基于一维RepVGG协同领域自适应的电机滚动轴承故障诊断

在使用传统机器学习类方法对电机滚动轴承故障进行诊断时,电机运行工况的变化以及采集信号时的噪声干扰,会出现源域训练集和目标域测试集分布不一致的问题。提出了基于一维RepVGG协同领域自适应的故障诊断方法。RepVGG具有精度高和速度快的特点,使用一维RepVGG实现对电机滚动轴承信号的特征提取;基于提取的特征,在网络顶层结构中使用集成优化目标函数来实现域自适应,并完成轴承故障诊断。基于凯斯西储大学轴承数据集,对该方法进行了实验验证。实验结果表明,在电机变工况运行时,改进方法为诊断性能优于现有其他诊断方法。     

变转速下滚动轴承的阶频谱相关域微弱故障特征增强与提取

滚动轴承是旋转机械常用且故障率较高的部件之一,其故障的及时发现,对于设备安全、稳定运行具有重要意义。滚动轴承的早期故障特征十分微弱,容易被强背景噪声干扰所掩盖。同时,滚动轴承往往在变转速工况下运行,故障特征的时变特性导致特征提取较为困难。针对上述问题,提出一种变转速下滚动轴承的阶频谱相关(OFSC)域微弱故障特征增强与提取方法。首先,利用变转速下滚动轴承故障信号的角度时间域循环平稳特性,将故障信号转换到阶频谱相关域。然后,采用鲁棒主成分分析(RPCA)的低秩稀疏分解方法,将轴承振动信号的阶频谱相关矩阵分解为表征轴承故障特征的稀疏成分,并去除表征噪声的低秩成分,进一步提高稀疏分量的分辨率。最后对分解出的稀疏分量构建增强包络阶次谱(EEOS)来检测滚动轴承的故障特征。仿真和实验分析验证了该方法对于变转速工况轴承微弱故障特征增强和提取的有效性和鲁棒性。     

基于 MSK-SVM 的滚动轴承故障诊断方法

针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine, MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断。该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了Morlet、Marr和DOG小波核函数。利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核。基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型。为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能。结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力。     

多源域子域自适应的滚动轴承剩余寿命预测方法

针对单一源域信息有限、域自适应对齐粒度不足导致滚动轴承剩余寿命( remain useful life, RUL)预测精度低的问题, 提出了一种多源域子域自适应(multi-source subdomain adaption network, MS_SAN)的滚动轴承剩余寿命预测方法。 首先,将采 集的原始振动信号进行快速傅里叶变换得到频域信号作为模型的输入。 其次,利用一维卷积将多个源域与目标域数据映射到 一个公共的特征空间,采用局部最大均值差异将每个源域与目标域的退化阶段在独立的特征空间进行领域自适应,缩小多个源 域与目标域之间的分布差异。 最后,通过综合各领域 RUL 预测模块的输出得到最终轴承剩余寿命预测结果。 在 PHM2012 数 据集上的测试结果表明该方法的预测准确率高于对比方法,能够对滚动轴承剩余寿命进行有效的预测。     

应用 Adabelief 优化器的 MSDNet 在多工况下 滚动轴承的故障诊断

针对滚动轴承在多工况条件下故障特征难以识别的问题,从数据驱动的角度出发应用一维多尺度密集网络(MSDNet) 对轴承进行故障诊断。 首先,将时域信号作为 MSDNet 的直接输入,保持了信号本有的固有特性;其次采用 3 个并行卷积操作 来提取轴承故障信号内部的多尺度信息,密集网络的加入防止了信息传递过程中的特征丢失,适当缓解了模型中的梯度消失问 题;然后训练过程中采用 Adabelief 优化算法优化模型参数,使得模型在快速收敛的同时又提高了其泛化性能;最后通过混淆矩 阵和特征可视化图展示出模型的分类性能,在凯斯西储大学轴承实验数据集和西安交通大学数据集上进行了多次实验,应用该 算法故障识别率可达到 98%以上,证明了该方法的有效性。     

小型滚动轴承疲劳寿命试验机

针对实际工况下小型滚动轴承疲劳寿命测试的需要,研制了一台模拟实际应用工况的小型滚动轴承疲劳寿命试验机。该试验机主要由驱动系统、加载系统及测控系统几部分组成,满足了客户针对不同特定使用工况下测定小型滚动轴承疲劳寿命的需要,具有较好的测试柔性和简便性,通过重复性试验,验证了研制的试验机具有较高的可靠性和稳定性,这一工作可以有效地评价各种小型滚动轴承在实际应用环境下的使用效能。     

高速精密轴承振动测试试验机的研制

为准确测量高速滚动轴承运转时内部的振动信号并对轴承进行故障诊断,本文研制出一种高速滚动轴承振动测量的试验机,详细阐述了测试装置、传感器安装方式、测试结果分析等。试验结果表明,该试验机运行平稳,具有良好的可靠性,可以用于高速轴承的试验研究。     

基于MMFD-FCM的退化状态识别方法及其应用研究

为了有效地对机械设备运行状态进行监测,进而对其性能退化状态进行识别,提出一种基于形态多重分形维数(MMFD)与模糊C均值聚类(FCM)的性能退化状态识别方法;该方法首先计算机械设备振动信号的形态多重分形维数,以此作为性能退化特征指标;该特征指标能够有效反映峰值在振动信号中概率分布的不均匀程度,从而定量描述振动信号的性能退化状态,并且与多重形态分形维数相比,利用数学形态学计算的MMFD精度更高,计算速度更快;在此基础上,鉴于不同退化状态之间的模糊性,针对性地采用模糊C均值聚类方法对特征指标进行模糊聚类,从而有效识别性能退化状态;将该方法应用于滚动轴承全寿命周期振动信号中,分析结果验证了该方法的有效性。     

自适应变分模式提取的轴承故障诊断方法

变分模式提取(variational mode extraction, VME)能够从复杂信号中提取特定的模式分量,但其在轴承故障诊断中的应用潜力受到初始中心频率和平衡参数的影响。因此,为了克服VME在轴承故障诊断应用中超参数的设置问题,深入探究VME模型中心频率迭代更新过程,发现中心频率收敛趋势现象并通过理论证明其存在性,由此提出中心频率定位策略,可自适应地确定目标中心频率。为了最大化匹配故障信息,构造基于故障特征幅值比的平衡参数优化策略,能够优化目标分量的带宽。以上中心频率定位策略和平衡参数优化策略,构成自适应变分模式提取的故障诊断方法,该方法能够在无需预设初始中心频率及平衡参数的情况下自适应提取故障相关分量。仿真和两个试验案例分析结果验证所提方法在轴承故障诊断领域相比于连续变分模式分解、经验模式分解和快速谱峭度方法更具有效性和优越性。     

基于PSO-SEBD的风电机组滚动轴承故障诊断

滚动轴承作为风电机组传动系统的关键部件,其健康状态监测对整个机组的安全稳定运行至关重要。针对滚动轴承的故障诊断问题,在基于先验未知盲反卷积技术的包络谱重复瞬态循环平稳性提取方法(extracting cyclo-stationarity of repetitive transients from envelope spectrum based on prior-unknown blind deconvolution technique, SEBD)的基础上,提出了一种基于粒子群算法(particle swarm optimization, PSO)寻优的SEBD滚动轴承故障诊断方法,实现SEBD滤波器长度自适应选择。以最大故障特征频率比(characteristic frequency ratio, CFR)作为适应度函数,利用PSO算法对滤波器长度进行寻优;利用获得的最优滤波器长度进行SEBD处理;根据SEBD处理后信号的包络谱特征实现轴承故障的有效识别。通过对仿真信号和德国帕德博恩大学公开轴承故障数据进行分析,验证了PSO-SEBD的有效性。通过与几种常用的诊断方法对比以及噪声环境...