增强组合差分乘积形态学滤波的轴承故障特征提取方法

针对滚动轴承故障信号的非线性、非平稳、强噪声特性导致的常规时频域特征提取方法受限问题,提出一种增强组合差分乘积形态学滤波的轴承故障特征提取方法。在分析数学形态学4种基本运算的正、负冲击脉冲提取特性的基础上,运用级联、差分、乘积构造的一种新的组合差分乘积算子(combination difference multiply operator, CDMO)具备了同时提取正、负冲击脉冲的能力,并发挥梯度乘积运算对脉冲提取更敏感的优势,实现故障信息的充分提取。引入故障特征频率比指标优化CDMO结构元素参数,修正待处理信号的几何特征,提取与结构元素相匹配的信号特征信息。在CDMO滤波的基础上,借助三阶累积量切片谱技术能够抑制高斯噪声、突出二次耦合分量的优势,准确提取故障特征频率及其倍频,增强轴承故障特征提取能力并抑制噪声干扰。依托2种不同来源的工程实际信号并与经典故障特征提取方法对比分析,验证了所提方法的有效性。     

形态滤波在滚动轴承故障声发射信号处理中的应用

滚动轴承的状态监测和故障诊断意义重大.为有效诊断轴承早期的微弱故障,将形态滤波方法用于轴承故障声发射信号的处理,提出采用多尺度形态开闭和闭开组合的滤波器对信号降噪处理,采用闭运算对降噪后的信号进行形态滤波解调得到明显的故障特征频率,并对比故障振动信号和声发射信号的处理效果.研究表明: 形态滤波用于轴承故障声发射信号特征提取效果明显,适用于轴承的状态监测和故障的早期诊断.     

基于TVAR-HMM的滚动轴承故障诊断

针对工况条件下轴承故障振动信号的非平稳特性,分析时变自回归与隐马尔科夫模型的特点,提出了一种基于时变自回归和隐马尔科夫模型的滚动轴承故障诊断方法.振动信号经时变自回归建模后,得到时频分辨率较高、无交叉干扰项的时频谱,基于能量法对时频谱进行特征提取,然后利用隐马尔科夫模型对故障特征统计分类,实现对轴承故障的诊断.轴承信号分析表明,TVAR建模可以有效地提取信号中的故障特征,结合隐马尔科夫模型的动态统计特性可智能识别轴承故障类型,得到良好的诊断效果.     

基于稀疏表示的轴承早期故障特征提取

低速重载机械设备中的滚动轴承由于承受巨大载荷,极易出现内外环故障. 在故障早期阶段,反映故障特征的冲击成分很微弱,极易被噪声覆盖而难以识别. 为准确诊断轴承早期故障,提出基于稀疏表示的故障特征提取方法. 该方法利用K-SVD字典训练算法构造出能准确匹配冲击成分的字典,克服了参数化字典缺乏自适应性的问题;稀疏编码过程中,采用批处理正交匹配追踪算法(batch orthogonal matching pursuit,Batch-OMP)对振动信号进行分解,以逼近信号的峭度值最大原则作为分解结束条件,自适应确定出分解次数;最后,通过对重构的特征成分进行包络谱分析得出故障类型. 对仿真信号和轴承振动信号进行故障特征提取,结果表明所提方法能准确提取出冲击成分,验证了其有效性和实用性.      

基于VMD-TEO窗和DBiLSTM的早期轴承故障诊断

针对现代滚动轴承早期故障监测因数据量增大所带来的诊断困难问题,提出了基于变分模态分解(VMD)与TEO窗特征提取的深层双向长短记忆神经网络(DBiLSTM)轴承故障诊断方法。首先,利用改进果蝇算法优化的VMD-TEO窗函数,提取轴承振动信号的瞬时能量特征,构造具有时序特性的特征矩阵;其次,利用训练集对DBiLSTM模型进行学习以确定模型参数;最后,用测试集对模型进行验证,输出轴承状态识别结果。试验采用凯西西楚大学轴承故障数据集,结果表明:该方法在处理数据量较大的滚动轴承故障诊断问题时,能有效地对多种故障类型,不同损伤等级的滚动轴承振动信号进行识别。     

基于形态滤波优化算法的滚动轴承故障特征提取方法

针对轴承故障振动信号的非线性、非平稳性的特点,而且故障信号经常被各种噪声、干扰所淹没,提出了一种基于局部均值分解(local mean decomposition,LMD)与自适应多结构元素多尺寸差值形态滤波器相结合的方法。原始故障信号先经过局部均值分解得到若干乘积函数(product function,PF)分量,然后采用峭度值准则,选取峭度值最大的PF分量,再将其经过自适应多结构元素多尺寸差值形态滤波器进行滤波解调,最后解调结果进行频谱分析,提取故障特征。为了体现其可行性和优越性,与包络解调、LMD-形态闭运算和LMD-形态差值滤波三种方法进行了比较,仿真信号和实测轴承故障信号的分析结果表明,它具有更强的噪声抑制和脉冲提取能力,可以有效地提取滚动轴承故障特征信息,实现故障的精确诊断。     

自适应广义形态滤波和GG聚类在轴承故障识别中的应用研究

针对复杂工况下滚动轴承受机械噪声等因素影响轴承故障类型区分难的问题,提出了一种基于自适应广义形态滤波和GG聚类的轴承故障诊断方法。采用自适应广义形态滤波对轴承振动信号进行降噪处理,对降噪后的信号进行变模式分解,去除虚假分量和噪声分量,最后对去噪后故障特征较多的信号分量求解近似熵,作为特征向量输入GG聚类分类器中,达到故障分类。仿真实验结果证明该方法能有效提取信号特征信息,准确识别故障类型。     

基于数学形态学与PNN的螺杆泵井故障诊断

针对螺杆泵井泵功图图形信息一直没有得到充分利用,在一定程度上影响诊断技术的推广和利用的问题,研究直接提取泵功图状态参数形状特征信息的方法,提出基于数学形态学的泵功图图形特征提取方法。采用开闭组合的数学形态学算子实现泵功图边缘纹理特征提取,对提取的特征数字化后,使用PNN(概率神经网络)进行故障识别。实际应用证明,识别准确率达到90%以上。     

基于Canny算子和数学形态学的细胞边缘检测方法

提出了一种基于Canny算子和数学形态学的肉类细胞图像的边缘提取方法.制作了猪肉自然放置过程中各个时段的切片样本,先用Canny算子对0小时切片图像进行细胞边缘的提取,再根据数学形态学方法采用结构元素探针进行膨胀运算,对断裂的边缘和细胞内的孔隙进行填充,然后进行平滑处理.实验结果表明,该方法优于单纯基于微分算子的Canny算子边缘检测方法,为细胞切片图像的特征提取、识别等相关研究奠定了较好的基础.     

全方位加权自适应形态滤波的井下电视套损图像去噪算法

在传统的数学形态学滤波基础上,引入全方位形态学结构元素,通过自适应形态学运算的加权组合,提出了一种全方位加权自适应组合形态滤波,对低光照条件下获取的井下电视套损图像进行滤波处理.实验表明,针对噪声主要为高斯白噪声的井下电视套损图像,通过与传统开闭和闭开形态学滤波以及中值滤波对比分析,该方法有效地去除了井下电视套损检测图像的噪声,改善了图像的视觉效果,从而提高了后期图像数字化定量解释的精确度.     

谐波小波样本熵与HMM模型的轴承故障模式识别

根据谐波小波分解非平稳振动信号优良特性与隐马尔科夫(HMM)模型的时序模式分类能力,提出了一种基于谐波小波样本熵与HMM模型结合的轴承故障模式识别方法.该方法首先利用谐波小波对轴承各个状态故障信号进行分解,进而由谐波小波三维时频网格图的频率层数特征计算合理的样本熵维数和阈值,依次提取轴承振动信号各层的样本熵构成特征向量序列;然后将序列前120组输入HMM模型中进行训练得到对应故障模型,剩余80组进行测试与识别,通过对比对数似然估计概率输出值确定轴承故障类型.实验通过与BP和RBF神经网络模型进行不同训练组数的正确识别率对比,验证了该组合方法具有识别准确率高,稳定性强的优点.     

自适应多尺度形态学分析及其在轴承故障诊断中的应用

为解决强背景信号下冲击特征的提取问题,提出了一种自适应多尺度形态学分析方法.对于实际的待分析信号,分别定义长度尺度和高度尺度来确定多尺度形态学分析的结构元素,并基于信号的局部峰值实现自适应多尺度形态学分析.数值仿真实验分析表明,自适应多尺度形态学分析方法较单尺度形态学分析方法更利于提取信号的形态特征,避免了单尺度形态学分析在结构元素选择时的盲目性和对相关先验知识的依赖性.本文所提出的方法应用于轴承故障诊断,结果表明这种方法可以清晰地提取出各种特征信号.     

基于故障敏感分量和改进K近邻分类器的故障状态识别

针对故障状态下的滚动轴承振动信号非线性非平稳性强、噪声干扰大导致的故障敏感特征提取难的问题,在对轴承振动信号进行局域均值分解（local mean decomposition,LMD）的基础上,提出了一种基于故障敏感分量的特征提取与改进K近邻分类器（K-nearest neighbor classifier,KNNC）的故障状态辨识方法。该方法采用相关系数法对LMD分解出的振动分量进行故障敏感性的量化表征,然后对筛选出的信号分量进行时域/频域的特征提取,构建不同故障状态下的特征样本集。为加快故障状态识别速度,排除不良样本的影响,提出一种基于二分K均值聚类的改进KNNC算法,精简了大容量的训练样本,有效去除不良特征样本和干扰点。实验结果表明,以敏感分量特征作为输入的改进KNNC算法能够快速准确地识别轴承不同故障状态。     

基于数学形态学分形理论与PNN的轴承状态监测与故障诊断

针对滚动轴承状态监测实时性差、故障诊断准确率低的问题,提出一种基于改进局部均值分解（ILMD）和数学形态学分形理论的特征提取算法,并结合概率神经网络（PNN）完成对轴承状态的智能化识别分类.该算法首先通过ILMD分解轴承原始振动信号,选取相关性系数最大的两阶分量,求取其分形维数作为特征向量;其次,结合盒维数理论,将“形态学覆盖面积”作为第三维特征向量,同时构建起三维特征矩阵;最后将特征矩阵输入PNN以完成状态的识别分类.使用西储大学实测轴承数据验证算法,结果表明,该算法不仅能够精确识别不同状态的轴承,还能有效分类同种故障下不同损伤程度的轴承状态,平均识别率超过99.6%,平均识别时间0.21s.     

基于核主元分析的滚动轴承故障混合域特征提取方法

为有效利用时域、频域、时-频域中各类具有显著类别差异信息的非平稳统计特征,提高滚动轴承状态监测和故障诊断的性能和效率,提出一种基于核主元分析的混合域特征提取方法.通过对原始信号分别生成时域、频域状态特征,并利用多分辨率小波分解生成时-频域状态特征,构建出144个表征原始振动信号特征的混合域特征集.采用核主元分析方法对其中能敏感地反映故障特性的特征进行二次非线性特征提取,按累计贡献率大于90％的标准,选取前11个核主元作为主要特征量,将其输入支持向量机分类器进行状态识别.仿真结果表明:混合域特征集比单个特征、单域特征能更全面准确地反映故障特性,核主元分析方法能有效降低输入特征维数,并确保输出特征具有较高的反映轴承运行状态的敏感性和适于模式识别的可分性;与通常使用的基于小波分解的特征提取方法相比,本文方法能更加准确有效地提取不同运行条件下滚动轴承不同类型不同程度的故障特征.     

基于LMD和FCM的滚动轴承故障诊断方法

滚动轴承振动信号具有非线性、非平稳性,轴承故障发展具有渐变模糊性。因此,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)和模糊C均值聚类(Fuzzy C-means Clustering,FCM)相结合的轴承故障诊断方法。应用此方法对轴承外圈故障、内圈故障以及滚动体故障进行诊断,结果表明该方法可以有效地对轴承故障类型进行识别。     

基于抗噪多核卷积神经网络的轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于抗噪多核卷积神经网络（anti-noise multi-core convolutional neural network,AMCNN）的轴承故障识别新方法。首先,对滚动轴承振动信号进行预处理,得到数据样本,分为训练集和测试集;然后建立轴承寿命状态识别模型,将标签化的训练集数据样本输入AMCNN中进行训练;最后,将训练后的AMCNN模型应用于测试集,输出故障识别结果。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理;为提高模型抗干扰能力,将dropout层作为AMCNN的第一层。运用轴承实验数据对识别模型进行检验,通过对比验证,结果表明所提出的识别方法在高噪声环境下能更准确地实现轴承故障状态识别。     

云模型和集成极限学习机相结合的滚动轴承故障诊断方法

针对轴承振动信号的不确定性和非平稳性以及BP神经网络学习算法收敛速度慢、稳定性差等问题,提出了基于云模型和集成极限学习机的滚动轴承故障模式识别方法.将经预处理之后的信号进行云化,产生滚动轴承在不同状态下的信号云;提取出决定信号云分布的期望、熵和超熵三个参数作为表征轴承状态的特征量并依此构造出原始的轴承状态数据集;再将故障特征数据集经归一化处理后送入集成极限学习机进行识别.研究结果表明:云-集成极限学习机方法可以有效地实现轴承故障模式识别,与传统神经网络识别方法相比,该方法拥有更高的识别准确率和稳定性,并且集成极限学习机在抗噪性方面有较好的表现.     

采用参数自适应最大相关峭度解卷积的滚动轴承故障特征提取

针对滚动轴承故障特征信号因受传输路径和强噪声的干扰而导致周期性故障脉冲难以提取以及最大相关峭度解卷积(MCKD)参数依赖人为经验选择的问题，提出一种参数自适应MCKD的滚动轴承故障特征提取方法。以解卷积信号的包络谱熵作为适应度函数，利用麻雀搜索算法强大的全局搜索能力自适应地选择MKCD方法的最佳参数组合；利用参数优化后的MCKD方法对故障信号进行解卷积运算，滤除掉信号中的噪声，以突显由轴承故障激发的周期性故障脉冲；对解卷积信号进行包络解调，以提取出轴承故障特征频率成分。仿真结果表明，与遗传算法和粒子群算法相比，采用麻雀搜索算法可使MCKD参数在优化中具有更快的收敛速度和更强的稳定性。对滚动轴承进行全寿命周期实验及对工程案例的实验结果表明：所提方法能自适应提取强噪声中的轴承周期性故障脉冲成分，信号的峭度提高了3倍，鲁棒性更强；与直接谱分析和快速谱峭度方法相比，所提方法能完整提取信号中的故障特征频率成分，成功率可达100%,有效提高了滚动轴承的故障诊断精度。     

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。