基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别

滚动轴承在长期的工作过程中其性能会出现不同程度的退化,如果能对滚动轴承的退化状态进行识别就可以做好维护措施。用自回归模型(Autoregressive model, AR)对滚动轴承全寿命周期的振动信号提取其系数及残差,用正常样本和失效样本特征建立模糊C均值模型(Fuzzy C Mean, FCM),用轴承正常样本的特征数据建立隐马尔科夫(Hidden Markov model, HMM)模型,将轴承的测试样本信号输入建立的FCM和HMM模型得到的两个退化指标,再将其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,结果表明该方法集中了空间统计距离模型和概率统计模型两者的优势,最后用IEEE PHM2012实验数据进行验证,表明所述方法与滚动轴承性能退化趋势保持一致并且可以提早发现早期故障。     

结合马氏距离与隶属度函数的轴承性能退化研究

提出一种融合自回归模型(auto-regressive model,AR)、马氏距离(mahalanobis distance,MD)与隶属度函数的滚动轴承的性能退化评估方法。利用自回归模型对轴承全寿命周期数据进行特征提取,将提取的自回归系数及残差作为特征参数。经过归一化处理后,分别用无故障样本与故障样本特征输入马氏距离得到两个距离指标,再输入隶属度函数中,得到轴承退化指标(degradation index,DI),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。利用美国辛辛那提大学的轴承全寿命周期数据验证该方法的有效性和实用性。     

结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估

针对设备的视情维修,提出一种将小波包奇异谱熵和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。先提取轴承全寿命周期内振动信号的小波包奇异谱熵作为轴承状态的特征矢量,然后以轴承正常状态下的特征矢量训练SVDD,得到正常状态下的基准超球体,再计算轴承全寿命周期内的特征矢量与基准超球体之间的相对距离,作为性能退化过程的定量评估指标,并对失效阈值和早期故障阈值进行设定。结果表明,与基于小波包和SVDD的性能退化评估方法相比,该方法的早期故障检测能力更强,对轴承性能退化各个阶段的描述更加准确。最后,利用基于EMD的Hilbert包络解调方法对评估结果的正确性进行了验证。     

基于CHMM的轴承性能退化程度综合评估方法研究

针对传统轴承性能退化评估方法中退化阶段划分的主观性以及连续隐马尔科夫模型在建立评估模型时只考虑正常状态下的样本所引起评估结果的不足,提出了一种基于连续隐马尔科夫模型的轴承性能退化程度综合评估方法。该方法首先通过支持向量聚类方法将轴承全寿命周期划分成若干个退化阶段,然后从每个阶段中提取一定比例的样本用于训练,采用轴承正常阶段的训练样本建立轴承的连续隐马尔科夫模型,将不同退化阶段的训练样本输入模型,分别得到不同阶段样本相对于所建立正常阶段的连续隐马尔科夫模型的输出概率,据此得到样本隶属于不同退化阶段的隶属函数分布。最后,采用集对分析的方法建立轴承测试样本相对于正常阶段样本的联系度,并最终得到轴承性能退化程度的综合得分。通过利用轴承全寿命数据,并与传统连续隐马尔科夫模型及传统无量纲指标进行了对比,验证了所提出的综合评估方法在轴承性能退化评估方面的有效性。     

基于DBN-SVDD的滚动轴承性能退化评估方法

针对现有性能退化评估方法需要人工经验筛选特征指标,难以获取轴承故障状态下振动信号的问题,提出了一种基于深度置信网络(DBN)和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。该方法以滚动轴承正常状态下的归一化幅值谱作为DBN的输入,利用DBN中的RBM构建特征自动提取模型,通过SVDD构建评估模型。使用不同工况下滚动轴承全寿命周期试验数据的分析表明,该方法能够很好地揭示轴承性能退化规律,而且摆脱了特征选择的人为干预,可以准确检测出滚动轴承早期微弱故障。     

基于自联想神经网络与模糊C均值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,故建立了自回归(AR)模型,提取滚动轴承全寿命周期的AR模型的自回归系数和残差,对提取到的特征降维后建立自联想神经网络(AANN)以及FCM模型,然后将AANN模型的输出与输入向量之差作为特征向量输入到FCM模型中,得到性能退化指标,再用实例对结论进行验证。实验表明,文中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。     

一种融合型异常检测算法及其在轴承性能退化评估中的应用

用自回归模型(autoregressive model,AR)提取早期无故障滚动轴承的振动样本以及同型号同位置失效滚动轴承(简称同类轴承)的失效样本,用早期无故障样本和失效样本建立模糊C均值(Fuzzy C Mean,FCM)和隐马尔科夫(Hidden Markov Model,HMM)性能退化评估模型,然后得到正常指标和同类轴承的失效指标,把这两个指标作为输入特征建立FCM模型,待测数据通过保持模型不变连续迭代的方式输入模型中,描绘出性能退化曲线。该方法集中了空间统计距离和相似度方法两者的优势且不需要轴承失效数据。实验表明所提出的评估方法得到的评估指标能实时监测滚动轴承的性能退化趋势并且可以及时发现早期故障。     

基于RBF神经网络与模糊评价的滚动轴承退化状态定量评估

滚动轴承作为旋转机械最容易发生故障的零部件之一,对其进行性能状态评估,及早判断出故障情况并做出相应的维修策略具有重要的意义。首先对轴承早期无故障样本和同类轴承的失效样本的振动信号提取小波包奇异谱熵作为初始特征。其次,用早期无故障样本特征和同类轴承失效样本特征建立径向基(RBF)神经网络模型,将已提取特征的轴承全寿命数据特征通过迭代的方式输入到RBF模型中。为了得到有界限的性能退化评估指标,提高性能评估准确率,将RBF模型输出结果输入到隶属度函数,计算隶属度,以此作为性能退化评估指标。使用箱线图设置自适应阈值,确定轴承早期失效阈值。最后用包络解调对结果进行验证。实验表明,提出的性能退化评估方法早期故障检测能力强,得到的结论与轴承加速疲劳试验得到的结果保持一致。     

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。     

流形模糊C均值方法及其在滚动轴承性能退化评估中的应用

滚动轴承全寿命周期性能退化监测是设备主动维修技术重要的组成部分,对损伤状态进行有效评估可以实现设备接近零停机运行,发挥机器的最大生产力。为有效描绘滚动轴承性能退化趋势,提出一种基于流形学习的模糊C均值(Fuzzy C-means algorithm,FCM)方法。首先提取监测信号的时域、频域特征及小波包时频域特征组成高维特征集,然后按确定的本征维数提取高维特征集的低维流形特征,进而建立基于局部线性嵌入流行学习(Locally linear embedding,LLE)的模糊C均值模型评估轴承当前运行状态。通过IMS滚动轴承全寿命试验,验证了该方法能够有效描绘滚动轴承性能退化阶段,为预知维修提供了重要信息。     

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。     

基于一维卷积神经网络的滚动轴承故障程度诊断

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法。以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的“端到端”诊断,避免了人为因素的干扰。通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深度学习模型的诊断正确率达到98.2%。用辛辛那提大学滚动轴承全寿命周期数据对退化全过程进行诊断,根据轴承原始信号时域指标变化将全周期分为正常、轻微退化、中度退化、严重退化和失效5种程度,通过一维卷积神经网络对轴承原始数据进行有监督学习,所建立python-Keras深度学习模型的故障诊断平均准确率为93%。     

结合DBN和CHMM的滚动轴承性能退化评估

针对现有退化评估方法应用情境单一,特征指标筛选依赖人工经验,提出了一种基于深度置信网络（Deep belief network, DBN）和连续隐马尔科夫（Continuous hidden markov model, CHMM）相结合的滚动轴承性能退化评估方法。将滚动轴承正常状态下的振动信号处理为归一化幅值谱,以此作为DBN特征自动提取模型的输入,并使用CHMM做评估模型,其中CHMM的训练样本即通过DBN提取的正常状态下的特征向量。通过不同情境下的滚动轴承全寿命周期实验数据验证了所提模型的有效性。与近期有关文献所提方法进行比较,该方法避免了人工选择特征指标,且对早期微弱故障检测具有一定的敏感性。     

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。     

能量比在轴承故障评估中的应用研究

提出了一种新的用于轴承故障评估的特征提取方法,用AR模型将振动信号分离为确定性信号与随机信号,将随机信号与确定性信号的能量比作为反映轴承损伤发展过程的特征。应用该方法对凯斯西楚大学轴承预置故障试验数据和IMS中心轴承全寿命数据进行了分析。结果表明:能量比在定工况、变工况条件下较传统特征能够更为有效地反映轴承的损伤发展过程。