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.     

多重分形去趋势波动分析的振动信号故障诊断

针对基于配分函数的多重分形分析不利于局部标度特性突显的问题,把多重分形去趋势波动分析(MF-DFA)方法引入到振动诊断领域,提出对振动信号进行多重分形谱参数(|B|,α0,Δα和Δf)故障特征分析,并将α0用于故障诊断.首先分析了振动信号的多重分形特性;然后提取振动信号的4种多重分形谱参数特征,并进行了比较;最后用支持向量机算法实现振动故障诊断.研究表明:去除趋势后,振动信号的波动呈现显著多重分形特征,正常状态振动信号的α0明显大于故障状态,而振动信号的|B|,Δα和Δf特征变化规律则不明显;α0作为故障特征量,能有效地区分正常状态与故障状态,有效实现了振动故障诊断.     

基于EMD和自适应STFT的货车滚动轴承故障诊断

提出了一种结合经验模态分解(EMD)和自适应短时傅里叶变换(STFT)的铁路货车滚动轴承故障诊断方法.该方法应用EMD方法把滚动轴承振动信号分解成有限个平稳的内蕴模型函数(IMF);根据滚动轴承故障信号的分布特征,应用以三阶B样条函数作为窗函数、在不同频段自适应选取窗长的自适应STFT对第一个IMF分量进行时频分析和故障信息提取.本文还对197726型货车滚动轴承在外圈剥离、内圈剥离两种故障状态下的振动信号做了分析,结果表明,该方法可以有效地在时频域上获取故障信息,为铁路货车滚动轴承故展诊断提供了一种新的方法.     

一种基于经验模态分解和流形学习的滚动轴承故障诊断方法

提出一种基于经验模态分解(EMD)和流形学习(LTSA)的滚动轴承故障诊断方法。首先,利用EMD对滚动轴承振动信号进行自适应分解,计算IMF分量的协方差矩阵特征值,组成滚动轴承状态原始特征集;然后利用LTSA对原始特征集进一步的融合提取;将所得新特征输入到K-means分类器中进行故障识别与聚类。实验分析结果表明:该方法可以有效地对滚动轴承的工作状态和故障类型进行识别。     

基于多重分形的齿轮故障特征提取方法

为提取齿轮的故障特征,提出利用多重分形谱参数来表征齿轮振动信号特征的方法.运用多重分形理论对实测的齿轮振动信号进行分析,计算了振动信号的多重分形谱参数,并对齿轮振动信号多重分形谱参数的变化规律进行了研究.结果表明:齿轮工作状态不同,振动信号的多重分形谱参数△a、△f及fmax发生明显变化.当齿轮出现断齿故障时,△a、△f和fmax均显著增大.多重分形谱参数可定量刻画振动信号的特征,成功识别齿轮断齿故障.     

分形维数在滚动轴承故障诊断中应用

将分形维数用于刻划滚动轴承在不同故障状态下表现的非线性行为,进而对轴承的运行状态进行判别。实验结果表明,滚动轴承振动信号在不同运行状态下的分形维数是不同的,可以将分形维数做为识别滚动轴承故障的特征量。     

基于小波域威布尔分布模型的电机滚动轴承故障诊断

电机轴承的运行状态是否正常，通常可以通过分析电机的滚动轴承的振动信号得到诊断结果.因此，分析和研究电机轴承振动信号是滚动轴承研究的热点.首先对电机滚动轴承振动信号进行降噪等预处理，并对预处理的振动信号进行小波分解，再对小波分解系数进行单支重构，得到不同尺度下的单支重构信号；接着对单支重构信号分别建立威布尔分布模型，并验证模型的恰当性，然后求取单支重构信号的威布尔分布模型的尺度参数和形态参数；最后将模型的尺度参数和形态参数输入SVM模式识别器进行故障诊断和模式识别，识别结果表明其参数能较好地表征电机轴承的运行状态.实验结果证明所提方法能较好地诊断电机轴承的故障.     

经验模态分解(EMD)在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征，提出了基于经验模态分解(Empiri-cal Mode Decomposition，简称EMD)和神经网络的滚葡轴承故障诊断方法，首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode functioll，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量，并从中提取时城特征措标——峭度或裕度因子作为神经网络的输入参数来识别滚动轴承的故障模式，对滚动轴承的内圈、外圈故障信号的分析结果表明，以EMD为预处理器提取时域特征参数的神经网络诊断方法比直接从原信号中提取时域特征参数的诊断方法有更高的故障识剐率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于小波包变换和极限学习机的滚动轴承故障诊断

采用基于小波包变换(WPT)和极限学习(ELM)的方法对轴承故障进行诊断和分类辨识。该方法首先采用小波包变换对采集到的振动信号进行分解,求得各频带的相对能量,并构建特征向量,接着利用极限学习机进行自动分类识别。经使用实验台实测电机滚动轴承不同状态的信号进行分析,研究结果表明,所建立的自动分类模型可以有效地对轴承的单一故障,以及不同程度故障有很好的辨识能力。     

基于小波包-Elman神经网络的电机轴承故障诊断

根据电机滚动轴承振动信号的频域变化特征,通过小波包分析将轴承振动信号分解在不同的频带之内,以频带能量作为识别故障的特征向量,应用容错性强、动态性能良好的Elman神经网络建立从特征向量到故障模式之间的映射,实现电机轴承故障分类。仿真结果表明,采用小波包和Elman神经网络相结合的方法能更加有效地实现电机轴承的故障诊断。     

基于小波包-Elman神经网络的电机轴承故障诊断

根据电机滚动轴承振动信号的频域变化特征,通过小波包分析将轴承振动信号分解在不同的频带之内,以频带能量作为识别故障的特征向量,应用容错性强、动态性能良好的Elman神经网络建立从特征向量到故障模式之间的映射,实现电机轴承故障分类。仿真结果表明,采用小波包和Elman神经网络相结合的方法能更加有效地实现电机轴承的故障诊断。     

基于多重分形降趋算法与改进的K均值聚类滚动轴承故障诊断

针对滚动轴承振动信号非线性、非平稳的特点,提出采用多重分形降趋算法计算多重分形谱参数作为特征参数,对比分析了多重分形降趋波动分析法及多重分形降趋移动平均法提取轴承故障特征的优劣性.并提出改进的K均值聚类分析对多重分形降趋算法提取的特征参数进行分类,从而实现轴承故障诊断的目的.运用滚动轴承公开数据对方法进行验证,提取时域特征与多重分形谱参数进行对比分析,并对两种多重分形降趋算法的效果进行对比分析,验证了多重分形降趋波动分析法与改进K均值聚类相结合对轴承故障诊断的有效性,为轴承故障诊断方法提供了一种新的尝试.      

基于EMD-1(1/2)维谱熵的滚动轴承故障诊断

为了准确地诊断出滚动轴承的运行状态,将1(1/2)维谱熵引入滚动轴承故障诊断中。先对滚动轴承原始故障信号进行EMD(empirical mode decomposition)分解得到若干个固有模态函数(intrinsic mode function,IMF),进而再求取各个IMF的1(1/2)维谱熵值,作为表征滚动轴承故障类型的特征向量。将其作为Elman神经网络的输入参数,最后区分滚动轴承故障状态和故障类型。仿真分析和实验研究表明,该方法能够有效地提取出滚动轴承的故障特征,最后通过与小波包分析-BP神经网络故障诊断方法对比,显示出其具有更高的识别率,更加表明其可行性和有效性。     

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。     

滚动轴承状态监测与早期故障诊断系统研究与设计

针对滚动轴承状态监测与早期故障诊断困难的问题,从滚动轴承的结构组成和工作机理出发,基于LabVIEW设计了具有模块化结构的在线监测-离线诊断监测系统.首先在线监测振动信号的时域指标,其次基于经验模态分解(Empirical mode decomposition,EMD)和包络谱分析确定振动信号有效分量并从中提取故障特征,离线诊断出滚动轴承的故障类型.最后,通过实验验证系统的可行性.实验结果表明该监测系统能够快速便捷地获取滚动轴承状态参数,同时准确可靠地进行故障识别,能够满足滚动轴承状态可视化监测和早期故障识别的要求.     

VMD的时频特性及其在滚动轴承故障诊断中的应用

针对在强噪声干扰下的滚动轴承早期故障振动信号信噪比低导致故障特征提取困难的问题,提出了基于变分模态分解和Teager能量算子包络解调的滚动轴承故障诊断方法.该方法首先利用VMD算法对故障信号进行分解成若干不同频率的本征模态分量(Intrinsic Mode Function,IMF);通过峭度准则筛选出峭度值最大的IMF,将其作为故障特征最敏感分量;利用Teager能量算子解调算法对该分量进行包络解调分析,提取调制故障特征.将该方法应用到仿真信号和滚动轴承故障振动信号分析当中,同时与EMD、小波变换方法进行了比较.结果表明,该方法提高了信号的分解效率,在噪声鲁棒性和抑制模态混叠方面具有良好的性能,能够实现滚动轴承故障的精确诊断,具有一定的理论研究意义和工程实用价值.     

基于MEMD和RVM的滚动轴承外圈故障评判

针对经验模态分解(EMD)分析同一轴承的多通道故障信号不全面的问题,创建出一种将多元经验模态分解(MEMD)、互近似熵与相关向量机(RVM)相结合的方法,以全面分析滚动轴承外圈故障。首先,利用MEMD将滚动轴承外圈3点钟、6点钟和12点钟方向的多通道振动信号分解为多通道独立的多元本征模函数(MIMF)分量;然后,计算每个MIMF分量信号与原信号之间的相关系数,并求出相关系数最大的前两个MIMF分量的互近似熵值;最后,通过得到的近似熵值构建相关向量机分类模型,对滚动轴承外圈故障样本进行故障分析和评判,将该方法与EMD单一通道分析的方法相对比,结果表明了该方法的有效性和可行性。     

基于多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有不同复杂性的特点,提出了一种新的基于多尺度熵(multi-scale entropy,简称MSE)和支持向量机的滚动轴承故障诊断方法.该方法首先利用MSE方法对滚动轴承不同类型振动信号进行故障特征提取,然后与样本熵方法对比说明MSE方法相对于样本熵方法的优势,最后通过适合小样本分类的支持向量机作为分类器来识别滚动轴承故障类型.对实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.     

基于BFD和MSCNN的风电滚动轴承智能故障诊断

针对变工况下风电滚动轴承的健康状态评估问题,提出了一种基于带宽傅里叶分解(BFD)和多尺度卷积神经网络(MSCNN)的智能故障诊断方法.首先,通过BFD算法将原始振动信号分解为一系列带宽模态函数(B MF);然后,通过希尔伯特阶次变换(HOT)计算各BMF的包络阶次谱,并根据特征阶次比筛选出分解结果中包含故障信息最多的有效分量.最后,通过MSCNN学习有效分量的包络阶次谱与故障类别之间的映射关系以实现滚动轴承健康状态的自动识别.实验结果表明,所提方法采用BFD分解结果的包络阶次谱作为故障识别的特征量,能有效提高模型在不同工况下的泛化能力,其测试准确率达到97％以上,可应用于变工况条件下风电滚动轴承的智能故障诊断.     

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%.