广义参数化同步压缩变换及其在旋转机械振动信号中的应用

广义参数化时频分析通过构造匹配的参数化变换核,能够有效提高强调频信号的时频能量聚集性。然而,受短时傅里叶变换中窗函数结构的影响,利用该方法获得的时频能量分布在真实瞬时频率附近始终存在能量扩散现象。同步压缩变换利用同步压缩操作可将短时傅里叶变换处理后的时频能量压缩至真实瞬时频率位置,然而,同步压缩变换仅适用于分析频率成分恒定的纯谐波信号。以短时傅里叶变换为纽带,将两种时频分析方法相结合,提出了广义参数化同步压缩变换。考虑到旋转机械振动信号多为多分量信号,通过迭代处理的方式,依次获取各单分量信号的时频能量分布,对其进行叠加得到最终的时频能量分布。通过数值仿真以及变转速下转子不对中、滚动轴承外圈故障模拟试验验证了所提方法的有效性。     

基于LCD和局部Hilbert边际能量谱的滚动轴承故障特征提取方法

在定义局部Hilbert边际能量谱的基础上,提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和局部Hilbert边际能量谱的滚动轴承故障特征提取方法。采用LCD方法对滚动轴承原始振动信号进行分解得到若干内禀尺度分量(Intrinsic scale component,ISC),然后对各个ISC分量进行Hilbert解调得到信号的时频分布。根据信号时频分布中能量分布确定频率段的下限和上限频率,从而得到相应的局部Hilbert边际能量谱,计算该频率段内信号的能量并将其作为故障特征参数。实验分析结果表明,所提出的方法能有效地提取滚动轴承故障特征信息。     

时频图像Hough变换在滚动轴承故障诊断中的应用

为提高时频分析技术在设备故障诊断中的实用性,研究了时频图像处理的滚动轴承故障诊断技术。采用Hough变换对表征信号的Wigner-Ville时频分布进行分析,以提高时频谱表征非平稳信号的可靠性,特别对线性调频信号分析具有较好的实用性。以实验室的滚动轴承在不同状态下的状态识别为例,验证了时频图像Hough变换准确识别滚动轴承故障的有效性。     

Wigner-Ville分布在机械故障诊断中的研究

时频分布从时域特征与频域特征的结合途径揭示了信号的构成本质.文章介绍了基于WignerVille分布(WVD)的故障诊断方法,包括基于核函数抑制交叉项,时频分布与人工神经网络相结合,以及WVD的高阶谱.机械系统故障信号往往是非平稳的,联合时频分布是对故障信号分析的有力工具.WVD很高的能量聚集性和很好的时频分辨率,极大地提高了故障信号特征提取的准确度.     

局部放电脉冲的仿射类时频分布特性研究

系统地介绍了尺度图(scalogram)、仿射类平滑伪Wigner分布(ASPWVD)、乘积核分布和局域化双频率核分布这四种属于仿射类的时频能量分布,从理论和应用效果上分析了各个分布的交叉项衰减和时频分辨率的性能.针对局部放电脉冲宽带信号的非平稳性,展现了上述分布在处理仿真脉冲信号和直流下局部脉冲信号的应用效果.实验结果表明,属于乘积核分布的平滑伪Choi-Williams分布(SPCWD)在局部放电脉冲信号引发的短时变化中具有高度的敏感性,更为适合表征非平稳宽带信号的时变信息.据此,借助此分布可提取单个脉冲波形的时频特征参数、分析多个连续放电的脉冲时频特性变化,从而用于放电类型的模式识别以及深入研究绝缘系统中的局部放电机理.     

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.     

基于同步挤压提取变换的滚动轴承故障诊断研究

滚动轴承是大型机械设备的重要部件,起着非常重要的作用。当轴承发生故障时,如不及时修复或更换,将严重影响设备的寿命。时频分析方法是一种非常有效的故障特征提取工具,已得到广泛的应用;同时,时频分布的能量聚集性影响故障特征提取效果,因此,一种能量更加集中的时频分析方法对机械信号处理与故障诊断起着至关重要的作用。提出了一种全新的时频域特征提取方法——同步挤压提取变换。该方法主要包含两个步骤:首先,使用同步挤压变换将信号大部分能量聚集到多个小频带范围内,实现信号能量的初步聚集;然后,在同步挤压变换结果中引入一个频率提取算子,该算子可以提取出每个小频带内与信号时变特征最相关的信息并将其保留,从而实现信号能量的再次聚集。仿真信号的分析验证了该方法的可行性。通过对实际轴承信号的分析发现,与先前的时频分析方法相比,该方法效果更佳。     

基于DeepLabV3+网络的滚动轴承故障特征识别

滚动轴承的故障信号一般具有非平稳、非线性的特点,通过时频分析可以得到信号中频率随时间的变化关系,有利于识别故障特征。提出了使用DeepLabV3+网络识别时频分布中故障特征的方法,对采集到的滚动轴承振动信号使用短时傅里叶变换得到时频分布,对时频分布中故障区域使用labelme进行标注;将振动信号数据集划分为训练集、验证集和测试集,训练集和验证集用来训练DeepLabV3+网络模型并调整其中的超参数,测试集用来测试网络的泛化能力。使用滚动轴承模拟信号与试验信号对提出的方法进行验证,结果表明该方法可以成功识别滚动轴承的故障特征。     

一种基于时频峭度谱的滚动轴承损伤诊断方法

为了准确地提取滚动轴承损伤特征频率,提出一种基于频率切片小波变换的时频峭度谱分析方法。采用频率切片小波变换对振动信号进行时频分解,求取与各个频率分量对应的幅值峭度,由幅值峭度序列构造信号的时频峭度谱。以时频峭度谱的若干个较大谱峰对应的频率作为中心频率,确定相应的共振频带,并在时频空间选择时频切片,然后采用重构分离出这些信号分量,并用包络解调获取重构信号的包络。在此基础上,通过包络信号的等效功率谱确定滚动轴承的损伤特征频率。试验证明,这种方法可以有效地提取滚动轴承的特征频率,由于采用了多个频带保证了足够多的信号能量可用于包络分析,当轴承存在多种损伤时,也可以有效地鉴别不同损伤特征频率。     

基于S时频熵的球轴承性能退化特征指标提取方法

滚动轴承的性能退化评估是实现主动维护的关键技术,其对特征提取提出了完全区别于故障模式识别的新要求。作为旋转机械中重要的零件,轴承的振动信号往往具有非平稳性,采用有效的时频分析能充分挖掘蕴含其中的故障信息。S变换是一种兼具小波和短时Fourier变换各自优势的时频分析方法,信息熵则能够定量度量信号分布的复杂程度,因此提出了S时频熵指标用来度量轴承振动信号的复杂度并反映其退化过程。对滚动轴承加速疲劳试验寿命周期数据进行分析并与有效值进行对比表明,S时频熵能够有效反映轴承性能的退化过程,可以作为性能退化评估框下现有指标的有益补充。     

基于双时域微弱故障特征增强的轴承早期故障智能识别*

针对轴承早期微弱故障难以准确识别的问题,提出一种基于双时域微弱故障特征增强的轴承早期故障智能识别方法。利用广义S变换和Fourier逆变换推导出一种双时域变换,将轴承振动信号变换为双时域二维时间序列。根据双时域变换的能量分布特点,提取二维时间序列的主对角元素以构建故障特征增强的时域振动信号。仿真信号和轴承故障信号分析验证了双时域微弱故障特征增强的可行性和有效性。采用脉冲耦合神经网络和支持向量机对增强后的轴承信号进行时频特征参数提取和智能识别,平均识别精度达到了95.4%。试验结果表明所提方法能有效提高轴承早期故障的智能识别精度。     

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。     

基于小波原理的滚动轴承振动信号包络提取法

小波分析是获得广泛应用的信号处理新技术。这里根据小波能对信号包络提取的原理对滚动轴承的振动信号进行了研究，应用基于小波原理的自信息包络提取法，同时把该方法应用于分析滚动轴承故障，证明该方法能更有效地提取滚动轴承的信号包络，适用于分析滚动轴承故障。     

基于LMD和HMM的旋转机械故障诊断

提出了基于局部均值分解（LMD）和隐马尔科夫模型(HMM)的旋转机械故障诊断方法。首先,对故障信号进行局部均值分解,提取瞬时能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态的似然概率;以最大似然概率所对应的故障状态为诊断结果。通过滚动轴承点蚀故障诊断试验验证了该方法的有效性,并将其与基于EMD-HMM的故障诊断方法进行了比较。结果表明,基于LMD-HMM的故障诊断方法更适用于旋转机械的故障诊断。     

A new approach to detection of defects in rolling element bearings based on statistical pattern recognition

The paper presents a new approach to the classification of rolling element bearing faults by implementing statistical pattern recognition. Diagnostics of rolling element bearing faults actually represents the problem of pattern classification and recognition, where the key step is feature extraction from the vibration signal. Characterization of each recorded vibration signal is performed by a combination of signal's time-varying statistical parameters and characteristic rolling element bearing fault frequency components obtained through the envelope analysis method. In this way, an 18-dimensional vector of the vibration signal feature is obtained. Dimension reduction of the 18-dimensional feature vectors was performed afterward into two-dimensional vectors representing the training set for the design of parameter classifiers. The classification was performed in two classes, into defective and functional rolling element bearings. Main trait of parameter classifiers is simplicity in their design process, as opposed to classifiers based on neural networks, which employ complex training algorithms.     

基于最大相关峭度反褶积的轴承故障诊断方法

针对滚动轴承的故障信号是周期性冲击信号这一特性,提出了最大相关峭度反褶积(maximum correlated kurtosis deconvolution,简称MCKD)与谱峭度(spectral kurtosis,简称SK)结合的滚动轴承早期故障诊断方法,即MCKD-SK法。利用MCKD方法可以有效提取滚动轴承早期故障信号中被噪声淹没的周期冲击成分,抑制信号中的噪声,实现信号降噪,提升原信号的峭度。利用SK方法可以选择合理频带,将信号中的低频信息从高频信息中解调出来。通过仿真与实际监测数据的分析和验证,证明MCKD-SK方法可以准确有效地诊断滚动轴承的早期故障,可用于滚动轴承早期故障的在线监测。     

FOA-WPT降噪和PSO-SVM在滚动轴承故障诊断中的应用

在轴承故障诊断中,为了进一步提高诊断方法的自适应性和分类准确率,提出果蝇优化小波包降噪和粒子群支持向量机相结合的方法。利用果蝇算法对小波包降噪的阈值进行优化,结合粒子群算法在GCV算法下的错误率最低,得到SVM的最优惩罚参数和核函数参数,建立PSO-SVM分类模型,对4种工况下滚动轴承的10类故障进行分类。实验结果表明,使用FOA-WPT降噪后,信号有着更高的信噪比和更低的均方误差（MSE）;和粒子群支持向量机相结合的分类方法准确率达到89%,与未使用粒子群算法优化的SVM相比,提高了约8%,进一步证明了该方法可以实现滚动轴承的多分类故障诊断。     

Fault diagnosis method of rolling bearing using principal component analysis and support vector machine

To effectively extract the fault feature information of rolling bearings and improve the performance of fault diagnosis, a fault diagnosis method based on principal component analysis and support vector machine was presented, and the rolling bearings signals with different fault states were collected. To address the limitation on effectively dealing with the raw vibration signals by the traditional signal processing technology based on Fourier transform, wavelet packet decomposition was employed to extract the features of bearing faults such as outer ring flaking, inner ring flaking, roller flaking and normal condition. Compared with the previous literature on fault diagnosis using principal component analysis (PCA) and support vector machine (SVM), one-to-one and one-to-many algorithms were taken into account. Additionally, the effect of four kernel functions, such as liner kernel function, polynomial kernel function, radial basis function and hyperbolic tangent kernel function, on the performance of SVM classifier was investigated, and the optimal hype-parameters of SVM classifier model were determined by genetic algorithm optimization. PCA was employed for dimension reduction, so as to reduce the computational complexity. The principal components that reached more than 95 % cumulative contribution rate were extracted by PCA and were input into SVM and BP neural network classifiers for identification. Results show that the fault feature dimensionality of the rolling bearing is reduced from 8-dimensions to 5-dimensions, which can still characterize the bearing status effectively, and the computational complexity is reduced as well. Compared with the raw feature set, PCA has a higher fault diagnosis accuracy (more than 97 %), and a shorter diagnosis time relatively. To better verify the superiority of the proposed method, SVM classification results were compared with the results of BP neural network. It is concluded that SVM classifier achieved a better performance than BP neural network classifier in terms of the classification accuracy and time-cost.     

基于TL-LSTM的轴承故障声发射信号识别研究

针对多工况下滚动轴承故障声发射信号智能识别问题,提出了一种长短时记忆网络(LSTM)与迁移学习(TL)相结合的故障识别新方法。该方法仅以单一工况下原始声发射信号参数作为训练样本,构建LSTM模型充分挖掘出声发射信号与故障之间的深层次映射关系,以识别与训练工况具有相近分布特征的其他工况下故障;引入并结合TL来应对相异分布特征的其它工况下故障识别问题,从而可完成多种类型工况下故障特征的自适应提取与智能识别。实验结果表明,对于转速、采集位置或滚动轴承型号工况改变时内圈、外圈及保持架故障的识别均具有较高的准确率,可端对端的实现多种类型工况下故障的实时在线智能监测任务,摆脱了对先验故障数据的过分依赖,验证了该方法的可行性与优越性。