融合Autogram的共振解调和1.5维谱的滚动轴承复合故障诊断方法EI北大核心CSCD

对滚动轴承复合故障进行诊断时,通常采用先分离后诊断的信号处理方法,由于故障特征信号相互耦合或干扰,容易出现误诊或漏诊的现象,针对该问题,提出了基于Autogram的共振解调和1.5维谱的复合故障诊断方法,能够在不分离复合故障信号的前提下识别故障类型。采用变分模态分解(VMD)对原始振动信号降噪,提出了一种综合指标Z选取VMD的有效分量进行信号重构,提高信号的信噪比;使用Autogram算法确定共振频带中心频率和带宽,对共振信号进行包络解调,得到包络信号的1.5维谱,根据1.5维谱中的故障特征来识别滚动轴承复合故障的类型。采用滚动轴承3种不同类型复合故障的实测信号验证了所提方法的可行性,试验结果表明,所提出的方法可以提高复合故障识别的准确性和直观性。     

基于EMD与神经网络的滚动轴承故障诊断方法

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(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

基于复合多尺度排列熵与FO-SVM的滚动轴承故障诊断方法

MPE算法中不充分的时间序列粗粒化过程会造成原始振动信号在时间序列中信息的缺失。为优化这种不成熟的粗粒化过程,相关学者创新地采用复合粗粒化的思想,提出了复合多尺度排列熵(CMPE)。为了实现滚动轴承的智能故障诊断,提出一种基于CMPE与萤火虫优化支持向量机(FO-SVM)的滚动轴承智能故障诊断方法。首先使用CMPE表征滚动轴承的原始故障信息,然后构建FO-SVM多故障分类器,实现对滚动轴承故障类型和程度的智能识别。通过仿真信号分析验证了CMPE相对于MPE在信号稳定性方面的优越性;实验数据分析结果表明:相比于基于MPE与FO-SVM的滚动轴承故障诊断方法,所提故障诊断方法不仅能够准确诊断滚动轴承的故障类型和程度,而且识别率达到了100%。     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

基于自适应多尺度散布熵的滚动轴承故障诊断方法

针对滚动轴承振动信号的非平稳、非线性特性,将一种新的衡量时间序列复杂性和不规则程度指标——散布熵(dispersion entropy,DE)引入到滚动轴承非线性故障特征提取,提出一种基于经验模态分解与DE相结合的自适应多尺度散布熵滚动轴承故障诊断方法。首先,采用经验模态分解对振动信号进行分解,得到若干不同尺度的本征模态函数;其次,计算每个本征模态函数的DE值;再次,将得到的DE值作为特征向量输入到基于支持向量机建立的多故障分类器进行训练和识别。最后,将提出的滚动轴承故障诊断方法应用于试验数据分析,结果表明,提出的方法能准确地识别滚动轴承故障类型。     

最优参数MCKD与ELMD在轴承复合故障诊断中的应用研究

机械设备中滚动轴承复合故障的情况普遍存在。针对多种故障难分离和提取的问题,提出了基于最优参数最大相关峭度解卷积(Optimal Parameter Maxim Correlated Kurtosis Deconvolution,OPMCKD)与总体局部均值分解方法(Ensemble Local Mean Decomposition, ELMD)相结合的轴承复合故障诊断方法;首先利用排列熵值、包络谱稀疏度分别筛选MCKD中的最优滤波器长度L与冲击周期T,提取滚动轴承主故障;然后通过ELMD方法将非平稳信号分解为若干个分量,筛去主故障信息后,再次利用最优参数MCKD进行次故障诊断。通过对轴承信号的分析,验证了该方法能有效分离复合故障信号,具有一定的实用性。     

基于线调频小波路径追踪算法与EEMD的齿轮箱复合故障诊断方法

针对变转速下的齿轮箱中复合故障的故障特征提取,提出了一种基于线调频小波路径追踪算法与集合经验模式分解的齿轮箱复合故障诊断方法。该方法先用线调频小波路径追踪算法从原始振动信号中提取转频曲线,根据转频曲线对原始振动信号进行等角度重采样,将时域信号转化为角域信号,再对角域重采样信号进行集合经验模式分解,根据相关系数选取合适的内禀模态函数,最后对所选取的内禀模态函数分量进行Hilbert包络谱分析,根据包络谱进行齿轮箱复合故障诊断。通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变转速齿轮箱复合故障进行分析,结果表明,本文方法在无转速计的情况下能有效地提取变转速齿轮箱复合故障的特征。     

局部保形映射和AdaBoost方法在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的随机性和非平稳性,提出基于局部保形投影(LPP)特征提取和自适应Boosting算法的滚动轴承故障诊断方法。首先对信号构建原始样本数据集合,提取时域、频域及时频域的相关特征,将该特征作为LPP的输入样本,得到维数降低的新数据集合并能尽可能保持原始局部流形结构。将此降维特征向量作为Adaboost输入,建立故障模型,用以识别滚动轴承故障类型。分析滚动轴承正常状态、内圈故障、外圈故障及滚动体故障特性。通过对比试验表明,基于LPP与Adaboost诊断方法识别率较高,可准确有效地对滚动轴承状态和故障进行分类。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于自适应CYCBD和互相关谱的滚动轴承复合故障诊断方法

强背景噪声环境下,复合故障信号中的多特征提取与分离是实现滚动轴承复合故障诊断的重点与难点。提出了基于自适应最大二阶循环平稳盲卷积(CYCBD)和互相关谱的滚动轴承复合故障特征提取方法。首先,基于故障信号特点,通过设置CYCBD中不同的循环频率,提取不同频率的故障冲击成分,并以最大谐波显著性指数(HSI)为依据,自适应选取CYCBD的最优滤波器长度;然后,利用互相关分析进一步抑制信号中的噪声,提高信噪比;最终通过快速傅里叶变换(FFT)实现滚动轴承故障特征的提取。仿真和实测信号的分析结果表明,该方法能够去除背景噪声的干扰、提取滚动轴承复合故障特征,验证了方法的有效性。     

变转速齿轮箱复合故障的自适应时变滤波分析

复合故障诊断是机械故障诊断领域的一大难点。齿轮箱出现复合故障时,受传递路径、测点布置等影响,所拾取的复合故障振动信号中,各故障成分会呈现强弱不平衡,特别在变转速条件下,故障特征具有时变特性。因此,针对变转速下的齿轮箱复合故障诊断,提出了一种基于频域滤波的自适应时变滤波方法。该方法在频域构建自适应时变滤波器,采用自适应时变滤波器将包含齿轮故障特征的时变滤波信号从齿轮箱复合故障信号中分离出来,并进行包络阶次谱分析,以提取齿轮故障特征;同时,对残余信号(齿轮箱复合故障信号与时变滤波信号的差值)进行包络阶次谱分析,以提取轴承故障特征。算法仿真和应用实例表明,自适应时变滤波方法可有效分离变转速下齿轮和滚动轴承的故障特征。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于约束独立成分分析的轴承复合故障特征提取方法

为从复合故障信号中提取各故障特征,提出一种离散小波变换(DWT)和约束独立成分分析(CICA)相结合的单通道复合故障诊断方法。首先通过DWT方法将单通道振动信号进行小波分解后,利用小波重构函数重构各层分解信号。然后取重构信号的包络信号作为CICA算法的输入矩阵,基于滚动轴承先验知识建立参考信号,从而分离出轴承各故障信号,提取故障特征。最后,在滚动轴承故障模拟实验台上进行了方法验证。结果表明:该方法可有效分离滚动轴承外圈和滚动体故障,实现了轴承复合故障的诊断。     

基于经验模态分解和主成分分析的滚动轴承故障诊断研究

针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。     

基于VMD和谱峭度的滚动轴承早期故障诊断方法

针对滚动轴承故障信号为多分量非平稳振动信号、故障早期特征微弱诊断困难的问题,该文提出变分模态分解(VMD)结合谱峭度的滚动轴承早期故障诊断方法。首先对振动信号进行VMD分解得到若干分量信号,选择峭度最大分量作为最优分量,然后对最优分量进行快速谱峭度计算并进行带通滤波、凸显故障冲击成分,通过分析滤波信号包络谱中故障频率成分实现故障诊断。实验数据分析结果表明该方法能有效诊断轴承早期故障,有一定的工程应用价值。     

基于BiLSTM的滚动轴承故障诊断研究

针对滚动轴承的故障诊断,设计并实现了一种基于双向长短期记忆网络(BiLSTM)的诊断模型。将原始振动信号直接作为模型输入,自动提取滚动轴承故障特征,可以对内圈、滚动体、外圈不同故障类型及不同损伤程度的滚动轴承进行故障识别。该模型通过BiLSTM神经网络自动提取轴承振动信号的深层信息,弥补了传统故障诊断方法需要人工提取特征的不足,实现端到端的滚动轴承故障智能诊断。滚动轴承实测振动信号实验结果表明故障识别准确率可以达到99.8%以上,该方法具有一定的应用价值。     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。     

基于奇异差分谱和平稳子空间分析的滚动轴承故障诊断

探究了一种基于奇异差分谱的信号升维途径,并将其和平稳子空间分析结合提出基于奇异差分谱和平稳子空间分析(Stationary Subspace Analysis,SSA)的滚动轴承故障诊断方法。该方法首先对滚动轴承原始故障振动信号进行奇异差分谱分析,根据奇异差分谱的峰值分布,确定不同的有用分量个数进行信号重构实现信号升维,然后利用平稳子空间分析将高维信号分解为平稳源信号和非平稳源信号,最后通过对峭度值最大的非平稳源信号进行包络谱分析得到滚动轴承故障特征频率。仿真信号和滚动轴承早期故障信号分析表明该方法可以实现滚动轴承欠定故障信号的盲分离,验证了该方法的有效性。     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

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(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。