基于IWOA-SVM的滚动轴承故障诊断

针对滚动轴承振动信号故障难以识别的问题,创建一种应用改进鲸鱼优化算法（IWOA）优化支持向量机（SVM）的故障诊断模型。首先将轴承振动信号特征通过VMD的方式提取;其次,为改进鲸鱼优化算法,采取精英反向学习策略增强种群的广泛性,选用非线性因子并加入随机扰动策略增强探索能力;通过4组基准测试函数,将IWOA与4种优化算法对照分析,验证了此改进算法的优越性;最后,将SVM的惩罚参数和核函数参数放入IWOA中,构建IWOA-SVM故障分类模型。故障诊断的结果表明,用IWOA-SVM分类模型在故障诊断中拥有更好的效果,准确率达到100%。     

基于粒子群算法和变分模态分解的起重机滚动轴承性能退化评估

针对港口起重机滚动轴承早期故障特征不易提取、识别精度不够高的缺点,提出一种以粒子群（PSO）优化变分模态分解（VMD）,结合支持向量数据描述（SVDD）的滚动轴承性能退化评估模型。通过PSO优化VMD中的参数,更好地提取滚动轴承的特征。利用SVDD模型中球心距离度量性能退化程度,并借助隶属度函数量化轴承性能退化,进而实现对轴承性能退化程度的精确评估。应用滚动轴承的全寿命试验数据验证该模型,并与传统的时域特征指标比较,本方法对轴承性能退化评估具有更强的敏感性,验证该方法的优越性。     

基于优化集合EMD的滚动轴承故障位置及性能退化程度诊断方法

为了更有效地同时诊断出滚动轴承故障位置及不同性能退化程度,提出了对滚动轴承不同状态振动信号进行特征提取和智能分类的故障诊断方法.该方法对各状态振动信号进行集合经验模态分解,但其效果依赖于总体平均次数和加入噪声的大小这2个重要参数,因此,提出集合经验模态分解中加入白噪声的准则.将分解后的一系列固有模态函数结合奇异值分解获取各状态的奇异值,并组成特征向量矩阵.将其输入到改进的超球结构多类支持向量机进行分类,从而实现滚动轴承正常、不同故障位置及性能退化程度的多状态同时智能诊断.实验结果表明,提出的集合经验模态分解方法中加入白噪声准则,可避免人为确定分解参数,提高其分解效率.基于优化参数的集合经验模态分解结合奇异值分解的智能诊断方法比已有的基于经验模态分解结合自回归模型的诊断方法识别率高.     

基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别

滚动轴承退化状态识别的关键在于特征提取和模式识别,局部特征尺度分解(local characteristic-scale decomposition,LCD)方法是一种新的时频分析方法,非常适用于滚动轴承振动信号的特征提取。基于变量预测模型的模式识别(Variable predictive model based class discriminate,VPMCD)方法是一种利用特征值之间的相互关系进行分类的模式识别方法,可以用于滚动轴承的退化状态识别。将LCD、VPMCD和高斯混合模型(Gaussain mixture model,GMM)相结合,提出了基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别方法,首先对滚动轴承全寿命数据进行LCD分解并提取分量的特征值,然后利用GMM对全寿命数据的特征值进行聚类,将全寿命数据在时域上分成若干个退化状态,最后建立VPMCD模型并对测试数据进行分类,从而实现滚动轴承的退化状态识别。实验数据的分析结果表明,基于LCD的GMM-VPMCD混合模型可以有效实现滚动轴承的退化状态识别。     

基于AVMD与SMA-SVM的滚动轴承故障诊断

现实工程中难以获得大量轴承故障样本,因此大多采用支持向量机进行分类,而传统的智能优化算法优化支持向量机,容易陷入局部最优解,寻优时间长,并且需要人为干预。本文提出了一种自适应变分模态分解（adaptive variational modal decomposition,AVMD）与黏菌算法(slime mould algorithm,SMA),对支持向量机（support vector machine,SVM）进行智能优化的故障诊断方法,用更合理的惩罚参数与核参数使构建的SMA-SVM模型对小样本数据进行快速准确分类。该方法首先利用AVMD方法对故障信号进行分解,然后计算各IMF分量的样本熵作为特征向量,最后将特征向量输入到所提出的SMA-SVM模型中进行故障识别。并将其与以往传统的优化算法,如遗传算法、粒子群算法的优化支持向量机等故障诊断方式相比较。结果表明,所提出的故障识别方法准确率高,并且缩短了寻优时间,相较于其他方法展现了其优越性,该方法可有效用于轴承的故障诊断。     

基于支持向量机的滚动轴承性能退化评估方法

由于损伤积累,轴承的性能会逐渐退化,为准确地评估滚动轴承性能退化状态,提出了一种基于支持向量机和小波包分解的方法。并利用具有不同故障程度的滚动轴承的振动信号,对该方法进行了验证。评估结果表明,该方法可以准确地评估轴承的性能退化程度。     

基于融合FCM-SVDD模型的滚动轴承退化状态识别

针对滚动轴承在长期工作过程中性能会出现不同程度的退化,提出一种融合FCM-SVDD模型的方法。利用自回归模型(AR)对轴承全寿命周期数据进行特征提取,再将提取的特征参数经过归一化处理后,用正常和失效样本特征建立模糊C均值(FCM)模型,用正常样本的特征数据建立支持向量数据描述(SVDD)模型,再将测试样本特征输入建立的FCM和SVDD模型得到的两个退化指标,将得到的退化指标作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线。描绘性能退化曲线,并对信号进行包络谱分析,验证初始故障位置。结果表明该方法对轴承初始故障点更加敏感,退化趋势更加明显,利用美国辛辛那提大学智能维护中心的轴承全寿命周期数据验证该方法的有效性和优越性。     

基于TSNE和AW-SVR的滚动轴承退化状态预测

针对滚动轴承存在故障提取信息冗余、非平稳突变故障预测效果不佳的问题,提出了一种基于t分布随机近邻嵌入算法(T SNE)和自适应加权支持向量回归(AW-SVR)相结合的滚动轴承退化状态预测方法.该方法首先提取了滚动轴承的时域和频域指标,组成原始特征向量;然后通过T_SNE算法进行特征降维,获得二维退化特征集,并利用相对均...     

基于FNER性能退化指标及IDRSN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法.首先,将全寿命轴...     

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。     

滚动轴承性能退化的时序多元状态估计方法

滚动轴承性能退化评估是预诊断的提前和基础,对在役滚动轴承实施在线状态监测和性能退化评估具有重要意义。针对概率相似度量评估方法存在模型复杂、容易过早饱和等现象,提出一种基于自回归时序 （autoregressive model,简称AR）模型和多元状态估计（multivariate state estimation technique, 简称MSET）的滚动轴承性能在线评估方法,其中AR模型用于提取轴承振动信号的状态特征,MSET模型用于重构AR模型系数。首先,提取正常运行状态下振动信号的AR模型系数构建MSET模型的历史记忆矩阵;其次,将待测信号的AR系数作为观测向量输入MSET模型中得到重构后的估计向量;最后,由原始AR系数和重构AR系数分别构造自回归模型,并各自完成对待测信号的时序建模,将两自回归模型所得残差序列的均方根值之差作为性能劣化程度指标。离散实验数据和全寿命疲劳实验数据分析结果表明,该方法能够有效检测早期故障,且具有与轴承故障发展趋势一致性更好等优点。     

基于分段线性分类器的滚动轴承的故障识别

为了解决滚动轴承的特征提取和故障特征的模式分类问题,提出了一种应用小波包变换和线性分类器相结合的滚动轴承故障诊断的识别方法。根据轴承振动信号的频域变化特征,首先对滚动轴承振动信号进行三层小波包分解,提取第三层各个终节点系数的能量作为特征向量,然后将特征向量输入由线性判别式构成的分段线性分类器中进行故障的模式分类和识别,最后在滚动轴承试验台上实测故障。试验表明,分段线性分类器可以有效地识别轴承的故障模式。     

基于VMD-Hilbert相对谱熵的轴承退化状态识别

为提高轴承退化状态识别的精度,文中提出了基于VMD-Hilbert相对谱熵的轴承退化状态识别方法.该方法首先是将变分模态分解(VMD)和Hilbert变换相结合,以此定义出VMD-Hilbert时频谱;其次,利用相对熵可以对信号的概率分布差异进行较好体现的特性,结合VMD-Hilbert时频谱,定义了 VMD-Hilb...     

基于核函数主元分析的滚动轴承故障模式识别方法

基于核函数主元分析的独特优势,提出了滚动轴承故障诊断方法,通过核函数映射将非线性问题转换成高维的线性特征空间,然后对高维空间中的映射数据作主元分析,提取其非线性特征,对故障模式进行识别.并与主元分析方法进行了对比.试验结果表明,核函数主元分析法更适合提取故障的非线性特征,并能很好地识别滚动轴承故障模式.     

基于图像奇异值分解的滚动轴承故障模式识别

基于滚动轴承振动信号的三维和二维谱图中包含丰富故障信息和图像矩阵奇异值能够反映图像本质的客观事实,对滚动轴承振动信号二维灰度图矩阵进行了奇异值分解。应用奇异值欧氏距离作为两幅图像相似程度的度量尺度从而实现轴承的故障诊断。对实测轴承故障数据的分析表明:该方法具有较高的故障模式分类精度,但随着故障尺寸的增加,由于轴承各部件之间的影响,其诊断正确率会有所降低。与基于图像纹理特征的灰关联识别结果对比表明,该方法总体识别效果更好。     

滚动轴承时域新指标的WNN状态退化预测研究

针对传统时域指标在滚动轴承信号特征提取时状态预测精度不高的问题,首先,选取适合在线简单快速判别的时域指标,并根据轴承疲劳损伤大小和局部损伤数量增加,分析时域指标特征对状态变化的敏感性;其次,基于传统时域指标,寻求两个更为敏感的时域组合指标TALAF和THIKAT;最后,利用小波神经训练和测试两个新指标的数据样本,并与传统时域指标峭度及BP神经网络预测方法进行比较,仿真结果验证了TALAF和THIKAT指标,有效提高了轴承故障预测的准确性。     

基于AR-FCM的滚动轴承的性能退化评估

滚动轴承是旋转机械中最重要也是最容易出现故障的零部件之一,如果能对滚动轴承的性能进行实时监测评估就能及时做出维修策略,建立自回归(AR)模型,提取早期无故障信号和同型号同位置失效滚动轴承(简称同类轴承)失效信号的AR模型的自回归系数和残差,用早期无故障特征和同类轴承的失效特征建立模糊C均值(FCM),得到FCM模型的正常和失效聚类中心,将待测数据通过保持模型不变连续迭代的方式输入到FCM模型中,得到性能退化指标,再用经验模态分解和希尔伯特包络解调对结论进行验证。实验表明,提出的性能退化方法得到的结论与轴承加速疲劳试验得到的结果是一致的。