动态调整灰色关联分析方法在轴承早期退化在线识别中的应用

针对现有数据驱动型方法在滚动轴承早期退化识别中存在敏感度低、误警率高的问题,提出一种面向瞬态机械装备健康监测的动态调整灰色关联分析(DAGIA)方法。该方法首先采用希尔伯特(Hilbert)变换对滚动轴承振动数据进行幅度解调得到包络信号。为了削弱分辨系数取值的影响以凸显关联度值的区分程度,将可以表征轴承退化信息强弱的特征噪声能量比(FNER)指标引入传统灰色关联分析(TGIA)中动态调整分辨系数。然后,提取轴承运行初期的第一组数据作为参考数据,计算其余数据和参考数据的动态灰色关联度并构建轴承性能衰退指标。最后,根据正常样本并结合切比雪夫不等式设置控制线瞬态识别滚动轴承早期退化起始位置。利用IMS和XJTU-SY数据库完成对轴承早期退化瞬态识别,结果表明,所提方法可以瞬态识别轴承早期退化位置,误报警逼近于0,兼具敏感性和鲁棒性,有利于设备维护人员更好掌握滚动轴承的运行状态。     

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。     

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。     

基于非线性降维和模糊均值聚类的滚动轴承的性能退化在线评估方法

为了得到滚动轴承的性能退化趋势,并且实现对滚动轴承退化指标的在线实时监测,提出基于局部线性嵌入(LLE)和模糊C均值(FCM)的滚动轴承性能退化在线评估方法,首先用自回归(AR)模型和小波包分解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)的失效信号的特征,用LLE方法对总特征非线性降维,然后建立模糊C均值,将待测信号特征提取后通过保持模型不变连续迭代的方式输入到FCM模型中,用待测样本到正常和失效聚类中心的欧式距离作为性能退化指标,最后用滚动轴承外圈故障实例和希尔伯特包络解调验证提出方法的有效性和实用性。     

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。     

基于多域特征与高斯混合模型的滚动轴承性能退化评估

视情维修可避免维修不足与维修过剩等问题,滚动轴承性能退化程度量化评估是实现视情维修的基础。提取滚动轴承早期无故障振动信号的时域、频域特征构建多域特征矢量,建立无故障轴承高斯混合模型(GMM)。将轴承后期振动信号的多域特征矢量输入该GMM模型,得到测试样本与无故障样本之间的量化相似程度,以此建立多域对数似然概率(MDLLP)值作为滚动轴承性能退化定量指标。MDLLP的取值上限为1,便于实际使用中确定轴承性能退化状态。轴承疲劳试验表明,该方法能及时发现轴承早期故障,并能很好地跟踪故障发展趋势,最优特征的选择与变换对评估效果具有较大影响。     

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。     

自相关结合灰色关联度的轴承早期故障诊断方法

针对滚动轴承性能衰退指标敏感度低且退化起始点难以检测的问题,本文提出了自相关函数结合灰色关联度(Autocorrelation function and gray relational degree,AF-GRD)的轴承早期故障诊断方法。首先,基于希尔伯特变换和自相关函数处理轴承全寿命数据样本组获得自相关系列函数。然后,提取轴承运行初期的第一组数据作为参考样本,计算其余样本和参考样本的灰色关联度并构建轴承性能衰退指标。最后,根据该指标的变化趋势和健康阈值确定轴承早期故障发生的时间段,截取该时段的数据样本进行希尔伯特包络谱分析实现轴承早期故障诊断。利用实验室数据库完成对轴承早期故障诊断,结果表明：所提方法敏感度高而且可以完成轴承早期退化检测。     

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。     

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.     

小波包能谱构建综合评估函数的轴承退化评估

针对传统的时域、频域特征不能明显地表征滚动轴承的早期退化特征的问题,提出了一种小波包能量谱结合主成分分析构建综合评估函数的滚动轴承早期性能退化评估方法。该方法以采集到的轴承正常工作时的振动信号作为训练样本,对样本进行小波包能量谱计算,得到高维特征向量;再利用主成分分析方法降维并建立综合评估函数对早期性能退化区的数据进行判断。运用实测的滚动轴承全寿命实验数据进行检验,结果表明该方法能实现对滚动轴承早期性能退化的评估。     

基于果蝇优化算法-小波支持向量数据描述的滚动轴承性能退化评估

针对支持向量数据描述(SVDD)算法对滚动轴承早期故障不敏感、参数选择困难的问题,提出了一种基于果蝇优化算法-小波支持向量数据描述(FOA-WSVDD)的滚动轴承性能退化评估方法。提取滚动轴承早期无故障振动信号的时域、时频域特征向量,并基于单调性进行特征选择;针对现有核函数对滚动轴承早期故障不敏感问题,将小波核函数引入到SVDD算法中;针对SVDD算法参数选择困难的问题,以支持向量个数与总样本数的比值作为适应度函数,采用改进的FOA算法对其核参数进行优化,建立FOA-WSVDD评估模型;最后,将轴承后期振动数据的特征向量输入到该WSVDD模型中,得到轴承的性能退化指标。试验结果表明,采用所提方法能准确地对轴承早期故障作出预警,与基于高斯核函数的SVDD算法相比,提前了17h。     

结合马氏距离与隶属度函数的轴承性能退化研究

提出一种融合自回归模型(auto-regressive model,AR)、马氏距离(mahalanobis distance,MD)与隶属度函数的滚动轴承的性能退化评估方法。利用自回归模型对轴承全寿命周期数据进行特征提取,将提取的自回归系数及残差作为特征参数。经过归一化处理后,分别用无故障样本与故障样本特征输入马氏距离得到两个距离指标,再输入隶属度函数中,得到轴承退化指标(degradation index,DI),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。利用美国辛辛那提大学的轴承全寿命周期数据验证该方法的有效性和实用性。     

基于粒子群算法和变分模态分解的起重机滚动轴承性能退化评估

针对港口起重机滚动轴承早期故障特征不易提取、识别精度不够高的缺点,提出一种以粒子群（PSO）优化变分模态分解（VMD）,结合支持向量数据描述（SVDD）的滚动轴承性能退化评估模型。通过PSO优化VMD中的参数,更好地提取滚动轴承的特征。利用SVDD模型中球心距离度量性能退化程度,并借助隶属度函数量化轴承性能退化,进而实现对轴承性能退化程度的精确评估。应用滚动轴承的全寿命试验数据验证该模型,并与传统的时域特征指标比较,本方法对轴承性能退化评估具有更强的敏感性,验证该方法的优越性。     

基于FNER性能退化指标及IDRSN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法.首先,将全寿命轴承信号进行希尔伯特(Hilbert)变换和快速傅里叶变换(Fast fourier transform,FFT)得到包络谱,根据故障特征频率及其倍频计算包络谱幅值的特征能量比(Feature energy ratio,FER);然后,根据自相关函数(Autocorrelation function,AF)得到包络信号的总能量,将故障特征能量和噪声能量的比值作为轴承性能退化指标,之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化;随后,使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型.为了提高抗干扰能力,将DropBlock层引入第一个大型卷积内核,在全局平均池化之前引入Dropout技术.最后,运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性,结果表明所提方法能更准确地实现滚动轴承寿命状态识别.     

滚动轴承故障程度评估的AR-GMM方法

提出了一种基于AR-GMM的滚动轴承故障程度评估方法,该方法利用自回归模型(AR)提取无故障轴承早期振动信号特征,并建立无故障轴承高斯混合模型(GMM)作为故障程度评估基准。轴承后期振动信号在提取AR特征后导入该基准GMM模型,得到测试样本与无故障样本之间的量化相似程度。进而以此相似程度值为基础建立自回归对数似然概率值(ARLLP)作为滚动轴承故障程度评估指标。轴承疲劳试验分析表明该指标能够及时有效发现轴承早期故障,并能很好预测跟踪轴承恶化趋势,为视情维修奠定基础。     

结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估

针对设备的视情维修,提出一种将小波包奇异谱熵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。先提取轴承全寿命周期内振动信号的小波包奇异谱熵作为轴承状态的特征矢量,然后以轴承正常状态下的特征矢量训练SVDD,得到正常状态下的基准超球体,再计算轴承全寿命周期内的特征矢量与基准超球体之间的相对距离,作为性能退化过程的定量评估指标,并对失效阈值和早期故障阈值进行设定。结果表明,与基于小波包和SVDD的性能退化评估方法相比,该方法的早期故障检测能力更强,对轴承性能退化各个阶段的描述更加准确。最后,利用基于EMD的Hilbert包络解调方法对评估结果的正确性进行了验证。     

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。