滚动轴承微弱故障信号检测的研究

研究了信号局部奇异性在小波变换下的特性.根据故障信号和噪声的局部奇异性在小波变换下模极大值在不同尺度上的传播特性不同的特点,利用小波分解重构算法,对滚动轴承振动信号进行了分解、去噪、重构和谱分析.实验表明,小波减噪方法非常适于滚动轴承微弱故障信号的检测.     

包络—小波分析法用于滚动轴承故障诊断的研究

根据现有的小波理论和滚动轴承的振动特征，提出用傅里叶分析与小波分析相结合的包络－小波分析法，研究了其基本原理和在滚动轴承故障诊断中的实际应用，并给出了诊断实例。     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.     

基于小波变换的信号奇异性检测在滚动轴承故障诊断中的应用研究

在论述了基于小波变换模极大值的信号奇异性检测原理和方法的基础上，将其用于滚动轴承的故障诊断，准确定位故障信号的发生位置，并建立起表征信号奇异性的Lipschitz指数与轴承故障严重程度之间的关系。该诊断方法有着很高的工程应用价值。     

液压泵故障分形诊断方法的自适应小波降噪技术研究

针对液压泵故障分形诊断方法中噪声对关联维数的影响，提出了自适应小波降噪的思路。基于二进正交小波构造原理，构造了正交小波基参数表达方程及降噪效果的自适应日标函数，应用遗传优化方法求出最佳小波基。仿真及实例证明：此方法能提高机械系统的关联维数的准确性。     

基于小波包分析的滚动轴承故障诊断研究

理论分析和实例证明,峭度指标等滚动轴承振动时域统计参量可以判定轴承工作是否正常,但不能给出更多信息。通过小波包分析对振动信号进行分解,并有针对性地对包含有故障特征频率的频段信号进行重构,能有效地滤去各种干扰信号,显示故障特征信息,为滚动轴承的故障诊断提供了一种快速有效的途径。     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征,采用小波包分析对其建立频域能量特征向量,利用径向基函数神经网络完成滚动轴承故障状态的识别.理论和试验证明了该方法的有效性和实用性.     

基于CWT-CNN的离心泵轴承故障识别方法

针对传统的轴承故障诊断方法在面对强噪声和非平稳信号识别时特征提取过度依赖先验知识和专家经验等问题,结合传统的信号处理方法和深度学习算法提出一种基于CWT-CNN的离心泵轴承故障识别方法。连续小波变换(CWT)将原始的1D振动信号转化为故障特征信息更丰富的2D时频图,2D时频图再输入到卷积层完成特征的自动提取,最后SoftMax层完成故障识别。经过西储大学公开轴承数据集和实验室搭建的离心泵振动轴承采集实验台验证,该方法的故障识别准确率均能达到90%以上。     

基于多尺度1DCNN的滚动轴承故障诊断

针对滚动轴承振动信号典型非平稳性、非线性的特点,提出一种基于小波变换(WT)和一维卷积神经网络(1DCNN)的轴承故障诊断多尺度卷积神经网络方法。通过小波变换对信号进行多尺度分解,然后对每个尺度成分进行重构,将重构后的信号进行傅里叶变换得到频谱表示,并将各尺度幅值数据构造成一维特征向量作为一维卷积神经网络的输入。最后利用一维卷积神经网络对输入数据进行特征学习,得到轴承故障诊断模型。利用滚动轴承的10个状态数据集验证其性能。结果表明：该方法可以避免人工提取特征,获得99.94%的诊断准确率。     

改进EWT降噪与快速谱相关的滚动轴承早期故障诊断

针对非线性、强背景噪声下滚动轴承振动信号早期故障特征微弱,难以识别的问题,提出一种改进经验小波变换(EWT)降噪和快速谱相关相结合的滚动轴承早期微弱故障诊断方法。针对EWT频带划分方式受噪声影响较大,存在划分不合理的问题,提出极大值包络处理的划分方式;采用改进的EWT进行自适应信号分解,获得不同的固有模态分量,采用峭度准则筛选出有用模态分量,并进行重构得到降噪后的信号;为增强早期故障信号中的故障冲击周期成分,对降噪后的信号采用快速谱相关(Fast-SC)进行分析,获得平方增强包络谱;对平方包络谱中幅值突出的成分与故障频率进行对比分析,实现早期故障诊断。结果表明：与快速谱分析、改进EWT降噪结合快速谱峭度图相比,所提方法能有效增强早期故障特征频率,实现早期故障的准确诊断。     

MED方法及在滚动轴承故障诊断中的应用

介绍了最小熵解卷积（ Minimum Entropy Deconvolution, MED）的原理和实现步骤,说明了参数选择方法。为有效抑制噪声,增强故障特征信息,提出MED结合包络自相关的方法。通过实验台信号验证了所述方法的有效性及优点。     

基于声发射的滚动轴承故障诊断方法

为诊断低速滚动轴承故障,克服传统振动法诊断时故障信号极其微弱的缺陷。在实验室条件下对各类故障模式滚动轴承进行声信号采集,并对故障轴承声信号进行参量分析和波形分析的基础上,利用撞击数和神经网络技术对滚动轴承进行了故障诊断,提高了低速滚动轴承故障诊断的有效性和准确性。     

基于改进的LMD和总变差的滚动轴承故障诊断

对工业设备中的滚动轴承进行故障诊断时,被测信号经常受到高频噪声和间歇噪声的干扰,导致信号分解和特征提取的精度较低。为解决此问题,提出一种基于总变差降噪（TVD）和改进的局部均值分解（LMD）的方法。采取总变差方法对信号进行降噪处理,选取合适的正则化参数,使得降噪后的信号在具有高信噪比的同时具有较低的均方根误差。对降噪后的信号进行局部均值分解,根据互相关系值和峭度选取最佳的PF分量,进行包络分析,实现对故障特征的提取。对实测信号进行实验验证。结果表明：所提方法可以达到有效的降噪效果,能准确提取复杂振动信号中的故障特征。     

基于全矢谱和Hilbert包络解调的滚动轴承故障诊断

提出一种滚动轴承故障诊断新方法——全矢Hilbert包络解调谱分析。Hilbert变换对于滚动轴承故障信号有良好的调制解调效果,但单依赖传统的单通道信号会产生信息遗漏,对诊断的准确性造成影响,基于同源双通道信息融合的全矢谱技术,能够更加全面、准确地反映设备振动特性。将全矢谱技术与Hilbert解调相结合,并进行滚动轴承外圈故障的诊断实验,证实了全矢Hilbert包络解调谱分析的有效性和先进性。     

基于迁移学习的滚动轴承复合故障诊断研究

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型（TConvNeXt）。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用于滚动轴承故障诊断并且利用Grad-CAM方法进行可视化,分析网络诊断错误起因并对网络进行调整;将训练准确率最高的模型用于滚动轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：TConvNeXt网络模型具有高诊断精度,它不仅在混叠故障诊断中表现突出,在单一故障诊断中也具有优势,能够很好地适应多工况下不同故障类型的滚动轴承故障诊断要求。     

滚动轴承故障信号处理方法与诊断试验研究

分析了滚动轴承故障振动信号的非线性、非平稳性特征,基于经验模态分解法（EMD）在处理此类信号中的优势,研究了滚动轴承故障信号的时频分析处理方法。通过EMD法将滚动轴承故障原始振动信号分解为多个平稳的IMF分量之和;选取前8个IMF能量值作为频域特征并结合时域特征构成故障振动信号特征集合,作为BP神经网络的输入;建立了滚动轴承故障诊断的BP神经网络模型,利用BP网络的自学习机制进行网络训练,得到了输入特征与故障模式之间的映射关系;通过对滚动轴承不同类别的故障诊断试验,验证了该方法的可行性。     

基于现代信号分析的滚动轴承故障诊断的研究

文章利用现代信号分析理论从非线性时频分析(伪Wigner-Ville时频分布)和高阶谱(三阶谱)两方面对滚动轴承故障信号特征的提取加以研究.研究结果表明,伪Wigner-Ville时频分布图能有效地建立故障信息图谱,直观性更强;高阶谱可以很好的检测出非高斯故障信号的信息.     

基于小波分形和神经网络的滚动轴承故障诊断

提出了利用小波分形和神经网络的对滚动轴承故障进行诊断的方法.滚动轴承振动信号具有非平稳性的特征,因此,利用分析非平稳信号的有效工具--小波分析和分形分别提取滚动轴承振动信号故障特征,结合神经网络技术,对滚动轴承故障进行诊断.结果显示,该方法诊断率高,有比较高的实用价值.     

基于SGMD敏感参数和KFCMC的滚动轴承故障诊断方法

针对滚动轴承的内圈和外圈故障诊断问题,提出了一种基于辛几何模态分解(SGMD)、敏感参数和核模糊C均值聚类(KFCMC)相结合的方法。基于SGMD研究了实际测量的液压泵多模态故障振动信号;基于所提出的相似性分析法,将含有丰富运行特征信息的模态分量进行重构,并将其作为数据源;基于数据源提取时域和频域参数,并利用流行学习法筛选出峭度、裕度指标和峰值指标等敏感参数作为特征向量;利用KFCMC实现对内圈和外圈不同故障的诊断。通过对滚动轴承内、外圈故障振动信号的仿真和实测,验证了该方法可以有效地诊断滚动轴承不同故障。     

基于ALIFD模糊熵和GK聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号具有非平稳性及非线性的特点，提出一种基于自适应局部迭代滤波分解（ALIFD）模糊熵和GK聚类的滚动轴承故障诊断方法。首先对滚动轴承故障振动信号进行ALIFD分解，得到若干个本征模态函数（IMF）分量，然后通过相关性分析筛选出前3个包含主要特征信息的IMF分量，并将筛选的IMF分量的模糊熵作为特征向量，最后利用GK聚类对所得的特征向量进行识别分类。将该方法应用于滚动轴承实验数据分析，并使用分类系数和平均模糊熵对分类性能进行评价，结果表明，与基于经验模态分解模糊熵和GK聚类的故障诊断方法进行对比，该方法具有更好的分类性能。