方法进行实验的结果表明,Crack FCN网络模型在提高检测精度的同时可以有效地降低错误标记.     

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。     

基于离散化方法的支持向量机集成研究

基于数据离散化方法,提出一种新的支持向量机集成算法,该算法采用粗糙集和布尔推理离散化方法构造有差异的基分类器.并引入一致度指标控制离散化过程,可进一步提高集成学习的分类性能.实验结果表明,该算法不仅具有明显优于单一支持向量机的分类性能.而且能取得比传统集成学习算法Bagging和Adaboost更高的分类正确率.     

集成学习中基于离散化方法的基分类器构造研究

为构造集成学习中具有差异性的基分类器,提出基于数据离散化的基分类器构造方法,并用于支持向量机集成。该方法采用粗糙集和布尔推理离散化算法处理训练样本集,能有效删除不相关和冗余的属性,提高基分类器的准确性和差异性。实验结果表明,所提方法能取得比传统集成学习算法Bagging和Adaboost更好的性能。