基于时变自回归参数模型的滚动轴承智能故障诊断

轴承运行时的振动信号是典型的非线性非平稳时间序列,对其建立时变自回归参数模型,可以较好地表征轴承振动的非平稳特征。在对轴承振动信号时变自回归模型的时变参数进行大量实验分析研究的基础上,提取均值作为表征轴承运行状态的特征参数,并输入支持向量机分类器进行故障识别与分类,实现滚动轴承的智能故障诊断。实验结果表明,该故障诊断方法可以有效准确地识别滚动轴承的运行状态。     

基于多重分形与SVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳性和非线性,提出一种多重分形和支持向量机相结合的故障诊断方法。运用多重分形理论方法对齿轮振动信号进行分析,通过分析发现多重分形谱和广义维数作为故障特征能够很好地反映齿轮箱的工作状态;对支持向量机的参数利用粒子群优化算法进行优化,并将齿轮箱振动信号的多重分形特征量作为支持向量机的输入参数以识别齿轮的故障类型。实验结果表明,该方法在样本较小的情况下能够准确对齿轮箱的故障类型进行分类。     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

关联维数和基于内禀模态函数的AR模型在滚动轴承故障诊断中的应用

提出一种基于内禀模态函数(Intrinsic Mode Function,IMF)、自回归(Auto-Regressive,AR)模型和关联维数的滚动轴承故障诊断方法.该方法首先采用经验模态分解(Empirical Mode Decomposition,EMD)将滚动轴承振动信号分解成若干个IMF,然后对包含主要故障信息的IMF分量建立AR模型,计算AR模型自回归参数的关联维数,并以关联维数作为特征向量输入神经网络分类器,最后通过网络的输出结果来识别轴承的工作状态和故障类型.对实验数据的分析结果表明,该方法能有效地应用于滚动轴承的故障诊断.     

基于ITD分形模糊熵的轴承早期故障诊断

针对滚动轴承早期故障振动信号信噪比低、单一故障特征难以实现在整个复杂非线性状态空间上准确分类的局限,提出了基于本征时间尺度分解(intrinsic time-scale decomposition,简称ITD)和分形模糊熵的轴承早期故障智能诊断方法.首先,利用改进的ITD方法将包含大量背景噪声的非线性非平稳振动信号自适应地分解为不同频段的合理旋转(proper rotation,简称PR)分量;然后,提取蕴含故障信息的PR分量的分形维数和模糊熵,组成联合特征向量;最后,采用适合小样本模式识别的最小二乘支持矢量机(least squares support vectors machine,简称LSSVM)方法对故障类型进行分类.通过4种运行状态的滚动轴承实验表明,该方法能有效性地应用于滚动轴承早期故障智能诊断.     

基于增强层次注意熵和极限学习机的轴承故障检测方法

采用传统诊断模型进行轴承故障识别时，需要设置较多的超参数，且参数对模型性能的影响较大。针对这一问题，提出了一种基于增强层次注意熵(EHATE)和灰狼算法优化的极限学习机(GWO-ELM)的滚动轴承故障诊断模型，其中，EHATE方法用于提取滚动轴承振动信号的低频和高频特征信息，而GWO-ELM用于识别滚动轴承的故障类型。首先，基于分形理论和增强的层次分析，提出了一种能够同时测量非平稳时间序列在低频段和高频段复杂度的指标-增强层次注意熵(EHATE);随后，利用EHATE方法充分提取了滚动轴承振动信号的故障特征，实现了对不同样本故障状态进行精确表征的目的；最后，将故障特征输入至GWO-ELM分类器中，进行了滚动轴承故障类型和故障严重程度的识别，基于EHATE+GWO-ELM模型对3组滚动轴承故障数据集进行了实验，并将其与其他故障诊断方法进行了对比。研究结果表明：该故障诊断模型能够快速有效地识别滚动轴承的不同故障，3组数据集的识别准确率分别达到了100%、99.2%和96.92%,在识别准确率和特征提取效率方面优于对比方法；同时该故障诊断模型在特征提取阶段仅需要设置单个参数，且该参数对模型的...     

基于LMD和灰色相似关联度的轴承故障诊断方法

针对轴承故障振动信号的非线性、非平稳特点及振动信号的强噪声背景,提出一种基于局部均值分解(Local Mean Decomposition,LMD)和灰色相似关联度的轴承故障诊断方法。首先对信号进行局部均值分解,得到若干个PF(Product function,简称PF)分量,再选取包含主要故障信息的PF分量进一步分析,并提取特征向量,然后通过计算标准故障模式与待识别样本的灰色相似关联度对轴承故障类型进行判断。利用该方法对试验轴承故障振动信号进行了分析,结果表明,基于LMD和灰色相似关联度方法能够有效地识别轴承运行状态,实现对轴承的故障诊断。     

基于DDAE-GRA的滚动轴承早期故障诊断

提出一种将深度降噪自编码(DDAE)和灰色关联度分析(GRA)相结合的滚动轴承早期故障诊断方法。使用DDAE提取轴承振动信号的特征,以正常样本特征作为灰色关联分析的参考序列,计算滚动轴承全寿命周期数据样本特征与正常样本特征的关联程度作为轴承性能退化的指标,绘制性能退化曲线并使用3σ阈值判定轴承早期失效时间。对辛辛那提大学轴承数据集外圈故障轴承的分析结果表明：DDAE-GRA模型识别的轴承故障发生在第533个样本,该样本包络谱中出现了明显的外圈故障特征频率及其倍频;DDAE-GRA模型比小波包分解-GRA,DDAE-FCM,DDAE-SVDD具备更好的鲁棒性,更适用于滚动轴承早期故障监测。     

基于ARMA模型的滚动轴承故障诊断研究

针对滚动轴承故障振动信号具有高噪声、非线性、非平稳的特性,提出基于ARMA模型的滚动轴承故障程度的诊断方法。首先,给出故障预测模型参数的标定和调整方法;最后,对基于ARMA模型的滚动轴承偏载条件下保持架断裂故障诊断进行了效果验证。滚动轴承实例诊断结果表明,该方法能准确地判断轴承的实际状态,是一种有效的故障识别方法。     

滚动轴承外圈失效的盒维数与信息维数特征

旋转机械故障诊断的关键在于故障特征的提取,由于轴承振动信号的非线性与非平稳性,传统平稳信号处理方法在故障特征提取中存在不足,而多重分形等非平稳方法存在计算冗余。认为故障状态下轴承振动信号的空间的占布与概率密度均发生变化,因此可采用盒维数与信息维数描述故障特征。在此基础上,借助美国辛辛那提大学IMS中心公开的全寿命轴承实验数据,分别分析了滚动轴承外圈在正常和故障情况的信息维数和盒维数,认为:在故障状态下,轴承振动信号的信息维数与盒维数均有降低,这一特点有利于提高故障模式的可分性。     

基于EMD-AR谱和GA-BP的滚动轴承故障诊断研究

为了提高滚动轴承振动信号的故障特征提取能力,快速有效地诊断出轴承的故障类型,提出了一种基于EMD-AR谱和GA-BP神经网络的滚动轴承故障诊断模型,以美国凯斯西储大学轴承数据中心的轴承振动加速度数据为例,对滚动轴承各种状态进行了理论分析和实验测试研究。首先,通过经验模态分解,将采集到的轴承振动信号进行了分解,获得了不同阶次的固有模态函数分量;然后,通过自回归模型对这些分量进行了故障特征提取,并由AR模型的参数和残差的方差组成了故障特征向量矩阵;最后,将故障特征作为遗传算法优化BP神经网络的输入数据和输出数据,分别对该故障诊断模型进行了训练和测试。研究结果表明:基于EMD-AR谱和GA-BP的滚动轴承故障诊断方法可以有效识别不同类型的故障特征;相较于传统的基于BP神经网络、GA-BP神经网络诊断方法,其诊断的效率更高,并且诊断准确率可达到95%。     

基于NSP和SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断中难以获得大量典型的故障样本,以及统计参数对于滚动轴承故障的多分类效果不理想问题,提出了一种基于零空间追踪算法和支持向量机的故障模式识别方法。首先,根据轴承振动模型估计出相应的微分算子;然后,利用上述微分算子将轴承故障信号分解为一系列具备轴承故障特征的窄带信号之和;最后,计算各窄带信号的统计参数,构造特征向量并利用SVM进行故障模式识别。与传统SVM的对比分析试验结果表明:该方法的诊断准确率高达95%,比传统SVM提高了15%,可有效实现滚动轴承故障的模式识别。     

基于递归复杂网络的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳的特征,提出了一种基于递归复杂网络(recurrence complex network,简称RCN)的轴承故障诊断方法。首先,利用相空间重构的理论将一维时间序列扩展到高维相空间中,构建递归矩阵;然后,研究了基于递归思想的定量递归分析方法;最后,采用递归复杂网络的方法提取故障轴承振动信号的非线性特征参数,对轴承正常状态、内圈故障、滚动体故障和外圈故障振动信号进行分析。研究结果表明,RCN方法可以对滚动轴承故障进行较为准确的诊断,与传统方法相比具有较好的诊断效果。     

面向多源传感器的滚动轴承多层自助最大熵法故障状态诊断

为了提高多种因素对滚动轴承故障诊断效果的影响，提出了一种面向多源传感器信号融合的滚动轴承多层自助最大熵法故障诊断方法。通过量化分析径向与轴向载荷、转速、温度参数引起的振动状态变化，为判断轴承性能与疲劳寿命提供了可靠的依据。研究结果表明：振动样本获得了几乎相同的概率密度函数，判断轴承振动特征主要与径向载荷存在较大关联。轴承载荷和转速对轴承振动状态产生了相近的效果。振动状态与径向载荷、转速、轴向载荷、温度之间的作用指标依次为0.742 6,0.291 4,0.292 6,0.243 7,判断轴承载荷度振动状态产生了最重要影响。该研究对滚动轴承早期故障排查以及运行稳定性优化具有很好的实际指导价值，也可拓宽到其它的机械传动领域。     

基于数学形态学和IFOA-SVR的滚动轴承可靠度预测方法

为了保证滚动轴承运行状态可靠度的预测精度同时增加预测步长,提出一种数学形态学分形维数结合改进果蝇优化算法-支持向量回归(Improved fruit fly optimization algorithm-support vector regression,IFOA-SVR)的滚动轴承可靠度预测方法。提取振动信号的包络信号,计算该包络信号的数学形态学分形维数,将其作为滚动轴承性能退化状态特征。利用IFOA对SVR中的参数C、g以及ε同时进行寻优,建立IFOA-SVR预测模型。利用极大似然估计结合IFOA建立威布尔比例故障率模型(Weibull proportional hazard model,WPHM),进而得到可靠度模型。将退化状态特征作为IFOA-SVR预测模型的输入,采用长期迭代预测法获取特征预测结果,并将该结果嵌入到可靠度模型中,从而预测出轴承运行状态的可靠度。试验结果表明,利用所提方法对滚动轴承可靠度进行预测,能在保证预测精度的前提下增加预测步长。     

基于小波包参数模型的滚动轴承智能故障诊断

针对平稳自回归模型无法准确描述滚动轴承振动信号的非平稳性,提出一种结合小波包分解与自回归模型的故障特征提取方法,以提取能准确反映轴承运行状态的特征向量。首先,通过小波包变换对滚动轴承运行时产生的非平稳振动信号进行分解,得到一系列刻画原始信号特征的系数;然后,利用自相关算法对各系数建立自回归模型,并将自回归模型的参数作为特征向量;最后,采用支持向量机分类器对提取的特征向量进行故障分类,从而实现滚动轴承的智能故障诊断。仿真结果表明该方法的有效性。     

基于小波分析的滚动轴承摩擦副表面损伤故障诊断系统

针对滚动轴承故障振动(非平稳信号)之特征,提出了基于小波分析的滚动轴承故障诊断方法.该方法应用Matlab软件对包含滚动轴承故障信息的信号进行小波分解和重构,通过细化频谱分析,可有效地把轴承中的故障信息成分检测出来,从而快速地判断轴承的故障类型.基于上述研究,研发出一套适用的滚动轴承摩擦副表面损伤故障诊断系统.经实践检验,诊断方法正确,检测结果稳定、可靠.该系统经改进和功能扩展,可应用于其他振动信号的采集和分析.     

基于时序AR与灰色GM模型的滚动轴承故障诊断研究

针对滚动轴承故障诊断方法存在的问题, 将自回归(AR)模型和灰色理论应用到滚动轴承的故障诊断中,建立了灰色时序组合模型.该方法先把轴承振动信号分解成不同特征时间尺度的固有模态函数,从而把非平稳信号处理转化为平稳信号处理问题,然后选取表征轴承故障的IMF分量,通过灰色GM(1,1)模型模拟数据宏观变化趋势,并用时序AR(p)模型建立了残差序列以模拟数据微观变化趋势.通过对实测数据进行检验与比较,证明该组合模型具有很好的分析效果.     

基于谐波小波包和OAO-RVM的滚动轴承故障诊断方法

结合谐波小波包和相关向量机设计了滚动轴承故障诊断方法,以实现轴承正常状态、内圈故障、滚动体故障及外圈故障状态的诊断。首先,利用谐波小波包对轴承的振动信号进行多层分解,根据各频段的小波分解系数计算各个频带能量,归一化之得到特征向量;其次,对传统的OAO-RVM模型进行简化,改进为新的OAORVM多模式分类模型;最后,利用滚动轴承试验台的振动数据对设计方法进行了验证。结果表明,设计的诊断方法在识别的准确率及算法计算效率方面均比传统的支持向量机诊断方法好。     

基于分形和小波包理论的滚动轴承故障诊断

为了提高滚动轴承故障分形诊断的准确性,利用仿真信号对不同数据长度和不同信噪比下信号的盒维数和关联维数的差异进行对比,发现两种分形维对不同信号具有不同适应性;利用基于小波包分解能量图的特征信号强化技术,突出含噪轴承振动信号的故障信息特征,并对消噪前后振动信号盒维数进行计算和对比。分析结果表明,分形盒维数比关联维数更适用于分析含噪较重的信号;滚动轴承故障振动信号盒维数小于正常信号盒维数;相比原始信号,经小波包提取后不同类型故障振动信号的盒维数区分更为明显,诊断结果更加准确直观。