小波尺度谱在AE信号特征提取中的应用

通过分析典型声发射信号及其特征提取,将小波尺度谱引入到声发射故障诊断领域,首次提出了声发射信号的小波尺度谱分析法。给出了小波基函数及其参数的选取,克服了声发射信号小波尺度谱的时、频分辨率不能同时达到最好的缺陷。将小波尺度谱用于声发射检测的滚动轴承损伤类型及部件的识别,诊断结果十分直观、清晰、准确。仿真分析和实验研究均表明小波尺度谱能有效应用于基于声发射技术的状态监测与故障诊断。     

A New Signal Processing and Feature Extraction Approach for Bearing Fault Diagnosis using AE Sensors

In this paper, a new signal processing and feature extraction approach for bearing fault diagnosis using acoustic emission (AE) sensors is presented. The presented approach uses time-frequency manifold analysis to extract time-frequency manifold features from AE signals. It reconstructs a manifold by embedding AE signals into a high-dimensional phase space. The tangent direction of the neighborhood for each point is then used to approximate its local geometry. The variation of the manifolds representing different condition states of the bearing can be revealed by performing multiway principal component analysis. AE signals acquired from a bearing test rig are used to validate the presented approach. The test results have shown that the presented approach can interpret different bearing conditions and is effective for bearing fault diagnosis.     

基于高阶谱的旋转机械故障征兆提取

研究了旋转机械振动信号的非线性特征,分析了产生非线性的机制,着重讨论了二次相位耦合与机械故障的关系,在此基础上将高阶谱分析引入转子故障诊断。高阶谱保留了信号的相位信息且能有效抑制噪声,可以定量描述非线性性相位耦合,试验分析表明,对于不同类型的故障,高阶谱特征存在明显差异,因中用于故障模式识别,高阶谱丰富了旋转机械故障诊断系统知识库中的振动特征信息,用于工业现场能大大提高诊断准确性。     

基于包络解调随机共振和CEEMD的机械早期微弱故障诊断方法研究

针对噪声背景下机械振动信号早期故障特征提取难题,提出一种基于包络解调随机共振和互补总体经验模态分解的机械早期微弱故障提取及诊断新方法。首先对含噪声机械故障信号进行包络解调处理,然后对包络信号进行变尺度随机共振输出,使故障特征信号得到增强,最后对处理后的信号进行互补总体经验模态分解(CEEMD),得到机械振动信号故障特征分量,实现故障特征提取及诊断。对机械故障诊断实例表明,该方法不仅能增强信号幅值,同时减少了虚假分量,提高了CEEMD算法的精度,有效提取出被噪声淹没的微弱故障信号,提高了机械早期故障诊断效果。     

基于分数阶Wigner分布的机械故障诊断方法研究

为采用分数阶Wigner分布的机械故障诊断新方法,讨论了分数阶Wigner分布中最优分数阶的选择。仿真研究表明,分数阶Wigner分布优于传统的Wigner分布,分数阶Wigner分布能有效地抑制交叉项干扰。将提出的方法应用到轴承故障诊断中,实验结果验证了提出的方法的有效性。     

基于随机共振预处理的振动故障特征提取研究

为有效降低噪声对机械故障特征提取结果干扰,提高故障特征集分类性能,提出基于随机共振(SR)预处理的故障特征提取方法。用随机共振方法对振动信号预处理,提高输出信号信噪比,增强信号频率特性;将随机共振输出信号用于特征集提取。为验证随机共振对信号预处理效果,分别提取基于时域、频域及时频域分析的故障特征集用于故障诊断;用转子试验数据对该方法所取特征集进行检验。结果表明,经随机共振处理后提取的各特征集与原始数据提取的特征集相比,均表现出较好分类性能,且其诊断结果的确定性较原始特征好,有望应用于工程实际。     

海洋平台油气管道疲劳裂纹AE信号特征提取及识别研究

为了将声发射(AE)技术实际应用到监测海洋平台油气管道疲劳裂纹中,需要解决管道振动干扰以及疲劳裂纹AE信号有效特征提取的问题,而问题的关键在于对管道结构疲劳裂纹AE信号特征提取及识别算法的研究。在已有研究的基础上,提出了一种基于经验模态分解(EMD)为特征提取的疲劳裂纹识别方法,将管道振动干扰问题和疲劳裂纹AE信号有效特征提取问题联系在一起,对特征元素进行优化并剔除无效噪声干扰信息,通过概率神经网络(PNN)对疲劳裂纹信号进行识别。试验结果表明,PNN结合基于EMD为特征提取的疲劳裂纹识别法能够取得良好的效果,为声发射技术监测海洋平台油气管道疲劳裂纹提供了试验和理论依据。     

基于注意力BiGRU的机械故障诊断方法研究

为了解决机械故障诊断领域传统方法自适应性差、参数选择过于依赖人工的问题,提出了一种基于循环神经网络的机械故障诊断算法。该方法利用预处理后的机械振动信号,搭建了双向门控循环单元的故障诊断模型,并进行了基于注意力机制的模型优化,提高了特征提取效率。经过美国凯斯西储大学轴承数据集以及自采集的柴油机故障实验数据验证,相比于传统神经网络算法提升了计算效率和诊断准确率,并表现出了良好的抗噪能力。结果表明,该方法可以有效适用于基于机械振动信号的故障诊断,具有一定的工程应用价值。     

基于级联双稳随机共振和多重分形的机械故障诊断方法研究

对级联双稳随机共振的滤波特性进行了对比和分析,利用这种特性,结合广义维数对信号非线性特征的度量能力,提出了基于级联双稳随机共振和多重分形的机械故障诊断方法。实验结果证明,该方法可以有效的消除高频噪声,增强低频段信号的能量,由此得到的分形维数比较准确,能够更加精确地度量机械振动信号的非线性特征,从而达到机械故障诊断的目的。     

机械振动信号自适应多尺度非线性动力学特征提取方法研究

针对机械振动信号的故障特征提取问题,提出了基于独立变分模态分解与多尺度非线性动力学参数的特征提取方法。①提出频谱循环相干系数选取匹配波形对机械振动信号进行端点延拓后再进行VMD分解得到不同频率尺度的IMF分量;②根据互相关准则选取有效的IMF分量进行核独立成分分析,分离出相互独立的有效故障特征频带分量;③计算各独立分量的复合多尺度模糊熵偏均值,并利用正交变换将独立分量正交化后构造多维超体,进而利用多维超体体积定义并计算信号的双测度分形维数,从而获得多尺度非线性动力学特征参数,实现机械故障诊断。仿真和实验结果表明:所提方法可有效抑制VMD分解的端点效应和模态混叠,信号分解效果好,特征参数分类精度高,极大地提高了机械故障诊断准确率。     

一种基于Triplet loss的齿轮箱复合故障识别方法

随着设备检测点的数量与采样频率的增加,机械健康监测进入了"大数据"时代。深度学习以其强大的自适应特征提取和分类能力也在机械大数据处理方面取得了丰硕的成果。在故障诊断领域,目前深度学习方法的研究对象均集中于单一故障,而复合故障却鲜有人涉足。复合故障因为其各类故障信号间有耦合,变化的工况(负载,转速)也会对信号产生较大影响,所以难以准确诊断。面对复杂的复合故障,传统的Softmax分类器已不能精确高效的完成故障诊断。提出了一种基于Triplet loss的深度度量学习模型的诊断方法,对齿轮箱的轴承及齿轮这两种目标的故障同时进行诊断。其优势在于通过该模型提取故障信号的特征,再利用Triplet loss度量各类故障之间的距离,使得同类故障特征间的距离很近,异类故障特征间的距离很远,从而高效完成诊断任务。试验结果表明,该方法实现了在多种工况,大量样本下对齿轮箱内轴承和齿轮不同故障的准确诊断。     

基于流形学习和改进VPMCD的滚动轴承故障诊断方法*

提出一种基于拉普拉斯特征映射流形学习算法(Laplacian Eigenmaps,简称LE)和改进多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的滚动轴承故障诊断方法,首先对振动信号进行局部特征尺度分解(Local characteristic scale decomposition,简称LCD),并提取各内禀尺度分量(Intrinsic scale component,简称ISC)的特征构造高维特征向量,接着采用LE算法挖掘出高维数据中包含有效信息且具有内在规律性的低维特征,然后输入到基于Kriging的改进多变量预测模型(Kriging-variable predictive model based class discriminate,简称KVPMCD)分类器中进行模式识别。该方法充分利用并有效结合了LCD在信号处理、LE在挖掘特征信息和KVPMCD在模式识别方面的优势,实现了滚动轴承故障特征提取到故障识别的全程诊断。实验分析结果表明:基于LE算法和KVPMCD的分类方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

利用遗传编程提取齿轮多重故障分类特征

特征提取是齿轮多重状态或故障分类中一个很重要的问题。为解决该问题，提出了利用频域特征和遗传编程对齿轮箱盖多类状态振动信号进行特征提取的方法。为了使诊断结果更好地可视化。利用遗传编程结果的固有随机性，提取两个新特征指标。结果表明，该方法对振动数据进行了准确的多重故障分类，也可以应用到其它机械故障诊断或分类中。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

Weak Fault Diagnosis of Rolling Bearing Based on Improved Stochastic Resonance

Stochastic resonance can use noise to enhance weak signals, effectively reducing the effect of noise signals on feature extraction. In order to improve the early fault recognition rate of rolling bearings, and to overcome the shortcomings of lack of interaction in the selection of SR (Stochastic Resonance) method parameters and the lack of validation of the extracted features, an adaptive genetic random resonance early fault diagnosis method for rolling bearings was proposed. compared with the existing methods, the AGSR (Adaptive Genetic Stochastic Resonance) method uses genetic algorithms to optimize the system parameters, and further optimizes the parameters while considering the interaction between the parameters. This method can effectively extract the weak fault features of the bearing. In order to verify the effect of feature extraction, the feature signal extracted by AGSR method was input into the Fully connected neural network for fault diagnosis. the practicality of the algorithm is verified by simulation data and rolling bearing experimental data. the results show that the proposed method can effectively detect the early weak features of rolling bearings, and the fault diagnosis effect is better than the existing methods.     

一种基于层次熵和SVM的轴承故障诊断方法

针对样本熵在分析时间序列复杂度上的局限,在样本熵和多尺度熵的基础上提出一种新的基于层次熵（Hierarchical Entropy）的滚动轴承故障特征提取方法。首先用层次分解方法对实验数据进行分解,然后采用分解节点上的样本熵值作为特征向量,利用支持向量机（support vector machine,简称SVM）对故障进行识别。实验数据分析结果验证该方法的有效性。     

基于多尺度熵和距离评估的滚动轴承故障诊断

为了解决滚动轴承非线性故障特征难以提取的问题,将多尺度熵和距离评估方法有机结合,提出一种新的滚动轴承非线性特征提取方法。首先利用多尺度熵来刻画滚动轴承振动信号在不同尺度上的细节特征;然后引入距离评估选择算法,对多尺度特征进行特征评估,优化选取敏感尺度特征,并送入支持向量机实现轴承不同状态的分类。通过滚动轴承故障诊断实验对该方法进行验证,结果表明,选取敏感多尺度熵特征集对故障特征进行刻画,较单尺度特征、原始特征集和随机特征集等诊断效果更佳,提高了诊断精度。     

深度学习在机械设备诊断中的应用

传统的机械设备状态监测是根据经验通过提取现场采集的振动信号特征值构建特征空间,采用多种方法对特征值进行聚类、分类,从而实现对设备状态的分类。但这种方法严重依赖于专家经验,并且效果受到信号噪声等众多因素的影响。分别在经典一维和二维卷积神经网络的的基础上,提出两种机械设备智能故障诊断方法,并通过凯斯西储大学轴承数据中心发布的数据集比较两种模型的性能,实验结果表明,基于一维卷积神经网络的智能诊断方法更适用于一维振动信号。将基于一维卷积神经网络的智能诊断方法应用于石化厂的机泵设备,证明其能实现特征自适应提取,可取得较好诊断效果。     

基于声发射衰减特性的故障行星轮定位研究

行星齿轮箱是风力机传动装置的重要组成部分,行星轮在低速重载、既自转又公转的复杂环境下容易诱发故障,其故障诊断特别是故障行星轮定位一直是研究重点和难点。建立了行星轮齿轮箱实验装置,模拟了行星轮故障,并利用声发射信号进行故障行星轮定位。实验研究了声发射信号在齿轮内部、齿轮与齿轮之间的传播特性,利用信号的幅值衰减特性简化了故障定位模型。利用信号幅度随信号传播距离增加而呈指数衰减的关系,建立了故障源定位方程组,从而获得故障齿的啮合位置,进一步确定故障行星轮的位置。实验结果表明:利用声发射信号的幅值衰减特性能够较为精确的确定故障行星轮的位置。     

高队循环统计量理论在机械故障诊断中的应用

在简要介绍现代信号处理中的高阶统计量、循环平稳以及高阶循环统计量理论的基础上，重点分析了它们在谐波恢复、系统辨识、特征提取等与机械设备状态监测和故障诊断相关领域中的应用，指出将高阶循环统计量理论，特别是高阶循环累计量和高阶循环谱理论应用于机械设备的状态监测和故障诊断领域具有重要的理论研究价值和实际应用意义。