基于EMD分解的聚类树状图轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆模糊性,提出了基于EMD和动态模糊聚类图的轴承故障诊断方法.运用EMD方法提取待诊断的轴承运行状态样本的能量特征指标,应用模糊聚类分析方法对特征参数进行聚类,并作出聚类树状图.结果表明,该方法不需要大量的样本进行学习,且能更直观、准确识别滚动轴承的运行状态.     

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。     

基于杂草算法优化的轴承时频谱图聚类识别研究

针对KFCM算法对初始聚类中心敏感导致聚类效果不好等问题,提出一种基于杂草算法(IWO)优化的模糊核聚类算法(IWO-KFCM),将其运用于轴承时频谱图的状态识别。通过小波变换获取轴承运行状态的时频图像,利用灰度梯度共生矩阵提取图像的纹理特征,提出基于可分性测度构造IWO算法的适应度函数;将IWO算法优化获取的初始聚类中心输入KFCM,实现时频谱图的聚类识别。最后进行多类轴承状态数据的测试,验证所提算法的有效性和优越性。     

基于HDP-CHMM的机械设备性能退化评估

针对传统隐马尔可夫模型(hidden Markov model,简称HMM)状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-连续隐马尔可夫模型(hierarchical Dirichlet process-continuous hidden Markov model,简称HDP-CHMM)的机械设备性能退化评估方法。该方法利用分层狄利克雷模型的分层聚类原理,在狄利克雷过程(Dirichlet process,简称DP)模型的基础上进行扩展,利用多组关联数据实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合连续隐马尔可夫模型(continuous hidden Markov model,简称CHMM)良好的分析和建模能力,获得设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估。利用滚动轴承全寿命数据的多组特征值进行了应用研究,并与基于K-S检验算法的机械设备零部件性能退化评估方法进行了比较。结果表明,HDP-CHMM模型可以对轴承实际运行状态转移过程进行建模,有效识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。     

面向轴承寿命预测的特征评估与模型优化

针对滚动轴承剩余寿命预测中的特征评估及模型优化问题,提出了面向轴承寿命的特征评估与模型优化的方法。该方法在轴承特征进行单调性与敏感性评估的基础上,对轴承运行状态跟踪能力进行量化评估,进而筛选出表征轴承性能退化的多维特征集。为了减少多维特征集之间相关冗余信息对寿命预测的影响,采用相似近邻传播(affinity propagation,简称AP)聚类方法对多维特征集进行聚类和筛选。为了统一描述AP聚类后的特征对轴承退化状态的表征信息,采用自组织神经网络(self-organizing feature map,简称SOM)构建轴承健康指数。最后,利用自适应混沌粒子群算法(adaptive chaos particle swarm optimization,简称ACPSO)优化双指数模型预测轴承剩余寿命。试验表明,该方法可以准确描述轴承运行状态时期,并有效地预测了轴承的剩余寿命。     

直升机主减半主动反共振隔振技术研究

针对滚动轴承剩余寿命预测中的特征评估及模型优化问题，提出了面向轴承寿命的特征评估与模型优化的方法。该方法在轴承特征进行单调性与敏感性评估的基础上，对轴承运行状态跟踪能力进行量化评估，进而筛选出表征轴承性能退化的多维特征集。为了减少多维特征集之间相关冗余信息对寿命预测的影响，采用相似近邻传播（affinity propagation ,简称AP）聚类方法对多维特征集进行聚类和筛选。为了统一描述AP聚类后的特征对轴承退化状态的表征信息，采用自组织神经网络（self-organizing feature map ,简称SOM）构建轴承健康指数。最后，利用自适应混沌粒子群算法（adaptive chaos particle swarm optimization, 简称ACPSO）优化双指数模型预测轴承剩余寿命。试验表明，该方法可以准确描述轴承运行状态时期，并有效地预测了轴承的剩余寿命。     

基于云理论及GG聚类的滚动轴承故障辨识方法

为了探讨不同特征对区分滚动轴承故障状态贡献的大小,在特征层面上使轴承的定性概念与定量数据建立关联,以达到敏感特征提取的目的,将云理论引入到滚动轴承的特征筛选中,并将所提方法结合GG(Gath-Geva,简称GG)聚类应用于滚动轴承的故障辨识。首先,对滤波消噪后的振动信号提取高维原始特征集,建立滚动轴承在不同运行状态下的云分布模型;然后,利用正向云发生器分别求出不同样本下各特征对轴承状态的确定度,设定阈值筛选原始特征集中对轴承运行状态贡献度大的特征,计算其出现的概率并作为权值,提出一种基于云理论加权特征选择方法,筛选出敏感特征集;最后,利用主成分分析（principal component analysis,简称PCA）对敏感特征集降维并输入至GG聚类中,完成故障辨识。实验结果表明,相较于传统的特征选择方法,所提算法在聚类评价指标及故障辨识率上具有明显的优势。     

基于RQA与GG聚类的滚动轴承故障识别

提出递归定量分析与GG聚类相结合的滚动轴承故障识别方法。利用能够表征信号发散程度的RQA参数--确定率和分层率组成轴承故障识别的特征向量,结合GG模糊聚类实现滚动轴承故障模式识别。对实际故障数据进行分析,结果表明,该方法不仅能够识别滚动轴承的不同程度损伤,而且能够实现不同部位的轴承故障诊断。研究结果为滚动轴承故障识别提供了一种高效、直观的新方法。     

基于K-means和高斯混合模型聚类的齿轮箱故障识别研究

针对传统的基于振动信号的机械故障诊断技术过于复杂、诊断时间过长等问题,提出了结合K-means和高斯混合模型聚类方法的齿轮箱轴承和齿轮故障快速识别方法。首先,通过经验模态分解方法分解振动信号,利用相关分析选取了对振动信号局部特征表达最佳的IMF分量,IMF分量的均方根值和原始振动信号的均方根值,共同构成了振动信号特征集;然后,利用K-means算法确定了振动信号特征集的可分类别数;最后,基于振动信号特征集及其可分类别数,利用高斯混合模型聚类构造了齿轮箱运行状态的多维高斯分布函数,建立了齿轮箱在各运行状态下的从属概率模型,并根据从属概率大小,实现了齿轮箱故障的快速识别。实验和研究结果表明:针对实验环境下齿轮箱轴承和齿轮典型故障识别,基于K-means和高斯混合模型聚类的齿轮箱故障识别方法平均识别准确率为94.3%,高于基于模糊c均值聚类方法的故障识别平均准确率(84.5%)。     

一种ELMD模糊熵和GK聚类的轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳、非线性特性,采用一种基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)模糊熵和GK(Gustafson-Kessell)聚类的滚动轴承故障诊断方法。首先通过对滚动轴承故障振动信号进行ELMD分解,得到若干的乘积函数(Product Function,PF)分量和一个残差。然后,通过PF分量和原始轴承故障信号的相关性分析,选取与原始信号相关性最大的PF分量,并求取PF分量的模糊熵值作为特征向量。最终,通过GK聚类对所得的特征向量进行识别分类。通过对滚动轴承正常状态、内圈故障、滚动体故障和外圈故障的轴承四种状态分析表明,基于ELMD模糊熵和GK聚类的方法能够准确有效的对轴承故障状态进行分类识别。     

基于递归熵及长短期记忆神经网络的滚动轴承退化趋势预测

针对滚动轴承退化趋势预测中的特征选择及模型优化问题,提出了基于相空间重构结合长短期记忆神经网络的滚动轴承退化趋势预测方法。首先,在滚动轴承退化特征灰色关联分析的基础上,对滚动轴承运行状态跟踪能力进行量化评估;然后,为统一描述各个特征对轴承退化状态的表征信息,采用谱聚类方法对滚动轴承运行状态进行了准确划分;最后,以滚动轴承正常期的退化指标为基础,采用长短期记忆神经网络预测滚动轴承退化趋势。试验表明,该方法不仅能及时发现轴承运行的衰退时间点,且相比于BP和RBF神经网络具有更高的寿命预测精度。     

改进CHSMM的滚动轴承剩余寿命预测方法

针对连续隐半马尔科夫模型(Continuous hidden semi-Markov model,CHSMM)对滚动轴承剩余寿命预测精度低问题,提出一种基于改进CHSMM的滚动轴承剩余寿命方法。提取滚动轴承振动信号的时域、时频域特征向量,采用主成分分析(Principle component analysis,PCA)算法对特征向量进行降维;针对状态驻留时间概率密度函数不符合实际而引起的剩余寿命预测精度低问题,将高斯混合概率密度函数引入到CHSMM算法中,建立退化状态识别模型和剩余寿命预测模型。最后,将轴承全生命周期数据输入到模型中,得到轴承的退化状态和剩余寿命。试验结果表明,采用所提方法能准确的对轴承剩余寿命进行预测,与CHSMM算法相比,退化状态识别的正确率提高了12%,剩余寿命预测的正确率提高了23%。     

基于模糊C-均值聚类的轴承性能衰退评估方法

针对轴承性能衰退评估中遇到的性能衰退时间和过程难以确定等问题,提出一种基于模糊C-均值聚类的轴承性能衰退分析与评估方法。研究了数据驱动的性能衰退分析过程。综合应用模糊集理论和聚类分析法,开发了基于模糊C-均值聚类算法的轴承性能衰退评估算法,并给出了相应的轴承性能衰退评估流程。以某型滚动轴承为例分析与评估了其性能衰退过程。结果显示,所提方法能够较好地识别轴承性能衰退发生时间和评定轴承性能衰退程度。     

局部切空间排列和改进模糊C-均值聚类的滚动轴承故障诊断模型

针对滚动轴承故障振动信号具有非平稳特征以及故障特征难以准确提取,提出一种局部切空间排列(LTSA)和改进模糊C-均值聚类的滚动轴承故障诊断模型。首先,基于滚动轴承振动信号分别在时域与频域提取特征参数构建高维特征矩阵,利用局部切空间排列非线性流形学习算法提取高维矩阵的低维故障特征向量;然后,利用改进模糊C-均值聚类算法构造多类故障分类器,实现滚动轴承不同故障类型的识别。经实验验证,该模型能够有效提取滚动轴承故障特征,并能够获得较高的故障诊断准确率。     

基于平滑先验分析改进散布熵的滚动轴承故障诊断

运用SPA散布熵与SG聚类方法对滚动轴承故障进行智能诊断。先通过平滑先验分析(SPA)的过程处理轴承振动信号获得趋势项与波动项；再对散布熵值进行计算得到故障特征向量，最后利用SG分类器对特征向量聚类识别。研究结果表明：通过分析系统参数对DE值的影响确定最优的取值：高嵌入维数3,类别6,时间延迟1。利用SG模糊聚类方法处理SPA-DE,不同的故障类型聚集于靠近聚类中心的区域，相邻聚类中心间形成了明显间隔，并未出现不同故障问题的相互交叉混叠，因此采用本文方法对各类轴承故障进行诊断时可以实现优异故障分类性能。相对EMD-DE-SG聚类诊断模式，本文算法具备更大分类系数，与1达到了更大的接近程度，大幅降低了平均模糊熵，判断本文算法对于各损伤程度的轴承故障具备更优的诊断性能。根据滚动轴承测试参数可知可以采用此方法快速准确识别轴承各类故障问题及其严重程度，可以实现故障的可靠诊断效果。     

基于时变自回归参数模型的滚动轴承智能故障诊断

轴承运行时的振动信号是典型的非线性非平稳时间序列,对其建立时变自回归参数模型,可以较好地表征轴承振动的非平稳特征。在对轴承振动信号时变自回归模型的时变参数进行大量实验分析研究的基础上,提取均值作为表征轴承运行状态的特征参数,并输入支持向量机分类器进行故障识别与分类,实现滚动轴承的智能故障诊断。实验结果表明,该故障诊断方法可以有效准确地识别滚动轴承的运行状态。     

基于无监督判别投影的滚动轴承故障诊断

针对滚动轴承故障样本不平衡和故障特征存在冗余性问题,提出了基于无监督判别投影（UDP）的滚动轴承故障诊断方法。该方法首先从时域和时频域提取多个特征参数,从而构造一个原始的高维特征集,随后运用UDP算法从该特征集中提取最敏感的低维流形特征,最后利用K-近邻分类器识别出滚动轴承的运行状态。将该方法分别应用于轴承故障类型和内圈故障严重性的识别,并与传统方法进行了比较,验证了该方法的可行性和优越性。     

小波分析-模糊聚类法在滚动轴承故障诊断

为了对减速器内轴承的运行状态进行故障监测和诊断,在对振动加速度信号进行小波分析的基础上,提出了基于尺度-能量谱的特征提取和模糊聚类相结合的滚动轴承故障诊断方法.该方法应用于齿轮减速器JZQ250的故障诊断中, 经对大量实测数据的处理和分析,能够比较准确地识别和诊断出减速器的正常运行状态、内圈故障和外圈故障运行状态,具有一定的工程实用价值.     

非负自编码网络基于部分特征表示的变工况滚动轴承状态识别

为获取数据基于部分特征表示及提升稀疏性,在深度网络中嵌入非负约束,并提出基于非负约束自编码深度网络的滚动轴承状态识别方法。堆栈多个自编码器以及分类层,构建状态特征自学习与状态识别一体化模型。以轴承振动信号时频幅值谱作为网络输入,采用嵌入非负约束限制的无监督逐层预训练和有监督微调算法实现模型优化。深度网络逐层自编码提取数据内在特征,非负约束和加噪编码提升了深度网络的基于部分特征表示能力,并降低了工况变化、噪声干扰等因素影响。将所提方法分别应用于两类滚动轴承的振动数据分析,对时变工况下4种不同状态轴承以及恒定工况下8种不同状态轴承的平均识别准确率分别为97.99%和97.32%,其中保持器不同磨损程度轴承平均识别准确率为95.64%,同时所提方法在不同加噪情况下表现出良好抗噪能力。     

基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别

滚动轴承退化状态识别的关键在于特征提取和模式识别,局部特征尺度分解(local characteristic-scale decomposition,LCD)方法是一种新的时频分析方法,非常适用于滚动轴承振动信号的特征提取。基于变量预测模型的模式识别(Variable predictive model based class discriminate,VPMCD)方法是一种利用特征值之间的相互关系进行分类的模式识别方法,可以用于滚动轴承的退化状态识别。将LCD、VPMCD和高斯混合模型(Gaussain mixture model,GMM)相结合,提出了基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别方法,首先对滚动轴承全寿命数据进行LCD分解并提取分量的特征值,然后利用GMM对全寿命数据的特征值进行聚类,将全寿命数据在时域上分成若干个退化状态,最后建立VPMCD模型并对测试数据进行分类,从而实现滚动轴承的退化状态识别。实验数据的分析结果表明,基于LCD的GMM-VPMCD混合模型可以有效实现滚动轴承的退化状态识别。