基于LMD和ICA的滚动轴承故障诊断

针对局部均值分解(Local Mean Decomposition,LMD)在提取故障特征时易受到噪声干扰的问题,提出了一种基于局部均值分解和独立分量分析(Independent Component Analysis,ICA)的滚动轴承故障诊断方法。该方法首先采用LMD方法提取信号PF分量;其次,对PF分量进行ICA盲源分离,得到PF分量的估计信号,有效去除了分量中的噪声成分;然后,提取估计信号的互信息、相关系数和近似熵作为特征向量;最后,采用SVM对特征向量进行故障分类,通过特征提取和故障诊断实验,结果表明LMD-ICA方法的故障识别率明显高于传统LMD方法。     

双树复小波包和ICA用于滚动轴承复合故障诊断

针对滚动轴承复合故障信号特征难以分离的问题,提出将双树复小波包变换和独立分量分析(independent component analysis,简称ICA)结合的方法应用到滚动轴承复合故障诊断中。首先,利用双树复小波包变换将复杂的、非平稳的复合故障信号分解为若干不同频带的分量;其次,引入ICA对各个分量所组成的混合信号进行盲源分离,从而尽可能消除频率混叠;最后,对从混合信号中分离出来的独立信号分量进行希尔伯特解调,即可实现对复合故障特征信息的分离和故障识别。试验结果表明,该方法可以有效地分离和提取轴承复合故障的特征频率,验证了方法的可行性和有效性。     

基于LCD降噪和VPMCD的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(LCD)降噪和多变量预测模型(VPMCD)的滚动轴承故障诊断方法。该方法首先采用LCD对滚动轴承振动信号进行降噪;然后计算降噪后信号在不同维数下的模糊熵,并以模糊熵为特征值,采用VPMCD方法建立模糊熵的预测模型;最后用所建立的模型来预测待分类样本的特征值,把预测结果作为分类依据进行模式识别。实验分析结果表明,采用LCD方法降噪可以有效地提高VPMCD的分类性能,与神经网络、支持向量机等分类器相比,VPMCD方法可以更准确、更有效地识别滚动轴承的工作状态和故障类型。     

应用多分辨SVD和ICA的轴承复合故障诊断研究

针对滚动轴承复合故障信号中故障特征难以分离的问题,提出了基于多分辨奇异值分解(SVD)和独立分量分析(ICA)的复合故障诊断方法。首先利用多分辨SVD将复合故障振动信号分解为几个分量实现维数的增加;然后将分解得到的分量组合为混合信号,并利用ICA进行欠定盲分离;最后对分离后的独立分量进行Hilbert包络解调,由此实现对复合故障特征信息的分离和故障识别。通过对滚动轴承内外圈复合故障的试验信号分析表明,该方法可以有效地分离和提取轴承复合故障的特征信息。     

基于独立分量分析和相关向量机的轴承故障诊断研究

提出了将独立分量分析(ICA)与相关向量机(RVM)两者结合进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对轴承振动测试信号进行预处理,以使其能较好地满足ICA的前提条件,再应用独立分量快速算法(Fast ICA)分离轴承状态信号并提取特征向量,然后,应用相关向量机做为故障分类器实现轴承故障状态识别。对6206普通球轴承在正常状态和内圈、外圈、滚动体故障状态所进行的故障诊断实验表明,该方法能够准确、有效地对滚动轴承故障进行识别。     

基于LMD和阶次跟踪分析的滚动轴承故障诊断

变转速工况下的滚动轴承故障振动信号具有多分量调制以及故障特征频率受到转频调制的特点,从而导致故障特征提取困难。对此,将局部均值分解(local mean decomposition,简称LMD)与阶次跟踪分析相结合,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,采用阶次跟踪采样将时域滚动轴承故障振动信号转换到角域;然后,对角域信号进行LMD分解得到若干个乘积函数(product function,简称PF)分量;最后,对各个PF分量的瞬时幅值进行频谱分析,判断滚动轴承的故障部位和类型。通过对滚动轴承实验故障振动信号的分析,结果表明该方法能有效地应用于变转速工况下的滚动轴承故障诊断。     

基于小波变换和ICA的滚动轴承早期故障诊断

滚动轴承早期故障诊断的关键在于如何从低信噪比混合信号中检测出显著的轴承故障特征频率。提出以连续小波变换(CWT)和独立分量分析(ICA)相结合的方法来诊断单通道信号的滚动轴承早期故障,提出按频谱等间隔选取伪中心频率的小波分解尺度,并对ICA处理后的信号进行包络频谱分析以确定故障类型。最后,利用实际的滚动轴承实验数据对该方法进行了验证。     

基于ICA和小波变换的滚动轴承故障诊断方法研究

提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。     

改进VPMCD法及其在机械故障诊断中的应用

提出了一种基于时序AR模型的VPMCD(基于变量预测模型的模式识别)故障诊断方法:利用时序分析方法对故障信号建立AR模型,以蕴含故障特征的自回归参数作为故障特征量,采用VPMCD方法训练得到各故障特征量的预测模型,并利用预测模型对待诊断样本的故障类型和工作状态进行分类和识别。对滚动轴承和齿轮的振动信号的分析结果证明了该方法的有效性,与基于EMD的VPMCD法和基于AR的KNN法的对比结果证明了所提方法的优越性。     

EMD-ICA联合降噪在滚动轴承故障诊断中的应用

滚动轴承早期故障信号具有能量小、频带分布宽等特征,易受到其他能量较大的振源信号的干扰,致使传统滤波降噪方法存在很大的局限性。针对这一特点,提出经验模式分解(EMD)和独立分量分析(ICA)相结合的联合降噪新方法。将单通道振动信号进行EMD分解,基于互相关准则对分解后的本征模函数进行重组,构造虚拟噪声通道,并以此作为ICA的输入矩阵,采用FastICA算法实现源信号和噪声信号的分离,从而达到降噪的目的。将该方法应用于滚动轴承故障诊断中,对降噪后的重构信号进行频谱分析,进而判断滚动轴承的运行状态。仿真和试验分析结果表明该方法有效可行。     

基于OC-VPMCD和ITD的滚动轴承故障诊断方法

基于变量预测模型的模式识别方法可以充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型并以预测误差平方和值最小为判别函数进行分类。基于此,提出了一种新的一类分类方法--单类基于变量预测模型的模式识别（OC-VPMCD）方法,将该方法与本征时间尺度分解（ITD）方法相结合并应用于滚动轴承故障诊断。首先采用ITD对滚动轴承振动信号进行分解并对包含主要故障信息的若干固有旋转（PR）分量提取排列熵作为故障特征值;然后对OC-VPMCD分类器进行训练,并确定预测误差平方和阈值;最后进行OC-VPMCD模式识别,根据模式识别结果判断滚动轴承的工作状态正常与否。实验数据分析结果表明,该方法能够有效地应用于滚动轴承振动信号的故障诊断。     

A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition

Essentially the fault diagnosis of roller bearing is a process of pattern recognition. However, existing pattern recognition method failed to capitalize on the nature of multivariate associations between the extracted fault features. Targeting such limitation, a new pattern recognition method – variable predictive model based class discriminate (VPMCD) is introduced into roller bearing fault identification. The VPMCD consider that all or part of the feature values will exhibit interactions in nature and these associations will have different performances between different classes, which is always true in practice when faults occur in roller bearings. Target to the characteristics of non-stationary and amplitude-modulated and frequency-modulated (AM–FM) of vibration signal picked up under variable speed condition, a fault diagnosis method based upon the VPMCD, order tracking technique and local mean decomposition (LMD) is put forward and applied to the roller bearing fault identification. Firstly, LMD and order tracking analysis method are combined to extract the fault features of roller bearing vibration signals under variable speed condition; Secondly, the feature values are regard as the input of VPMCD classifier; finally, the working condition and fault patterns of the roller bearings are identified automatically by the output of VPMCD classifier. The analysis results from experimental signals with normal and defective roller bearings indicate that the proposed fault diagnosis approach can distinguish the roller bearing status-with or without fault and fault patterns under variable speed condition accurately and effectively.     

基于Kriging函数的KVPMCD在滚动轴承故障诊断中的应用

滚动轴承的故障诊断本质上是模式识别的问题,多变量预测模型(VPMCD)是一种新的模式识别方法,其实质就是通过特征值之间的相互内在关系建立数学模型,并根据数学模型对被诊断轴承的特征值进行预测从而达到模式识别的目的。但是VPMCD分类方法中单纯采用回归模型进行预测,因此当故障特征值之间关系较为复杂时将导致预测精度降低。针对这一缺陷,提出了基于Kriging函数的多变量预测模型(KVPMCD)模式识别方法。Kriging模型由回归模型和相关模型组合而成,其中,相关模型是在全局模型的基础上创建的局部偏差,它恰恰可以揭示特征值之间的空间相关性,从而弥补原VPMCD中单纯采用回归模型的缺点。对UCI标准数据以及滚动轴承实测数据的分析结果表明,KVPMCD模式识别方法比原VPMCD方法可以更加有效地识别滚动轴承的工作状态和故障类型。     

全矢EEMD在轴承故障诊断中的应用

实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号。为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法。首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合。然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型。最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别。     

基于短时傅里叶变换和独立分量分析的滚动轴承包络分析

滚动轴承的早期故障信号能量小,频带分布广泛;而传统包络谱分析技术直接在强干扰影响下对滚动轴承的故障特征提取经常失效.提出一种基于短时傅里叶变换(short time Fourier transform,STFT)的能量谱和独立分量分析( independent component analysis,ICA)的抗干扰滚动轴承包络分析新方法.该方法首先对获取的滚动轴承振动信号进行STFT能量谱分析,获取信号采样频带下的能量分布,采用带通滤波器获得高频带能量信号,并提取该包络波形,再通过ICA实现包络波形按源分离去噪,最后通过比较各独立分量的包络频谱与滚动轴承理论计算故障特征频率的匹配性,实现滚动轴承故障的精确诊断.仿真数据和试验验证该方法的可行性.     

基于相空间重构和ICA-R的轴承故障特征增强方法

针对实测滚动轴承早期故障信号中故障特征频率成分微弱、难以识别及提取的问题,设计了一种结合相空间重构(phase-space reconstruction,简称PSR)和参考独立分量分析(independent component analysis with reference,简称ICA-R)的故障特征增强方法。利用相空间重构将一维时域信号拓展到高维,再进行参考独立分量分析,将所感兴趣的轴承故障特征频率成分进行增强。该方法相比传统频率提取方法具有效果好、对干扰频率抑制明显的特点。仿真结果和工程实测信号表明,该方法对滚动轴承早期故障特征提取有效可行,具有一定工程应用价值。     

改进多尺度幅值感知排列熵与随机森林结合的滚动轴承故障诊断

针对滚动轴承故障识别准确率较低的问题,本文提出了一种新型滚动轴承故障诊断方法。该方法能够在准确识别滚动轴承故障类型的基础上,进一步分析故障的严重程度。首先,通过固有时间尺度分解提取滚动轴承振动信号的最佳固有旋转分量,突显故障信号的冲击特征;然后,利用改进多尺度幅值感知排列熵对信号幅值和频率变化敏感的特性,计算不同时间尺度下的幅值感知排列熵作为故障特征向量,改善了多尺度分析中的粗粒化过程,提升了故障特征提取的稳定性;最后,利用故障特征集构建随机森林多分类器,实现对滚动轴承不同故障类型的识别及严重程度分析,具有较强的泛化能力。实验结果表明,与现有滚动轴承故障诊断方法相比,平均故障识别准确率达到99.25%。该方法能够稳定而有效地提取滚动轴承的故障特征且具有较好的实时性。     

VPMCD和模糊熵在转子系统故障诊断中的应用

针对转子系统的故障特征,提出了基于多变量预测模型（variable predictive mode based class discriminate,简称VPMCD）和模糊熵的故障诊断方法。VPMCD方法是根据所提取的全部或部分特征值之间具有的某种内在关系建立预测模型,并以建立的变量预测模型进行模式识别。首先,对转子振动信号进行经验模态分解(empirical mode decomposition,简称EMD),得到若干个内禀模态函数（intrinsic mode function,简称IMF）分量;接着,提取包含主要故障信息的前几个IMF分量的模糊熵组成故障特征向量矩阵;然后,采用VPMCD方法建立预测模型;最后,通过建立的VPMCD预测模型区分转子的工作状态和故障类型。实验分析结果表明,基于VPMCD和模糊熵的故障诊断方法可以准确、有效地识别转子系统的工作状态和故障类型。