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%.     

滚动轴承故障诊断技术的研究

对滚动轴承进行故障诊断能够及时发现故障信息,减小事故发生几率,延长机器寿命,具有较高的现实意义。本文介绍了滚动轴承故障诊断方法,重点综述了振动分析法的发展现状与趋势,并指出了目前滚动轴承故障诊断所存在的主要问题。     

基于小波变换的滚动轴承故障诊断

论述了小波变换在目前滚动轴承故障诊断中的重要性和实用性,介绍了小波变换的定义、特点及故障诊断的基本步骤,并通过实例说明了基于小波变换的滚动轴承故障诊断方法是准确可靠的。     

一种基于压缩感知和小波信息熵的滚动轴承特征提取方法

为降低滚动轴承在线监测和故障诊断过程中振动信号采集、传输、存储和处理负担,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的滚动轴承特征提取方法,用于滚动轴承故障诊断。应用部分哈达玛矩阵采集振动信号实现压缩,通过小波包分解提取滚动轴承状态特征,计算其小波信息熵作为故障诊断特征。在标准数据集上进行振动信号特征提取,并采用四种分类方法完成故障诊断实验,结果表明本文特征提取方法能够在较高的数据压缩率条件下,保持较高的故障诊断精度,适用于滚动轴承在线监测和故障诊断。     

齿轮噪声干扰及变转速下的滚动轴承故障诊断

齿轮噪声以及变转速运行是干扰滚动轴承故障诊断的常见因素,针对上述两种因素同时对滚动轴承故障诊断的干扰,引入了集合经验模态分解(EEMD)方法以去除轴承信号中的齿轮噪声,将齿轮峰值啮合倍频(IDMM)等效为滚动轴承的瞬时转频,阶比跟踪以去除转速变化对滚动轴承故障诊断的影响,并将此方法命名为基于EEMD和IDMM的滚动轴承故障诊断方法.仿真和实测信号分析证明该方法能有效去除齿轮噪声和转速变化对滚动轴承故障诊断的影响,同时提高故障特征阶比的幅值,节省转速测量装置.     

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.     

滚动轴承故障诊断研究方法及进展

近年来,机电设备的故障诊断技术越来越受到重视,已成为当下研究的热点,故障诊断方法发展很快.滚动轴承是机械传动中重要的零部件之一,其性能直接影响机构的整体运行,为了推动滚动轴承故障诊断技术的发展.本文针对滚动轴承故障诊断研究方法及进展进行系统综述.论文通过介绍总结短时傅里叶变换;经验模态分解;经验小波变换等常用的故障诊断...     

基于支持向量机的滚动轴承故障诊断

滚动轴承是各种机械设备中最常见的零部件,同时也是易损坏的零件之一.机械的许多故障都与滚动轴承有关,它的运行状态是否正常往往直接影响到整台机器的性能.因此开展对滚动轴承的故障诊断具有很现实的意义.再分析了支持向量机的基本理论后,提出了基于支持向量机的滚动轴承故障诊断方法,并且进行了MATLAB仿真实验,验证支持向量机的诊断效果,实验结果表明此方式适用于滚动轴承故障诊断.     

基于声学信号瓶颈特征的滚动轴承故障诊断

为有效诊断滚动轴承的健康状态,针对运行监测声学信号特征微弱的特点,提出了基于声学信号瓶颈特征的滚动轴承故障诊断方法.首先提取滚动轴承声学信号的多维特征参数,通过自编码网络降低特征维数,获取有效反映滚动轴承运行状态的瓶颈特征,最后训练支持向量机实现滚动轴承故障诊断.通过对滚动轴承不同故障状态的模拟试验分析,并与传统方法对比,可知本文提出的方法具有更高的诊断正确率.     

利用振动信号诊断汽车轴承故障

利用振动监测技术 ,对不解体汽车变速器滚动轴承进行研究 ,分析汽车变速器滚动轴承的故障机理 ,探讨了适合汽车变速器滚动轴承故障诊断的方法 .     

高密度小波变换在滚动轴承复合故障诊断中的应用

针对目前滚动轴承中多种微弱故障难以准确识别的难题,提出基于高密度离散小波变换和包络谱的滚动轴承复合故障诊断方法.首先对采集的轴承振动信号进行高密度离散小波变换;然后对各尺度上的小波系数和尺度系数进行单子带重构,以消除频率混叠的影响;最后对各子带信号分量进行包络谱分析,并通过滚动轴承各典型故障的特征频率,识别滚动轴承存在的各种故障.将所提方法应用于具有复合故障的滚动轴承的诊断,并与其他常用的诊断方法进行对比,结果表明该方法能有效地实现滚动轴承早期复合故障诊断.     

基于PF能量特征和SVM的变速箱轴承故障诊断方法

内圈点蚀、外圈压痕是变速箱滚动轴承常见典型故障,为实现其快速、准确诊断,提出基于局部均值分解(Local mean decomposition,简称LMD)的PF(Product Function)分量能量特征和支持向量机(Support Vector Machine,简称SVM)相结合的变速箱滚动轴承诊断方法.将采集的振动信号进行LMD局部均值分解,获得若干个PF分量,并以计算的PF分量的能量熵作为特征量输入支持向量机,进行滚动轴承的故障类型的识别.通过对滚动轴承正常状态、内圈点蚀故障和外圈压痕故障的诊断效果对比分析表明,相对于基于神经网络的轴承故障诊断方法,基于PF分量能量特征和支持向量机的诊断方法有着更高的故障识别率.     

基于SVM"一对一"聚类结构的滚动轴承状态诊断

文章在分析比较几种诊断方法的基础上,根据滚动轴承的故障特点,建立了SVM"一对一"聚类结构并对滚动轴承故障进行诊断;该方法基于结构风险最小化,能较好地解决小样本学习问题,避免了人工神经网等智能方法在对滚动轴承状态进行诊断时所表现出来的过学习、泛化能力弱等缺点;利用SVM"一对一"聚类结构对滚动轴承故障类别进行投票,降低了单个支持向量机的误判概率;具体实验结果表明,该聚类结构对滚动轴承的故障类别具有很高的诊断精度,能够取得理想的聚类效果。     

滚动轴承故障诊断中的分形

简述了滚动轴承运转中时序列时表现时的自相似性，重构了振动信号对应的嵌入相空间的序列，计算得出分维数，实验结果表明，振动时域序列的分维数在不同工况，不同间隙下是有差别的，可以做为识别主要轴承的特征量。     

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.     

SS4G型电力机车轴箱轴承组装相关尺寸链分析

针对数台电力机车相继发生相同情况的轴箱轴承故障，进行了SS4G型电力机车轴箱轴承组装相关尺寸链分析以及极限尺寸下轴承横动量的计算，提出了有待进一步研究的若干问题。     

滚动轴承的状态监测系统

论述了滚轴承的状态监测原理、方法和系统。为了判别轴承有无故障,采用了振动监测和温度监测系统对轴承进行在线监测。发现故障后,则采用共振解调法诊断出故障的部位及其趋势等。     

滚动轴承早期故障振动信号的分离与诊断

利用希尔伯特变换技术，将含故障的轴承振动信号转化为窄带振动包络信号，然后用包络信号的功率谱和活尔什列谱对轴承故障进行诊断，对５套３０７轴承的诊断结果表明，这种方法诊断结果准确可靠，方法简便实用，速度快，特别适用于滚动轴承故障的在线监测与诊断。     

基于EEMD和改进VPMCD的滚动轴承故障诊断方法

针对原VPMCD方法在参数估计过程中存在的缺陷,用BP神经网络非线性回归方法代替原方法中的最小二乘法,解决了最小二乘法中存在的病态问题,因此,提出了改进多变量预测模型(Variable predictive mode based class discriminate,简称VPMCD)的滚动轴承故障诊断方法.首先采用总体经验模态分解(Ensemble empirical mode decomposition,简称EEMD)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,然后提取各分量奇异值组成特征向量作为改进VPMCD的输入,最后对滚动轴承工作状态和故障类型进行识别.实验结果表明,该方法能够有效地应用于滚动轴承故障诊断.     

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.