模式分析的核函数设计方法及应用

利用卷积算子和H1(R)核函数给出了一种设计Hn(R)核函数的新方法,该方法简便易行。运用该方法设计的核函数,应用在轴承正常振动信号数据、轴承内圈、外圈以及滚动体故障振动信号数据进行核主成分分析(KPCA)中,仿真结果表明:该方法可以有效地识别轴承正常和内圈、外圈以及滚动体故障。     

经验正交函数分析在轴承故障诊断中的应用

利用CWRU(the Case Western Reserve University Bearing Data Center)数据,运用经验正交函数方法,给出了滚动轴承在测试台基座、电机驱动端、风扇端不同空间上振动信号与主成分的相关系数分布图,分析了分布图与正常轴承、内圈、外圈及滚动体故障轴承的关系.仿真结果显示:采用这种分析方法能够直观地诊断出滚动轴承的健康状态.     

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。     

轮轨激励条件下轴箱轴承内圈故障振动特性分析

高速列车运行过程中，轮轨复杂激励会对轴箱轴承的动力学行为产生不可忽视的影响.首先利用UM(universal mechanism)软件建立车辆-轨道动力学模型，在对车辆模型进行稳定性、平稳性和安全性验证的基础上，获取了复杂激励下轴箱轴承所受的垂向、纵向和横向载荷；然后，通过Solidworks软件和ADAMS软件建立了轴箱轴承内圈剥离故障动力学模型，通过与滚振实验台轴箱轴承实验对比，验证了所提模型的准确性.通过动力学仿真分析可知，轴箱轴承故障侧的滚子与内圈接触载荷大于非故障侧与正常轴承，故障侧保持架的振动大于非故障侧与正常轴承，内圈故障冲击加剧了轴承保持架与外圈的质心波动.最后，进一步对比考虑轮轨激励下与定载荷下故障轴承仿真结果发现，受轮轨激励的影响轴承内部各个元件间的接触载荷显著增大，轴承保持架与外圈质心运动轨迹盒维数显著增大.研究成果对揭示实际工况下高速动车组轴箱轴承内部元件振动特性规律具有重要意义.     

基于多维缩放和随机森林的轴承故障诊断方法

为快速准确识别轴承的运行状态,提出了一种基于多维缩放和随机森林的轴承故障诊断方法。该方法采用函数型数据分析,得到轴承振动信号自相关函数的拟合系数,构造故障特征集;使用网格搜索法优化随机森林参数,得到特征重要性排序;然后使用多维缩放方法对特征选择后的故障特征集进行降维;最后采用随机森林对降维后的故障特征进行诊断识别。为验证所提方法的有效性,开展了正常、内圈故障、外圈故障、滚子故障状态下的轴承振动实验,结果表明,函数型数据分析的特征提取方式能有效表征不同状态轴承振动信号的不同特征,与t分布随机邻域嵌入和主分量分析方法相比,多维缩放方法具有更高的类间距和类内距的比值,且优势明显,各类状态的诊断准确率均高达100%,较使用原始特征集的随机森林平均准确率提高了5%。     

SVM与PSO相结合的电机轴承故障诊断

针对电机轴承故障问题,提出一种基于支持向量机(SVM,support vector machine)与粒子群优化(PSO,particle swarm optimization)相结合的电机轴承故障诊断方法。结合振动信号的时域与小波包能量特征,使表征振动信号的特征具有较好的可靠性和敏感性,提高了故障的诊断准确率。采用PSO算法对SVM的惩罚参数和径向基核函数参数进行寻优,并与其它参数寻优算法进行比较分析。实验表明,研究提出的轴承故障诊断方法不仅对电机轴承的外圈故障、内圈故障和滚珠故障有很好的识别效果,而且还对每一类故障的严重程度有较好的区分,具有较强的实用性。     

基于PCA-VNWOA-LSSVM的感应电机轴承故障诊断

轴承作为感应电机的关键部件，其运行状态直接影响船舶电力拖动系统安全。为解决船舶感应电机轴承故障诊断难题，本文提出一种基于PCA-VNWOA-LSSVM的故障诊断模型。选用美国凯斯西储大学轴承振动数据，利用离散小波分解(discrete wavelet transformation, DWT)从振动信号中提取内圈、外圈和滚动体故障特征，按不同故障类型和直径进行分组、主成分分析(principal component analysis,PCA)降维，结合改进的鲸鱼优化算法(von neumann whale optimization algorithm, VNWOA)对最小二乘支持向量机(least squares support vector machine, LSSVM)初始参数δ 2和γ寻优，搭建其故障识别模型，最后将遗传算法(genetic algorithm, GA)和粒子群算法(particle swarm optimization, PSO)的寻优诊断结果与之对比。结果表明：基于PCA-VNWOA-LSSVM的模型故障诊断精度高，且具有良好的稳定性及诊断速度。     

基于噪声小波包络谱的主轴承磨损故障诊断

传统的基于振动信号的内燃机主轴承磨损故障诊断中安装传感器以及提取故障特征频率很繁琐,为此,提出了基于噪声和正交小波监测往复式活塞发动机滑动主轴承磨损故障的一种新方法.利用Symlets小波分析将测得的机体噪声信号变换到时频域,得到含有内燃机主轴承间隙磨损状态的时频信息.主轴承磨损故障会使机体噪声信号的高频成分增加,而且高频滤波成分特征与内燃机的冲击过程相对应,所以,需选择合适的高频带加以提取并进行包络谱分析.通过声级计测取了代表主轴承4类间隙磨损程度的噪声信号,发现2个特征频率处的能量对间隙磨损状态比较敏感,均随着磨损量的增加而增加.通过该方法,可利用机体噪声信号监测主轴承的磨损状态.     

基于包络切片谱和时频谱的轴承故障诊断

为了有效提取轴承故障信号的故障特征以及更好地显示其时频特性,提出了基于局部均值分解(LMD)的包络切片谱分析及时频分布方法。首先,使用LMD对轴承故障信号进行分解得到一组PF分量。然后,对各PF分量的包络信号(瞬时幅值)进行切片谱分析。同时,由PF分量的瞬时频率和瞬时幅值获得各PF分量的时频分布。实测轴承故障信号的LMD包络切片谱分析及时频分布结果表明,LMD包络切片谱可准确获得内圈故障轴承和外圈故障轴承的故障特征频率,LMD时频分布可更直观地显示轴承故障信号的时变瞬时特性,可用于辨别轴承的故障形式。     

基于混沌分形理论的滚动轴承微小故障诊断

为提取轴承微小故障的故障特征,提出一种基于混沌分形理论的滚动轴承故障诊断方法。通过计算滚动轴承振动信号的最大Lyapunov指数,进行轴承运动的混沌识别;然后,对具有混沌特性的振动信号,计算关联维数和盒维数作为故障诊断的状态特征量。当关联维数不能明显区别轴承故障时,利用关联维数与盒维数相结合的方法判别故障;最后,选取滚动轴承滚动体、内圈、外圈存在微小故障和较明显故障以及正常状态7种工况的振动信号进行实验。研究结果表明:该方法能准确提取故障特征并完成滚动轴承的微小故障诊断。该方法为滚动轴承故障诊断提供了新的有效途径。     

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.      

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposi-tion,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法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3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural net-work,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.     

基于深度学习和经验模态分解的 双列圆锥滚动轴承故障诊断

双列圆锥滚动轴承在列车走行部应用广泛,由于该类轴承结构比较复杂,传统的故障诊断方法难以识别该类轴承的早期微弱故障.为此,提出基于深度学习的双列圆锥滚动轴承早期微弱故障诊断方法.首先,对轴承的振动信号进行经验模态分解,提取信号的瞬时能量构造特征向量;最后,利用深度学习方法对特征向量进行无监督学习,生成故障诊断分类器,完成故障的分类识别.实验中对某型号双列圆锥滚动轴承的正常状态、内圈故障和外圈故障进行信号分析与故障识别.结果表明,所提方法能有效识别双列圆锥滚动轴承的早期微弱故障,分类准确率达到98%.     

形态分量分析在滚动轴承故障诊断中的应用

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性.     

基于VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法

针对滚动轴承振动信号在强噪声环境下出现非线性、非平稳、强干扰特性,进而导致故障特征难以提取及故障诊断准确率低的问题,提出变分模态分解(VMD)-多尺度排列熵(MPE)-核主元分析(KPCA)特征提取与多分类相关向量机(MRVM)相混合的滚动轴承故障诊断方法.该方法首先通过VMD-MPE进行滚动轴承振动信号的高维故障特征提取,其次对提取的故障特征进行KPCA可视化降维,最后将降维后的故障特征输入可实现不同样本概率输出的MRVM进行滚动轴承故障诊断.通过美国西储大学的滚动轴承故障数据集对该方法的有效性进行验证,结果表明提出的VMD-MPE-KPCA特征提取与MRVM相混合的滚动轴承故障诊断方法能够有效提取和识别滚动轴承故障特征,所提出的混合智能故障诊断方法与相关文献报道的故障诊断方法相比较,故障识别准确率达到了99.18%.     

含局部故障的滚动轴承动力学建模及振动分析

基于ANSYS/LS-DYNA软件建立了健康圆柱滚子轴承的二维显式有限元模型,并从轴承运动学的角度验证了本文所建有限元模型的有效性.在健康圆柱滚子轴承模型中引入利用圆周矩形模拟的内、外滚道局部剥落故障,建立含局部剥落故障的圆柱滚子轴承有限元模型,分析了故障区边缘单元的等效应力和滚子滚过内外圈局部缺陷的过程.将仿真结果与实验测试结果对比分析,证明了本文所建立的含局部剥落故障的圆柱滚子轴承有限元模型的正确性.在此基础上,研究了局部故障区域平滑程度对滚动轴承振动特性的影响,故障区域越平滑,振动响应越小.研究结果可为滚动轴承故障诊断提供一定参考.     

滚动球轴承损伤故障动力学建模与仿真

基于动力学模型的故障机理研究可深入了解故障出现后滚动轴承的振动响应特征,并可为故障诊断提供依据。构建了滚动球轴承的故障动力学模型,该模型中每个轴承元件(滚球、内圈及外圈)具有6个自由度,且考虑了元件之间的相对滑动和润滑牵引特性以及基座的动力学特性。在对局部损伤进行建模时,完整考虑了损伤出现后由于材料缺失而引入的额外间隙,以及损伤对赫兹接触刚度及接触载荷作用方向的影响,同时在时域和频域对特定故障模式(外圈和内圈分别具有局部表面损伤)下轴承的振动响应问题进行了分析。仿真结果表明,由于动力学模型考虑了滚球和滚道之间的滑动和润滑牵引,因此计算得到的故障特征频率比基于纯滚动和简单运动学假设以及拟静力学的计算值更为精确和合理。利用已有文献的实验结果验证了本模型的正确性。     

352226X2 滚锥轴承内圈松动的声发射诊断

采用声发射技术对铁路货车轴承352226X2内圈松动故障进行检测,以小波包分析方法提取故障信号的能量特征向量,通过对内圈不松动和松动两种情况下能量分布的比较,提取高频带内能量与总能量之比作为特征参数,可有效地诊断内圈松动故障.     

基于小波分析的低速重载轴承故障诊断

从工程应用的角度研究了小波分析的信噪分离技术在低速重载轴承故障诊断中的应用·利用小波分解的多层次多频带特性和小波重构技术,建立了一种简单、精确和实用的低速重载轴承故障小波分析诊断方法·利用这一技术,诊断出其他方法无法诊断的低速重载轴承滚动体和内、外圈发生碰磨故障,检修拆卸时发现,上排滚动体有三个损坏,滚道出现磨损,验证了上述分析的正确性,成功地诊断出了具有低频特征的钢包回转台重载轴承碰磨故障·说明了小波分析用于提取弱信号,即信噪分离的有效性,这种方法可以弥补频谱分析法的不足·