基于小波灰度矩向量与连续马尔可夫模型的轴承故障诊断

根据机械设备故障诊断本质特征和连续马尔可夫模型（cHMM）所具有的较强的时序模式分类能力的特点,提出了一种基于小波灰度矩向量与CHMM的滚动轴承故障诊断方法。从轴承振动信号提取一种量纲一的小波灰度矩向量作为特征参数,并训练几种故障状态的CHMM,再运用训练好的CHMM进行轴承的状态监测与故障模式的识别。诊断与对比实验表明该方法在故障样本少的情况下仍能进行准确训练与诊断。     

滚动轴承故障诊断的一种特征参数选择方法

如何获取轴承状态的特征参数，特别是对早期缺陷明显的特征参数，目前仍是轴承故障诊断的关键。本文基于轴承振动信号频谱在２ｚｆ０频段有较明显谱峰的现象，分析了滚动轴承的振动特征和频谱２ｚｆ０频段含有较多轴承缺陷信息的原因，并以频谱２ｚｆ０频段的特征频率幅值作为特征参数，用神经网络进行了故障模式的识别。实验结果表明，这一特征参数选择方法用于轴承早期故障诊断是有效的     

基于SDP图像与VGG网络的旋转机械转子故障诊断研究

针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。     

基于信息融合的机器人薄壁轴承故障智能诊断

为了实现轴承故障智能诊断,对基于信息融合的机器人薄壁轴承故障智能诊断方法进行研究。首先,采用声发射和振动传感器,搭建了机器人薄壁轴承试验与多信息数据采集系统;然后,以薄壁单列角接触球轴承ZR71820为对象,在轴承外圈、内圈和滚动体上分别制作点蚀、裂纹缺陷,用正交试验法采集不同缺陷类型、不同当量载荷及不同转速状态下薄壁轴承在试验过程中的声发射和振动信号;最后,选取时域中均方根值和峭度指数及频域中均方根频率作为振动、声发射信号的特征参数,分别进行了基于单一振动、声发射信号的薄壁轴承故障诊断,并采用SOM与BP神经网络将试验过程中的振动和声发射信号的特征信息进行融合,研究了基于信息融合的机器人薄壁轴承故障智能诊断技术。结果表明:基于振动信号故障诊断的正确率为85.7%;基于声发射信号故障诊断的正确率为81.0%;基于BP神经网络信息融合故障诊断的正确率为93.5%;基于SOM神经网络信息融合故障诊断的正确率为95.2%。基于SOM神经网络信息融合的薄壁轴承故障智能诊断比单用振动或声发射信号的诊断正确率分别高出9.5%和14.2%,比用BP神经网络信息融合故障诊断的正确率高1.7%。     

基于证据理论的免疫检测器在轴承故障诊断中的应用

针对旋转机械故障诊断的不确定性问题,提出一种基于证据理论的数据融合故障诊断方法,把5种无量纲免疫检测器的敏感因子和信息因子通过D-S联合规则联合多个证据组形成-个新的综合证据组,建立多故障特征信息融合诊断框架,充分利用不同证据体的冗余和互补故障信息,通过对不同轴承故障进行分析,结果表明,此方法能有效地减少诊断的不确定性,提高故障诊断的准确性.     

形态滤波与EEMD在振动筛轴承故障诊断中的应用

轴承故障诊断的关键在于振动信号的前处理与故障特征参数的提取。形态滤波法可以利用特有的数学属性对故障信号进行有效的降噪处理,并突出故障信号的特征参数;同时利用集合平均经验分解对轴承的特有故障特征进行提取。将该振动信号提取方法应用到振动筛等振动机械的轴承故障特征提取中,通过试验表明,该方法可以有效提取振动机械中故障信号的频谱特征,便于工程应用。     

变速器状态监测及故障诊断方法

汽车变速箱是汽车的主要传动部件,准确地监测变速器运行状态和提前预估试验中可能出现的故障,对于产品改进、试验设备及人员安全及其重要。分析变速器各种零件振动信号的特征,建立基于状态监测和故障诊断的分析模型和状态监测方案。该方案可从复合振动信号中分离出齿轮的振动信号、轴不对中故障振动信号和轴承故障振动信号,能有效地诊断变速器内部零件的典型故障。     

基于Hilbert谱奇异值的轴承故障诊断

针对机械故障振动信号时频特征提取问题,提出一种基于Hilbert谱奇异值的特征提取方法,并将其应用于轴承故障诊断。该方法首先利用经验模式分解方法将振动信号分解为若干个内蕴模式函数之和,接着对每个内蕴模式函数进行Hilbert变换得到振动信号的Hilbert谱,然后对Hilbert谱进行奇异值分解,得到反映机械状态特征的奇异值序列,最后利用奇异值作为特征向量,使用支持向量机进行轴承故障诊断。轴承正常、内圈故障、滚动体故障、外圈故障实测信号实验结果表明,该方法能有效地提取轴承故障振动信号特征。

     

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。     

基于局部特征尺度分解与基本尺度熵的轴承故障诊断

为了准确进行轴承故障诊断,提出了基于局部特征尺度分解与基本尺度熵的故障特征提取及诊断方法。首先,分析了基本尺度熵提取轴承振动信号蕴涵的故障信息的合理性,针对基本尺度熵的参数选择问题,提出了基于相空间重构理论的延迟时间和嵌入维数选择方法;然后,运用局部特征尺度分解对基本尺度熵进行自适应多尺度化,充分提取了故障特征;最后,将原始信号的降噪数据及有用分量的基本尺度熵作为特征向量,通过支持向量机进行故障诊断。以轴承振动试验信号为例进行了验证,结果表明,所提方法能有效识别正常、内圈故障、外圈故障及滚动体故障等4种状态。     

基于小波包样本熵的滚动轴承故障特征提取

将样本熵引入故障诊断领域,讨论了样本熵的性能和计算参数的选择.结合小波包分解和样本熵,提出了一种新的滚动轴承故障特征提取方法.首先对轴承振动信号进行小波包分解;然后对归一化能量最大的子带进行重构,计算重构信号的样本熵;最后通过样本熵评价故障状态.滚动轴承故障诊断实例验证了该方法的有效性.     

基于自适应多尺度自互补Top-Hat变换的轴承故障增强检测

针对实际工程中滚动轴承冲击性故障特征难以提取的问题,提出一种自适应多尺度自互补Top-Hat(Adaptive multi-scale self-complementary Top-Hat, AMSTH)变换方法用于轴承故障的增强检测。自互补Top-Hat变换在消除信号中背景噪声的同时,能有效增强故障振动信号的冲击特性,而构造的多尺度自互补Top-Hat变换方法,可以较有效地兼顾抗噪性能和信号的细节保持。在分析形态学滤波的基础上,提出采用特征幅值能量比(Feature amplitude energy radio, FAER)的方法自适应确定最优结构元素的尺度,并应用于轴承的故障增强检测。通过对仿真信号和实测轴承滚动体、内圈故障信号进行分析,结果表明该方法可有效增强滚动轴承的故障检测,并且在运算效率和提取效果方面优于基于信噪比标准的多尺度形态学开-闭和闭-开组合变换方法。     

A new approach to detection of defects in rolling element bearings based on statistical pattern recognition

The paper presents a new approach to the classification of rolling element bearing faults by implementing statistical pattern recognition. Diagnostics of rolling element bearing faults actually represents the problem of pattern classification and recognition, where the key step is feature extraction from the vibration signal. Characterization of each recorded vibration signal is performed by a combination of signal's time-varying statistical parameters and characteristic rolling element bearing fault frequency components obtained through the envelope analysis method. In this way, an 18-dimensional vector of the vibration signal feature is obtained. Dimension reduction of the 18-dimensional feature vectors was performed afterward into two-dimensional vectors representing the training set for the design of parameter classifiers. The classification was performed in two classes, into defective and functional rolling element bearings. Main trait of parameter classifiers is simplicity in their design process, as opposed to classifiers based on neural networks, which employ complex training algorithms.     

基于最大小波奇异谱的轴承故障诊断方法

研究小波奇异谱在轴承故障诊断中的应用问题,针对小波奇异谱熵无法有效实现故障诊断的不足,提出以最大小波奇异谱为特征的轴承故障诊断方法。该方法利用小波变换后的系数矩阵的最大奇异值作为故障诊断特征,并将试验结果与以小波奇异谱熵为特征的方法进行比较。结果表明,该方法在识别性能上有显著提高。试验从小波基、窗口宽度两个层面对该方法的诊断性能进行了分析,证明该方法具有较强的稳定性和鲁棒性。     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

CMWPE结合SaE-ELM的轮对轴承故障诊断方法

针对DF4型内燃机车轮对轴承不同故障状态的判别问题,提出了一种基于复合多尺度加权排列熵(Composit multiscale weighted permutation entropy, CMWPE)和自适应进化极限学习机(Self-adaptive evolutionary extreme learning machine, SaE-ELM)的机车轮对轴承故障识别方法。CMWPE基于复合粗粒化和加权排列熵的思想,能很好地区分信号的不同模式。SaE-ELM通过自适应进化算法对极限学习机的输入权重、隐含层参数和输出权重进行优化,解决了ELM随机选取网络参数的局限性,提高了网络的泛化性能。计算机车轮对轴承不同健康状态下振动信号的CMWPE,利用SaE-ELM识别轴承所属故障类型及故障程度。在机务段的JL-501轴承检测台上采集了7种不同健康状态的轮对轴承试件的振动信号数据。结果表明：CMWPE特征提取效果优于MPE和MWPE;SaE-ELM模式识别效果优于参数不经优化的ELM。所提方法能够有效诊断机车轮对轴承的不同故障,且故障识别率达到100%。     

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。     

Intelligent condition monitoring of a gearbox using artificial neural network

This paper concentrates on a new procedure which experimentally recognises gears and bearings faults of a typical gearbox system using a multi-layer perceptron neural network. Feature vector which is one of the most significant parameters to design an appropriate neural network was innovated by standard deviation of wavelet packet coefficients. The gear conditions were considered to be normal gearbox and slight- and medium-worn and broken-teeth gears faults and a general bearing fault which were five neurons of output layer with the aim of fault detection and identification. A downscaled 2-layer multi-layer perceptron neural-network-based system with great accuracy was designed to carry out the task. In this research, vibration signals were recognised as the most reliable source to extract the feature vector which were synchronised by piecewise cubic hermite interpolation (PCHI) and pre-processed using the standard deviation of wavelet packet coefficients.     

改进VPMCD方法在滚动轴承故障诊断中的应用

针对模式识别新方法VPMCD(variable predictive model based class discriminate)在参数估计过程中存在的缺陷,对VPMCD方法进行了改进,用主成分估计法代替原方法中的最小二乘法进行参数估计,消除了预测变量间存在多重线性相关性的影响,可以获得更加稳定的模型参数,从而提高模式识别的精度。采用局部特征尺度分解(LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取各分量的近似熵组成故障特征向量作为改进VPMCD的输入,以改进VPMCD作为分类器对滚动轴承的工作状态和故障类型进行分类。对正常状态、外圈故障、内圈故障和滚动体故障四种不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明该方法有效。     

基于 ZigBee 无线通信技术的机械主轴轴承振动检测

为了明确当前机械运转过程中可能出现故障的位置和危险程度,提出了基于 ZigBee 无线通信技术的机械主轴轴承振动检测方法。将采集的现场信号转为电信号,使用内核型号为 51 的 CC2430 异步串行端口进行逐字传输,结合 C 语言建立无线传感循环传输通信基站。使用时域指标方式计算峭度指标、裕度指标和有效值,利用结构参数和几何模型提取振动特征频率,针对不同频率下振动信号,使用小波分组和小波重构方程组消除噪声,借助频带运行能值判断当前振动类型。对比实验通过分析小波分解功率值与能值,验证所构模型的自适应能力,结果表明,提出的检测方法从主轴振动频谱入手,能够准确找出故障原因,具有较高的可行性。