基于小波包相关频带谱能量熵的滚动轴承性能退化评估方法

滚动轴承在使用过程中会经历不同的性能退化状态。提出小波包相关频带谱能量熵以评估滚动轴承初始性能退化程度。以滚动轴承全寿命周期数据为支撑,对数据进行小波包分解,并利用相关系数法提取包含主要故障信息的时频分量,然后沿时间轴计算各频带幅值谱,再计算谱能量熵。通过实验与时域典型指标均方根值（RMS）,以及小波包频带幅值谱熵和小波包频带谱能量熵评估指标进行对比,验证了所提方法在滚动轴承性能退化评估中,对初始故障的评估具有一定的优越性。     

采用符号时间序列分析的轴承早期微弱故障预警

针对轴承早期磨损故障预警难的问题,提出了一种采用符号时间序列分析的轴承早期微弱故障预警方法。首先对轴承振动信号进行相空间重构,其次利用聚类的思想对相空间进行分割,对分割的子区间赋予唯一的符号,从而将振动信号转化为符号时间序列,最后通过Lempel-Ziv复杂度对符号时间序列进行定量分析。以Duffing方程为研究对象,验证了该方法对于动力学结构表征的精确性,表征精度可达95.85%;与常规的符号时间序列分析方法相比,所提方法对动力学结构表征精度更高。利用该算法对于动力学结构变化的敏感性特点,将其应用于轴承状态监控中,试验结果显示算法可以发现轴承早期微弱磨损故障并实现全寿命性能衰退的监控。     

滚动轴承性能退化过程振动特性研究

基于6205轴承开展滚动轴承性能退化规律研究。首先设计数据采集系统记录振动加速度信号,采用疲劳加速度寿命试验方案,经592小时试验获得6套轴承性能退化过程数据。然后分析振动信号常用时域参数特征,结果表明时域参量在性能退化过程具有相同的规律趋势,并将故障过程定义为早期故障、中度故障、严重故障、预警和性能失效五个阶段。最后,基于振动加速度信号特征分析了性能退化过程的故障发展规律及其特性。研究结果能用于滚动轴承性能退化评价,也能为设备主动维护提供决策依据。     

随机矩阵理论和主成分分析融合的滚动轴承性能退化评估方法

为解决传统特征提取方法处理轴承高维监测数据时会造成部分有用信息损失及现有轴承性能退化状态指标难以精确表征实际运行状态的问题,提出了一种随机矩阵理论(RMT)和主成分分析(PCA)相融合的滚动轴承性能退化评估方法(RMT-PCA)。首先,通过平移时间窗对滚动轴承监测数据进行信息锁定,并构造出随机矩阵模型;其次,利用随机矩阵理论中的单环定理及M-P定律进行矩阵特征分解与提取,构造出14个特征指标;最后,基于PCA算法对多个特征指标进行融合,提取贡献率较大的主成分构造出融合特征指标用于轴承性能退化评估。采用美国IMS轴承全寿命数据进行实验研究,结果表明:与基于最大最小特征值之比指标的异常检测算法相比,RMTPCA方法可提前12.5h检测出轴承的早期异常;与分层狄利克雷过程-连续隐马尔可夫模型相比,RMT-PCA方法在对早期异常点和严重故障点的检测结果与前者基本相同,但其融合指标能够更清晰地反映出轴承在中期和严重退化阶段"愈合现象"的发生。     

基于双自适应滑动时间窗滚动轴承故障预测模型

针对传统方法和基于神经网络方法在滚动轴承故障预测中存在的问题,提出一种双自适应滑动时间窗故障预测模型。首先,通过设置能够去除相关性的状态估计非线性算子,将滚动轴承振动信号映射为能够表征其退化状态的故障特征—故障程度指标DR。其次,以损失函数为判据,设置模型参数自适应更新机制,以及建立能够自适应选取数据长度的滑动时间窗口。最后,通过西安交通大学发布的滚动轴承全寿命周期数据,模拟实际中突发性故障和渐发性故障综合作用下的故障发生情况,验证了所提出的故障预测模型的有效性。实验结果表明,提出的预测模型能够准确判断滚动轴承退化阶段的开始时刻和故障时刻,真实反映滚动轴承性能退化的趋势,预测误差仅为0.068%,预测时间仅占2次故障间隔时间的1.385%,满足复杂工况下滚动轴承故障预测的需求。     

利用非线性流形学习的轴承早期故障特征提取方法

针对早期故障微弱特征难以提取的问题,提出了一种基于非线性流形学习的滚动轴承早期故障特征提取方法.在由时域指标和小波频带能量组成的原始特征空间中,结合局部切空间排列学习算法的特点,采用散布矩阵分类测度指标,实现了局部邻域的优化选取,从而提取出最优的敏感故障特征.通过实例应用,表明该方法有效地克服了主分量分析和非线性核主分量分析方法的不足,提取的融合特征敏感性更好,从而提高了故障模式的分类性能,实现了轴承的早期故障诊断.     

基于退化检测和优化粒子滤波的轴承寿命预测方法

轴承广泛应用于各种机械设备中,为避免轴承突然损坏而导致设备故障,应有效预测其剩余使用寿命,因此提出一种基于自适应退化检测和粒子群优化粒子滤波(particle swarm optimization-particle filter,PSO-PF)算法的轴承寿命预测方法.首先,从轴承振动信号中提取候选特征,并对候选特征进行筛选,将优选的特征进行加权融合构建退化指标.然后引入自适应退化检测法确定首次预测时刻.最后引入粒子群优化算法对粒子滤波的重要性采样过程进行改进,使用优化粒子滤波算法从检测到的首次预测时刻开始对轴承进行剩余寿命预测.轴承全寿命实验验证,该方法能够有效预测轴承剩余寿命,并且与常规粒子滤波算法相比具有更高的预测精度.     

采用EEMD-KPCA处理的IHHO-LSSVM滚动轴承寿命预测模型

为提高滚动轴承剩余寿命预测精度,提出一种基于集合经验模态分解-核主成分分析(EEMD-KPCA)和改进的哈里斯鹰优化-最小二乘支持向量机(IHHO-LSSVM)的滚动轴承剩余寿命预测模型.首先,使用集合经验模态分解方法对原信号进行分解,根据相关系数和峭度值选取合适的本征模态函数进行重构;然后,提取时域、频域、小波包能量谱等指标,并用核主成分分析,选取累计贡献率大于85%的主成分作为轴承退化性能指标;建立最小二乘支持向量机寿命预测模型,针对模型参数,提出一种改进的哈里斯鹰优化算法,并在新算法基础上设计新的能量周期性递减调控机制.采用轴承全寿命实验数据进行验证,结果表明:该方法提取的轴承性能评估指标能够更全面地表征轴承性能退化情况,建立的模型具有良好的预测效果.     

基于分数阶混沌系统的风力机叶片微弱间歇故障幅值检测

针对风力发电机的特殊工况导致其叶片微弱间歇故障成长检测困难的问题,提出了一种基于分数阶混沌系统的微弱间歇故障幅值变化检测方法.给出了混沌系统相态判别方法,阐述了庞加莱密度峰值算法(PSDPA)原理和流程,构建了间歇故障成熟度函数(IFDF).采集了风机叶片径向和轴向轻微裂纹处的振动信号,并用PSDPA和IFDF分析了风机叶片径向和轴向微弱间歇故障的幅值变化.结果表明:通过PSDPA算法可以实现混沌系统的快速相态判别,采用IFDF曲线可以直观表征间歇故障成长趋势,揭示了一种微弱间歇故障成长为永久性故障的发展历程.     

主分量分析和隐马尔科夫模型结合的轴承监测诊断方法

为了快速识别轴承的故障模式以及性能退化状态,提出了一种基于主分量分析和隐马尔科夫模型的轴承监测诊断方法。该方法首先提取了轴承振动信号的混合域故障特征集,使用主分量分析对混合域故障特征集降维,然后使用降维后的特征训练隐马尔科夫模型,最后用降维后的测试样本测试模型的性能,根据隐马尔科夫模型输出的对数似然概率,确定轴承故障模式以及轴承的性能退化状态。开展了不同状态滚动轴承振动测试实验,数据分析结果表明,提出的方法诊断准确率均能达到100%,相比基于补偿距离选择特征降维及隐马尔科夫模型诊断方法,最高将分类离散度提高123.74%,并且在轴承的性能退化实验中,提出的方法能在故障早期给出故障预警,证明了该方法的有效性和准确性。     

基于EEMD-SVD与时域分析的马田系统轴承故障诊断

针对轴承初始故障发生的时间点以及退化趋势,提出了基于总体平均经验模式分解和奇异值分解方法(EEMD-SVD)与时域分析的马田系统故障诊断方法.该方法通过提取振动信号时域和时频特征,构建不同特征参数下的基准空间并利用正交表对特征参数进行降维和优化,最终融合成单一特征参数马氏距离.分别用马氏距离监测轴承运行状态,判断初始故障发生的时刻以及演化趋势,并依据马氏距离对轴承故障发展的过程进行了划分.该方法有效地提取了振动信号时频特征并优化了马田系统基准空间,更加准确地识别了轴承初始故障发生的时间点以及更加合理地划分了轴承的退化过程.通过两组滚动轴承加速寿命试验,验证了该方法的有效性和合理性.     

基于小波包熵的轴承状态监测和早期故障诊断技术

滚动轴承是旋转机械中最常用的轴承之一。但其早期故障诊断仍是亟待解决的问题。研究旨在通过基于小波包熵的状态监测技术提早发现轴承的早期故障,进而利用最小二乘支持向量机(LS-SVM)精确诊断轴承的故障类型。利用加速轴承寿命试验台的轴承全寿命数据和故障轴承数据验证了方法的有效性和实用性。结果表明,相比传统监测指标,小波包熵有较好的早期预警能力;结合小波相对能量指标,LS-SVM能快速有效地诊断滚动轴承早期故障。     

采用改进回归型支持向量机的滚动轴承剩余寿命预测方法

为准确评估滚动轴承运行状态、预测其性能退化趋势以及剩余寿命,提出一种改进回归型支持向量机(SVR)的滚动轴承寿命预测方法。提取轴承信号的时域和时频域特征,通过主成分分析(PCA)方法将特征指标融合成一个归一化综合指标来表征轴承运行状态;利用特征指标和综合指标构建训练和预测向量数据集,结合差分进化灰狼群算法(DEGWO)确定最优惩罚参数和径向基函数(RBF)核参数并构建回归型支持向量机模型;将预测数据集输入到DEGWO算法优化的SVR模型中得到轴承状态评估指标的预测值,实现轴承剩余寿命的预测。利用IEEE PHM 2012数据集验证所提方法的有效性,并将其结果与灰狼群算法(GWO)优化的SVR、网格搜索算法(GSA)优化的SVR和长短期记忆神经网络(LSTM)模型所得结果进行对比分析。仿真结果表明：与其他方法相比,采用所提方法得到的轴承剩余寿命预测均方误差分别降低了44.74%、66.67%、77.27%,决定系数则分别提高了7.25%、20.72%、11.94%,该结果说明了所提方法在轴承剩余寿命预测应用方面的优越性。     

采用概率主成分分析的回转支承寿命状态识别

针对回转支承故障特征微弱以及难以提取的特点,提出一种基于概率主成分分析(probabilistic principal component analysis,PPCA)的多领域特征提取方法。该方法从振动信号的时域和时频域中提取出多个能够表征回转支承运行状态的特征向量,并将其组成高维特征集。采用PPCA从高维特征集中提取出最能够反映回转支承寿命状态信息的特征量,将其输入粒子群算法优化的支持向量机中进行寿命状态的识别。通过回转支承全寿命实验证明,基于PPCA的特征提取方法优于传统的主成分分析(principal component analysis,PCA),其相应的寿命状态识别精度提高了约8%,并且多领域、多变量的特征更能全面反映回转支承的性能退化趋势。与传统的特征提取方法相比,所提方法能够更全面有效地反映复杂恶劣环境下回转支承的故障信息,因此可以用于回转支承的健康监测领域。     

基于差分振子与欧氏距离的微弱未知信号检测方法研究

针对噪声很大,并且具有非高斯、非平稳、非线性特征的轴承微弱故障信号,提出了基于差分振子结合欧氏距离检测微弱故障的方法,通过构造差分振子微弱信号检测器,结合欧氏距离定量识别出未知信号的频域信息和幅值信息,该方法很直观地证实了系统参数对检测信号的影响,将该方法用在提升机的轴承故障实例中,证实了该方法能够成功地提取出故障频率。     

基于动态长短期记忆网络的设备性能退化预测方法

针对目前基于数据驱动的旋转机械退化状态预测中时序列信息考虑不充分、寿命标签制定不合理、退化模型累计误差大等问题，提出一种融合趋势滤波、模糊信息粒化、动态长短期记忆网络（LSTM）的旋转机械退化趋势与退化区间预测方法。以振动信号为例，首先提取表达设备退化信息的特征指标，然后通过趋势滤波与模糊信息粒化提取主要退化趋势与模糊退化边界，其次利用动态LSTM进行综合性能退化预测；最后，利用网络公开的轴承训练数据集验证了本文方法的可行性与有效性。     

基于GLNPE-SVDD的滚动轴承性能退化评估方法

针对滚动轴承退化指标提取方法中存在退化指标提取不全面的问题,提出一种考虑全局和局部的领域保持嵌入式(GLNPE)与支持向量机描述(SVDD)相结合的退化指标提取方法.通过在局部保持领域保持嵌入(NPE)方法中引入保持最大方差的全局结构目标函数,建立最大方差保持和最小领域保持的全局-局部最大目标函数,实现振动信号原始性能退化特征的全局-局部特征提取,并结合SVDD实现滚动轴承性能退化指标的提取和性能退化评估.利用辛辛那提全寿命实验数据验证了该方法的有效性.与最近相关文献和局部、全局方法相比,所提方法的早期故障监测和退化评估性能更优.     

二阶随机共振系统的冲击信号检测

为解决单一峭度指标度量冲击信号出现漏检的问题,提出了一种基于特征系数的二阶欠阻尼随机共振冲击信号检测(CCSR)方法。由于相似度可以定量地表征两个信号的相似程度,故将峭度与相似度结合,构造出新的特征系数指标;然后以特征系数为目标函数,根据网格搜索算法自适应地寻找系统参数,当目标函数取最大值时此参数为最佳参数;最后采用CWRU轴承数据进行轴承内圈故障诊断。仿真结果与实际检测结果表明,CCSR方法能够有效地检测出目标信号,实现轴承内圈磨损故障的精确诊断;在相同条件下,采用特征系数度量冲击信号比峭度检测效果提高了约20%。     

基于遗传程序设计的回转支承寿命状态识别

针对回转支承低转速、故障信号微弱的特点,提出了一种遗传程序(GP)设计的方法对其寿命状态进行准确的识别。为保证回转支承运转信息的完整性,该方法从不同领域提取了多个特征指标组成特征向量矩阵。以模型的性能和复杂度为衡量指标,从遗传程序设计建立的模型中选择出最佳模型,再将测试样本输入模型实现对回转支承寿命状态的识别。利用自主研发的回转支承综合性能实验台对某型号的回转支承进行了全寿命疲劳实验,实验结果表明,所提出的方法能够准确地识别出回转支承的寿命状态,为实时维修奠定了基础。     

采用时间序列突变点检测的滚动轴承性能退化评价方法

以滚动轴承为研究对象,根据性能退化曲线的现实意义定义了对性能退化特征提取具有指导意义的评价方法,该方法由初始退化点、初始敏感性、失效突变性和趋势一致性4个指标构成,并根据性能退化曲线的物理特性设计了性能退化特征评价的定量化指标;利用时间序列线性化突变点检测的方法给出了评价指标的计算过程,为性能退化特征的选取提供了更为直观的依据。使用国际通用的Swiss数据集进行验证,实验结果表明该评价方法可以全面评价各个性能退化特征对性能退化过程的表征效果。为了更好地保持原始高维数据的空间位置关系,提出了基于邻域参数自适应选取的局部线性嵌入(LLE)算法,通过自适应局部权值向量来保存高维空间数据的局部线性结构,将多个局部线性进行叠加来不断地逼近全局的非线性,有效提高直接使用高维数据反映原始状态性能的可靠性和稳定性。使用滚动轴承加速寿命试验数据,对比邻域参数自适应LLE算法和常规LLE算法所提取的性能退化特征,验证了邻域参数自适应LLE算法可以保留更多原始高维数据的信息。