基于AR-FCM的滚动轴承的性能退化评估

滚动轴承是旋转机械中最重要也是最容易出现故障的零部件之一,如果能对滚动轴承的性能进行实时监测评估就能及时做出维修策略,建立自回归(AR)模型,提取早期无故障信号和同型号同位置失效滚动轴承(简称同类轴承)失效信号的AR模型的自回归系数和残差,用早期无故障特征和同类轴承的失效特征建立模糊C均值(FCM),得到FCM模型的正常和失效聚类中心,将待测数据通过保持模型不变连续迭代的方式输入到FCM模型中,得到性能退化指标,再用经验模态分解和希尔伯特包络解调对结论进行验证。实验表明,提出的性能退化方法得到的结论与轴承加速疲劳试验得到的结果是一致的。     

一种融合型异常检测算法及其在轴承性能退化评估中的应用

用自回归模型(autoregressive model,AR)提取早期无故障滚动轴承的振动样本以及同型号同位置失效滚动轴承(简称同类轴承)的失效样本,用早期无故障样本和失效样本建立模糊C均值(Fuzzy C Mean,FCM)和隐马尔科夫(Hidden Markov Model,HMM)性能退化评估模型,然后得到正常指标和同类轴承的失效指标,把这两个指标作为输入特征建立FCM模型,待测数据通过保持模型不变连续迭代的方式输入模型中,描绘出性能退化曲线。该方法集中了空间统计距离和相似度方法两者的优势且不需要轴承失效数据。实验表明所提出的评估方法得到的评估指标能实时监测滚动轴承的性能退化趋势并且可以及时发现早期故障。     

基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别

滚动轴承在长期的工作过程中其性能会出现不同程度的退化,如果能对滚动轴承的退化状态进行识别就可以做好维护措施。用自回归模型(Autoregressive model, AR)对滚动轴承全寿命周期的振动信号提取其系数及残差,用正常样本和失效样本特征建立模糊C均值模型(Fuzzy C Mean, FCM),用轴承正常样本的特征数据建立隐马尔科夫(Hidden Markov model, HMM)模型,将轴承的测试样本信号输入建立的FCM和HMM模型得到的两个退化指标,再将其作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线,结果表明该方法集中了空间统计距离模型和概率统计模型两者的优势,最后用IEEE PHM2012实验数据进行验证,表明所述方法与滚动轴承性能退化趋势保持一致并且可以提早发现早期故障。     

基于融合FCM-SVDD模型的滚动轴承退化状态识别

针对滚动轴承在长期工作过程中性能会出现不同程度的退化,提出一种融合FCM-SVDD模型的方法。利用自回归模型(AR)对轴承全寿命周期数据进行特征提取,再将提取的特征参数经过归一化处理后,用正常和失效样本特征建立模糊C均值(FCM)模型,用正常样本的特征数据建立支持向量数据描述(SVDD)模型,再将测试样本特征输入建立的FCM和SVDD模型得到的两个退化指标,将得到的退化指标作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线。描绘性能退化曲线,并对信号进行包络谱分析,验证初始故障位置。结果表明该方法对轴承初始故障点更加敏感,退化趋势更加明显,利用美国辛辛那提大学智能维护中心的轴承全寿命周期数据验证该方法的有效性和优越性。     

流形模糊C均值方法及其在滚动轴承性能退化评估中的应用

滚动轴承全寿命周期性能退化监测是设备主动维修技术重要的组成部分,对损伤状态进行有效评估可以实现设备接近零停机运行,发挥机器的最大生产力。为有效描绘滚动轴承性能退化趋势,提出一种基于流形学习的模糊C均值(Fuzzy C-means algorithm,FCM)方法。首先提取监测信号的时域、频域特征及小波包时频域特征组成高维特征集,然后按确定的本征维数提取高维特征集的低维流形特征,进而建立基于局部线性嵌入流行学习(Locally linear embedding,LLE)的模糊C均值模型评估轴承当前运行状态。通过IMS滚动轴承全寿命试验,验证了该方法能够有效描绘滚动轴承性能退化阶段,为预知维修提供了重要信息。     

基于小波包Tsallis熵和FCM的滚动轴承性能退化评估

鉴于小波包Tsallis熵和模糊C均值(FCM)的优点,提出了一种将两者相结合的滚动轴承性能退化评估方法。该方法首先提取正常数据和失效数据的小波包Tsallis熵,并利用FCM建立性能退化评估模型。然后提取待测数据的小波包Tsallis熵,并以待测数据隶属于失效状态的程度作为轴承性能退化中的定量评估指标,同时设定了早期故障阈值。实验分析表明,与基于小波包熵和FCM的评估方法相比,该方法得到的评估指标能更及时地发现早期故障,对噪声的鲁棒性也更强,且其变化范围为[0,1],可解释性强。     

基于模糊C均值的转盘轴承剩余寿命预测

针对大型转盘轴承信号微弱、特征难以提取的特点,提出了一种基于模糊C均值的剩余寿命预测方法。该方法提取了时域的均方根、偏斜度指标及时频域的小波包能量熵作为特征向量,组成特征矩阵输入到模糊C均值模型中进行寿命状态识别,并将待测状态隶属于正常状态的程度作为指标来反映转盘轴承性能退化的过程。通过对某型号转盘轴承进行的全寿命疲劳试验表明,该方法有效、可行,具有一定的工程意义。     

基于自联想神经网络与模糊C均值的滚动轴承的性能退化评估

滚动轴承是旋转机械中最重要也是最容易出现故障的零部件之一,如果能对滚动轴承的性能进行实时监测评估就能及时做出维修策略,故建立了自回归(AR)模型,提取滚动轴承全寿命周期的AR模型的自回归系数和残差,对提取到的特征降维后建立自联想神经网络(AANN)以及FCM模型,然后将AANN模型的输出与输入向量之差作为特征向量输入到FCM模型中,得到性能退化指标,再用实例对结论进行验证。实验表明,文中提出的性能退化方法得到的结论与轴承加速疲劳试验得到的结果是一致的。     

基于拉普拉斯分值和模糊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和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;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。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

经验模态分解与核马氏距离的滚动轴承性能退化评估

为了准确识别滚动轴承退化状态,提出了一种基于经验模态分解(EMD)和核马氏距离的滚动轴承性能退化评估方法。该方法通过EMD分解得到各阶IMF分量的标准偏差提取信号的特征信息,以样本的标准偏差向量作为样本的特征向量,将无故障样本的特征向量和待测样本特征向量设为样本集,通过衡量样本集和待测样本之间的核马氏距离来评估滚动轴承的性能退化程度。通过对轴承不同故障程度数据以及对轴承全寿命实验数据的分析验证了该评估模型的可行性,所提出方法能够准确反映故障程度的加深并持续跟踪故障发展趋势。     

滚动轴承性能退化的时序多元状态估计方法

滚动轴承性能退化评估是预诊断的提前和基础,对在役滚动轴承实施在线状态监测和性能退化评估具有重要意义。针对概率相似度量评估方法存在模型复杂、容易过早饱和等现象,提出一种基于自回归时序 （autoregressive model,简称AR）模型和多元状态估计（multivariate state estimation technique, 简称MSET）的滚动轴承性能在线评估方法,其中AR模型用于提取轴承振动信号的状态特征,MSET模型用于重构AR模型系数。首先,提取正常运行状态下振动信号的AR模型系数构建MSET模型的历史记忆矩阵;其次,将待测信号的AR系数作为观测向量输入MSET模型中得到重构后的估计向量;最后,由原始AR系数和重构AR系数分别构造自回归模型,并各自完成对待测信号的时序建模,将两自回归模型所得残差序列的均方根值之差作为性能劣化程度指标。离散实验数据和全寿命疲劳实验数据分析结果表明,该方法能够有效检测早期故障,且具有与轴承故障发展趋势一致性更好等优点。     

滚动轴承性能退化的MSET模型及其故障预警

针对滚动轴承在变速变载的恶劣运行工况下极易出现性能退化现象,本文利用多元状态估计技术(Multivariate State Estimation Technique,MSET)构建多特征变量的优势,提出了 一种基于MSET的滚动轴承性能退化及故障预警方法.首先提取滚动轴承振动信号的状态特征,建立健康状态振动信号特征向量间的关联模型;其次通过平均偏离度定量衡量观测向量与估计向量之间的差异,并作为轴承性能退化评估指标;最后结合滑移窗口法(Sliding Window Method,SWM)高效计算平均偏离度,实现在役滚动轴承在线状态监测和性能退化评估.轴承全寿命试验数据分析结果表明,本文所提方法可以及时有效判别轴承健康状态,实现在线故障预警.     

基于相对特征的滚动轴承实时健康评估方法研究

旋转机械设备的性能退化状态缺乏量化的评价准则,针对这一问题,构建了一种基于相对特征的滚动轴承实时健康评估模型。首先,基于单调性原则筛选出了相对整流平均值与相对有效值,并将其作为健康指数,再采用模糊C均值聚类方法,构建了一种由数据驱动的滚动轴承实时健康状态评估模型,以及健康状态评价准则的知识库;然后,利用最近邻原则与设计的逻辑判断修正算法,来对待测轴承的健康状态进行实时判别;最后,以辛辛那提大学智能维修系统(IMS)中心第二组轴承实验数据为模型训练数据,选择中国某石化公司加氢裂化装置P3409A离心泵轴承"运转到坏"的振动数据作为待测数据,对构建的健康状态评估模型进行了验证。研究结果表明:该模型能够有效地表征旋转机械设备的实时性能退化状态,实现对其在线实时评估,且仅需要待评定设备正常数据,不依赖外部专家先验知识,因而该模型具有良好的泛化性。     

基于一维卷积神经网络的滚动轴承故障程度诊断

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法。以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的“端到端”诊断,避免了人为因素的干扰。通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深度学习模型的诊断正确率达到98.2%。用辛辛那提大学滚动轴承全寿命周期数据对退化全过程进行诊断,根据轴承原始信号时域指标变化将全周期分为正常、轻微退化、中度退化、严重退化和失效5种程度,通过一维卷积神经网络对轴承原始数据进行有监督学习,所建立python-Keras深度学习模型的故障诊断平均准确率为93%。     

基于RBF神经网络与模糊评价的滚动轴承退化状态定量评估

滚动轴承作为旋转机械最容易发生故障的零部件之一,对其进行性能状态评估,及早判断出故障情况并做出相应的维修策略具有重要的意义。首先对轴承早期无故障样本和同类轴承的失效样本的振动信号提取小波包奇异谱熵作为初始特征。其次,用早期无故障样本特征和同类轴承失效样本特征建立径向基(RBF)神经网络模型,将已提取特征的轴承全寿命数据特征通过迭代的方式输入到RBF模型中。为了得到有界限的性能退化评估指标,提高性能评估准确率,将RBF模型输出结果输入到隶属度函数,计算隶属度,以此作为性能退化评估指标。使用箱线图设置自适应阈值,确定轴承早期失效阈值。最后用包络解调对结果进行验证。实验表明,提出的性能退化评估方法早期故障检测能力强,得到的结论与轴承加速疲劳试验得到的结果保持一致。     

基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测

针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。     

基于威布尔与模糊C均值的滚动轴承故障识别

提出一种基于威布尔分布与模糊C均值(fuzzy C-means,FCM)聚类算法相结合的滚动轴承故障识别方法。针对不同故障类型的威布尔分布模型的尺度参数、形态参数和威布尔负对数能够较好地刻画轴承运行的状态特性,提取其尺度、形态和威布尔负对数似然函数等3个参数构建表征轴承运行状态的特征向量。模糊C均值根据样本相对于聚类中心的隶属度确定样本的亲疏程度而实现分类。实验中,首先采用组合形态滤波器对滚动轴承原始信号进行降噪,然后建立威布尔分布模型,将提取的特征向量输入模糊C均值分类器进行故障诊断和识别。结果表明,该方法对机械故障诊断识别准确率高,可以作为滚动轴承故障识别的重要手段。     

基于DBN-SVDD的滚动轴承性能退化评估方法

针对现有性能退化评估方法需要人工经验筛选特征指标,难以获取轴承故障状态下振动信号的问题,提出了一种基于深度置信网络(DBN)和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。该方法以滚动轴承正常状态下的归一化幅值谱作为DBN的输入,利用DBN中的RBM构建特征自动提取模型,通过SVDD构建评估模型。使用不同工况下滚动轴承全寿命周期试验数据的分析表明,该方法能够很好地揭示轴承性能退化规律,而且摆脱了特征选择的人为干预,可以准确检测出滚动轴承早期微弱故障。     

基于自适应局部迭代滤波和模糊C均值聚类的滚动轴承故障诊断方法

为准确提取滚动轴承振动信号的故障特征,并对不同状态信号进行划分,提出了一种基于自适应局部迭代滤波(ALIF)和模糊C均值(KFCM)聚类的滚动轴承故障诊断方法。首先,将多模态信号自适应分解为多阶单一模态分量;然后,结合相关系数提取出含有最多故障特征信息的最优分量,计算其近似熵值并构建特征向量矩阵;最后,将得到的特征向量输入KFCM得到聚类结果。试验结果表明,与基于EMD,EEMD和KFCM聚类,以及ALIF和FCM聚类的方法相比,ALIF和KFCM方法的分类系数更接近1,平均模糊熵更接近0,聚类效果更好,对滚动轴承各类故障信号具有很高的识别度和良好的分类效果。