基于ICA相关系数和VPMCD的滚动轴承故障诊断

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)、独立分量分析(independent component analysis,简称ICA)和相关系数分析方法相结合,提出了基于ICA相关系数和VPMCD的滚动轴承故障诊断方法。首先,对不同工况下的滚动轴承振动信号分别进行独立分量分析,获得各工况信号的独立分量;然后,提取样本与不同工况信号独立分量之间的相关系数,并以相关系数绝对值的和作为该样本的特征值;最后,采用VPMCD分类器进行故障识别和分类。实验数据的分析结果表明,该方法能够有效应用于滚动轴承故障诊断。     

基于ASTFA降噪和AKVPMCD的滚动轴承故障诊断方法

提出了一种滚动轴承故障诊断的新方法。首次将自适应最稀疏时频分析(ASTFA)方法应用于振动信号的降噪,并针对KVPMCD方法只选择一种最佳相关模型而忽略其他几种相关模型对预测精度贡献的缺陷,提出了一种改进的KVPMCD模式识别算法--人工鱼群算法优化融合Kriging模型的基于变量预测模型的模式识别（AKVPMCD）算法,即采用收敛速度快、鲁棒性强、具有全局寻优能力的人工鱼群智能算法(AFSIA)优化融合多种Kriging相关模型来提高模型预测精度。在此基础上,提出了一种基于ASTFA降噪和AKVPMCD算法的滚动轴承故障诊断方法。实验结果表明,该方法可以有效提高分类识别的精度。     

基于ICEEMD-EFICA联合降噪的滚动轴承故障诊断研究

针对滚动轴承早期故障信号十分微弱,故障特征提取困难的问题,对轴承早期故障信号的频域分解、信号重构、降噪解混等方面进行了研究,提出了一种基于改进后的完备总体经验模态分解(ICEEMD)和高效快速独立分量分析(EFICA)的联合降噪方法。首先,采用了ICEEMD算法,将振动信号分解成一系列固有模态分量(IMF);其次,设计了峭度准则,并选取相应分量完成了虚拟通道信号和振动冲击信号的重构;研究了EFICA对重构信号的盲源分离,有效降低了振动信号中的噪声,使故障频率的能量幅度最大,利于识别故障特征;最后,搭建了实验平台,进行了实际的滚动轴承早期故障诊断实验。研究结果表明:该方法能明显抑制噪声和调制频率成分干扰,突出故障特征频率成分;与CEEMD和EFICA结合的方法对比,采用该方法后信噪比提高了24.76%,能更准确地辨别故障信息,可以满足轴承诊断的要求。     

基于多尺度样本熵和VPMCD的自动机故障诊断

针对自动机故障诊断过程中振动信号的非线性、非平稳性、非周期性导致的故障特征较难提取,以及故障识别率偏低这一问题,提出了一种基于多尺度样本熵和多变量预测模型(variable predictive model-based class discriminate,简称VPMCD)的自动机故障诊断方法。首先,对采集到的信号进行小波阈值降噪处理;其次,利用小波包分解的方法对振动信号进行分解,得到多个尺度下的信号分量;然后,计算不同尺度下信号的样本熵值,并提取对故障特征较为敏感的尺度因子,组成故障特征向量;最后,利用多变量预测模型对故障特征向量进行训练和识别,进而实现自动机的故障诊断。自动机故障诊断试验分析结果表明,利用多尺度样本熵和多变量预测模型的方法可以准确识别多种典型的自动机故障类型。     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。     

EMD降噪和关联维数相结合在滚动轴承故障诊断中的应用

针对滚动轴承产生的非线性振动信号的特点,提出将EMD降噪和关联维数相结合来描述轴承工作状态进而对其进行故障诊断的方法.通过实验定量计算出EMD降噪前后滚动轴承正常工况和不同部件故障时的关联维数值,结果表明,经EMD降噪处理后,不同模式下的关联维数具有明显的可分性和严格的区间范围,可以作为智能监测与诊断的参考依据.     

基于小波降噪与分形理论的滚动轴承故障诊断

为了识别滚动轴承振动信号中包含的故障类型,运用小波对采集到的信号进行降噪,通过计算降噪后振动信号的关联维数,判断信号中是否包含故障。并以关联维数为特征量,通过计算各工况之间的距离函数,判断属于何种故障的信号。结果表明,运用分形理论进行故障诊断具有很强的实用价值。     

改进VPMCD方法在滚动轴承故障诊断中的应用

针对模式识别新方法VPMCD(variable predictive model based class discriminate)在参数估计过程中存在的缺陷,对VPMCD方法进行了改进,用主成分估计法代替原方法中的最小二乘法进行参数估计,消除了预测变量间存在多重线性相关性的影响,可以获得更加稳定的模型参数,从而提高模式识别的精度。采用局部特征尺度分解(LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取各分量的近似熵组成故障特征向量作为改进VPMCD的输入,以改进VPMCD作为分类器对滚动轴承的工作状态和故障类型进行分类。对正常状态、外圈故障、内圈故障和滚动体故障四种不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明该方法有效。     

基于最优Morlet小波的滚动轴承故障诊断

将最优Morlet小波和阈值降噪法相结合,进行强噪声背景下滚动轴承故障诊断.依据峭度最大准则确定最优Morlet小波基.利用连续小波变换和软阈值法对振动信号降噪.试验表明,该方法具有良好的去噪性能,并能更好地提取滚动轴承振动信号中的故障特征.     

基于LCD和排列熵的滚动轴承故障诊断

排列熵（permutation entropy,简称PE）是最近提出的一种检测时间序列随机性和动力学突变行为的方法,可以考虑将其应用于故障诊断。由于机械系统的复杂性,振动信号的随机性和动力学突变行为表现在不同尺度上,因此需要对振动信号进行多尺度的排列熵分析。基于此,提出了基于局部特征尺度分解（local characteristic scale decomposition, 简称LCD）和排列熵的滚动轴承故障诊断方法。首先,采用LCD方法对振动信号进行自适应分解,得到不同尺度的的本征尺度分量（intrinsic scale component,简称ISC）;其次,计算前几个包含主要故障信息的ISC分量的排列熵;最后,将熵值作为特征向量,输入基于神经网络集成建立的分类器。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。     

基于OC-VPMCD和ITD的滚动轴承故障诊断方法

基于变量预测模型的模式识别方法可以充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型并以预测误差平方和值最小为判别函数进行分类。基于此,提出了一种新的一类分类方法--单类基于变量预测模型的模式识别（OC-VPMCD）方法,将该方法与本征时间尺度分解（ITD）方法相结合并应用于滚动轴承故障诊断。首先采用ITD对滚动轴承振动信号进行分解并对包含主要故障信息的若干固有旋转（PR）分量提取排列熵作为故障特征值;然后对OC-VPMCD分类器进行训练,并确定预测误差平方和阈值;最后进行OC-VPMCD模式识别,根据模式识别结果判断滚动轴承的工作状态正常与否。实验数据分析结果表明,该方法能够有效地应用于滚动轴承振动信号的故障诊断。     

基于Kriging函数的KVPMCD在滚动轴承故障诊断中的应用

滚动轴承的故障诊断本质上是模式识别的问题,多变量预测模型(VPMCD)是一种新的模式识别方法,其实质就是通过特征值之间的相互内在关系建立数学模型,并根据数学模型对被诊断轴承的特征值进行预测从而达到模式识别的目的。但是VPMCD分类方法中单纯采用回归模型进行预测,因此当故障特征值之间关系较为复杂时将导致预测精度降低。针对这一缺陷,提出了基于Kriging函数的多变量预测模型(KVPMCD)模式识别方法。Kriging模型由回归模型和相关模型组合而成,其中,相关模型是在全局模型的基础上创建的局部偏差,它恰恰可以揭示特征值之间的空间相关性,从而弥补原VPMCD中单纯采用回归模型的缺点。对UCI标准数据以及滚动轴承实测数据的分析结果表明,KVPMCD模式识别方法比原VPMCD方法可以更加有效地识别滚动轴承的工作状态和故障类型。     

改进VPMCD法及其在机械故障诊断中的应用

提出了一种基于时序AR模型的VPMCD(基于变量预测模型的模式识别)故障诊断方法:利用时序分析方法对故障信号建立AR模型,以蕴含故障特征的自回归参数作为故障特征量,采用VPMCD方法训练得到各故障特征量的预测模型,并利用预测模型对待诊断样本的故障类型和工作状态进行分类和识别。对滚动轴承和齿轮的振动信号的分析结果证明了该方法的有效性,与基于EMD的VPMCD法和基于AR的KNN法的对比结果证明了所提方法的优越性。     

基于RQA和V-VPMCD的滚动轴承故障识别方法

多变量预测模型模式识别(variable predictive model based class discriminate,简称VPMCD)利用样本特征值内在的相关性来建立特征学习模型,但是当训练样本较少时会导致模型预测不准确,因此提出了基于递归定量分析(recurrence quantification analysis,简称RQA)和投票法多变量预测模型模式识别(voted variable predictive model based class discriminate,简称V-VPMCD)的故障识别方法。该方法利用了递归定量分析对非线性、非平稳信号分析的鲁棒性和样本质量不高时处理的优势,以VPMCD作为分类方法,并用投票法优化了VPMCD方法,提升了算法的稳定性和识别率。对滚动轴承不同程度、不同类型故障的模式识别实验表明,该优化算法具有较高的识别准确率和稳定性。     

基于LPP与VPMCD的液压泵故障模式识别

针对液压泵振动信号复杂且难以提取有效特征量的问题,提出一种基于局部保留投影(LPP)算法的故障特征提取方法。采用集总经验模态分解(EEMD)法对液压泵振动信号进行分解,从得到的内禀模态分量(IMF)中选取敏感分量,对敏感分量进行分析并从中提取液压泵故障高维特征向量,利用局部保留投影法对高维特征向量进行融合降维,提取隐藏在高维特征空间中的故障本质信息,即敏感特征向量。基于变量预测模型的模式识别(VPMCD)算法实现模式识别的良好性能,提出采用VPMCD算法实现液压泵故障模式识别。基于提取的敏感特征集,建立各状态敏感特征的变量预测模型,进而实现液压泵的故障识别,实测液压泵振动信号分析结果验证了所提出液压泵故障模式识别方法的有效性。通过对比分析验证了所提出方法的良好性能。