基于统计特征加权融合和图模型的滚动轴承早期故障监测方法

滚动轴承在现代机械装备中得到了广泛应用.轴承的早期故障监测对于降低维护检修成本,提高机械系统的效率和可靠性具有重要意义.为此,提出了一种基于统计特征加权融合和图建模的滚动轴承早期故障监测新方法.对采集的轴承原始振动信号提取多个统计特征;采用自适应加权的方法对统计特征进行融合,对融合后的特征进行图建模,以提高其鲁棒性;然后进行图模型距离度量得到异常得分;最后采用检验假设对轴承早期故障进行监测.将此方法应用于滚动轴承数据集,实验结果证明了该方法的有效性,同时表明该方法在滚动轴承实时在线监测应用中具有良好的潜力.     

基于EEMD和SVM的滚动轴承退化状态识别

为准确识别滚动轴承退化状态,提出一种集合经验模态分解和支持向量机相结合进行滚动轴承的退化状态识别方法。采用集合经验模态分解对原始信号进行分解、降噪、信号重构和故障类型诊断,通过遗传算法和支持向量机优化提取状态识别特征,利用滚动轴承退化状态概率分布以及历史剩余寿命来确定其最优退化状态数目,以建立退化状态识别模型。从不同退化状态的测试数据中提取出经过遗传算法优化删选后的特征向量,将其输入用遗传算法进行参数优化的支持向量机中进行退化状态的识别分类。实验结果表明,该方法可以实现滚动轴承退化状态的准确识别。     

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QPSO⁃MPE的滚动轴承故障识别方法

为准确辨识滚动轴承故障类型,提出了一种基于量子粒子群优化多尺度排列熵(quantum-behaved particle swarm optimization and multi-scale permutation entropy,简称QPSO-MPE)的滚动轴承故障识别方法。首先,对滚动轴承的原始振动信号进行集成经验模态分解(ensemble empirical mode decomposition,简称EEMD),得到一系列内禀模态分量(intrinsic mode function,简称IMF)和一个趋势项,并以峭度作为度量指标筛选出含有主要故障特征信息的IMF来重构振动信号;然后,利用量子粒子群优化算法对多尺度排列熵的关键参数进行优化,得到其模型计算重构信号的多尺度排列熵,从而构建轴承故障的多尺度排列熵特征集;最后,将故障特征集输入GG(Gath-Geva)模糊聚类算法进行聚类识别。实验结果表明,基于QPSO-MPE的滚动轴承故障识别方法可实现滚动轴承典型故障的准确辨识,证明了QPSO-MPE在故障特征提取方面的有效性。     

基于融合CNN与PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障识别过程中,难以提取细微故障特征的问题,提出一种基于融合卷积神经网络与基于粒子群优化算法的支持向量机相结合的滚动轴承故障诊断方法.该方法将轴承振动信号同时作为一维卷积神经网络和二维卷积神经网络的输入信号,并在汇聚层中将提取到的故障信息融合,最后通过优化后的分类器提高故障识别准确率.为了验证该方法的诊断性能,将与融合卷积神经网络同规格的一维卷积神经网络和二维卷积神经网络进行对比.试验结果表明,该方法不仅可以提高故障识别准确率,还可以在信号受到噪声污染时保持良好的诊断性能.     

一种基于LLE特征融合的故障识别方法

针对传统的故障识别中未能充分利用特征信息的问题,提出一种基于局部线性嵌入(LLE)特征融合的故障识别方法,通过初步提取信号时域和时频域的特征获得原始特征集,利用LLE算法对原始特征集进行二次特征提取,进一步融合两组特征集并使用KNN算法进行故障识别。仿真信号数据分析与实际故障分析证明了所提方法对故障样本识别的可行性和有效性。     

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.     

基于路图拉普拉斯算子范数和马氏距离的滚动轴承故障诊断

为有效提取滚动轴承振动信号的故障特征,将图信号处理技术引入故障诊断领域。首先根据滚动轴承振动信号构造路图,获得路图信号;再将计算得到的路图拉普拉斯算子范数作为特征参数,构造不同故障的标准特征空间;最后通过测试样本与标准特征空间的马氏距离实现不同故障模式的识别。实测滚动轴承振动信号的分析结果表明,该方法能有效诊断轴承故障。     

路图傅里叶变换及其在滚动轴承故障诊断中的应用

图信号处理(Graph signal processing, GSP)是由谱图理论发展起来的新研究领域。图傅里叶变换(Graph Fourier transformation, GFT)是图信号关于图拉普拉斯矩阵特征函数的展开,也是GSP的基础。对路图的GFT进行分析,发现GFT得到的特征值谱与经典的傅里叶变换(Fourier transformation, FT)频谱有一一对应关系,同时,特征值谱的幅值与特征矢量也有对应关系。将GFT引入滚动轴承故障诊断,提出基于GFT特征提取和K-均值聚类的滚动轴承故障诊断方法。该方法先用GFT将滚动轴承的路图信号变换到特征值谱域;再计算特征值谱的统计量作为故障特征;最后运用K-均值聚类分类器识别滚动轴承的故障类型。对实际轴承振动信号的分析结果表明,基于GFT和K-均值聚类的故障诊断方法能准确有效地识别滚动轴承故障。     

基于矩不变量与SVM的滚动轴承故障诊断

针对滚动轴承故障识别问题,提出了基于矩不变量和支持向量机的智能诊断方法。该方法采用连续小波变换对滚动轴承信号进行分析,然后提取出小波灰度图的7个矩不变量作为故障特征,最后将特征向量输入到支持向量机中,以实现对不同的滚动轴承故障类型的识别。试验结果表明,该方法能有效地提取故障特征,同时可获得较好的分类效果。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

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。     

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。     

Rolling bearing fault diagnosis using adaptive deep belief network with dual-tree complex wavelet packet

Automatic and accurate identification of rolling bearing fault categories, especially for the fault severities and compound faults, is a challenge in rotating machinery fault diagnosis. For this purpose, a novel method called adaptive deep belief network (DBN) with dual-tree complex wavelet packet (DTCWPT) is developed in this paper. DTCWPT is used to preprocess the vibration signals to refine the fault characteristics information, and an original feature set is designed from each frequency-band signal of DTCWPT. An adaptive DBN is constructed to improve the convergence rate and identification accuracy with multiple stacked adaptive restricted Boltzmann machines (RBMs). The proposed method is applied to the fault diagnosis of rolling bearings. The results confirm that the proposed method is more effective than the existing methods.     

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

Rolling element bearing fault detection based on optimal antisymmetric real Laplace wavelet

The presence of periodical impulses in vibration signals usually indicates the occurrence of rolling element bearing faults. Unfortunately, detecting the impulses of incipient faults is a difficult job because they are rather weak and often interfered by heavy noise and higher-level macro-structural vibrations. Therefore, a proper signal processing method is necessary. We proposed a differential evolution (DE) optimization and antisymmetric real Laplace wavelet (ARLW) filter-based method to extract the impulsive features buried in noisy vibration signals. The wavelet used in paper is developed from the fault characteristic signal model based on the idea of sparse representation in time-frequency domain. We first filter the original vibration signal using DE-optimized ARLW filter to eliminate the interferential vibrations and suppress random noise, then, demodulate the filtered signal and calculate its envelope spectrum. The analysis results of the simulation signals and real fault bearing vibration signals showed that the proposed method can effectively extract weak fault features.