基于ITD和敏感SVD的故障诊断方法研究

如何在含有噪声的振动信号中提取故障特征,是轴承故障诊断的关键问题,为此本文提出一种基于本征时间尺度分解(Intrinsic Time-scale Decomposition,ITD)和敏感奇异值分解(Sensitive Singular Value Decomposition,SSVD)的故障诊断方法.首先对时域振动信号进行ITD预处理,并根据峭度准则选取包含故障信息的敏感旋转(Proper Rotation,PR)分量用于振动信号重构,以凸显振动信号局部特征;然后对此时频信号进行敏感SVD分析,通过敏感因子及定位因子选择敏感SVD分量重构信号,以滤除噪声干扰,提取微弱故障信息;最后利用Teager-Kaiser能量算子(Teager-Kaiser Energy Operator,TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,用于识别故障类型.将此方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

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S能量熵的直驱式风电机组故障诊断方法

及时准确发现风机主轴故障,对直驱式风电机组安全经济运行具有重要意义。针对这一问题,该文提出一种基于S能量熵的直驱式风电机组轴承故障诊断方法。该方法利用广义S变换分析直驱式风机轴承振动信号的时频特性,使信号的主要能量在时频域分布更加集中,提高了信号的时频集聚性,并通过能量熵对广义S矩阵进行特征提取,构成故障分析向量,结合VPMCD方法建立故障诊断模型,对故障分析向量进行分析诊断。该文故障诊断方法对信号进行广义S变换,对变换结果采用能量熵提取特征,通过基于VPMCD方法的故障诊断模型判断运行状态。将该文方法应用于风电机组轴承故障诊断中,实验结果证明了该方法的可行性和有效性。     

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.     

HHT方法在轴承故障诊断中的应用

为研究滚动轴承故障问题,将HHT(Hilbert-Huang transform)分析方法应用于轴承信号故障的提取。用HHT对复合信号进行了仿真分析,表明此方法分析信号的有效性。将HHT方法应用于轴承内外圈的故障诊断,结果表明,所求出的轴承故障的信息特征与理论计算吻合,表明了HHT方法能够有效的提取轴承故障的特征信息,提高轴承故障诊断率。这为类似机械零部件的故障诊断提供了参考。     

基于CCA和SOFM的轴承故障特征提取

提出曲元分析(CCA)和自组织特征映射(SOFM)相结合的方法用于轴承的故障诊断特征提取.首先通过传感器测得轴承在正常和非正常状态下的信号;然后对所得数据进行归一化;考虑到数据比较庞大,利用CCA进行降维;再利用SOFM进行训练,网络对不同状态下的输入具有明显不同的输出.利用Matlab神经网络工具箱来实现上述算法.实例仿真表明,这个算法可以快速正确地提取出轴承故障特征值,并通过聚类算法完成轴承的故障诊断.     

调速阀故障诊断的AR双谱定阶方法比较

为解决故障诊断中确定最优的自回归(AR)模型阶数的问题,运用最终预测误差(FPE)、阿凯克信息准则(AIC)、贝叶斯信息准则(BIC),以及奇异值分解(SVD)的切片法和Frobenius法共5种定阶方法对调速阀的故障进行自回归模型定阶实验.结果表明,FPE,AIC,BIC及SVD切片法确定的阶数较低,而用SVD Frobenius法确定的阶数较高.通过不同阶数、不同故障的调速阀故障诊断实验可知,用SVD Frobenius法建立的AR模型效果优于其他方法.     

基于MCKD与CEEMDAN的声信号故障特征提取方法

在双转子轴承状态监测与故障诊断中,信号传递路径复杂,很难通过加速度传感器直接获得信号,而声音信号有非接触式测量的优势,包含大量特征信息.为了能够准确、有效地通过声音信号实现滚动轴承故障诊断,检测出轴承故障,提出了基于自适应噪声完备集合经验模态分解(CEEMDAN)和最大相关峭度解卷积(MCKD)的滚动轴承故障诊断方法.首先运用最大相关峭度解卷积方法增强轴承故障声音信号中的冲击,然后对处理后的信号进行CEEMDAN处理,计算每个经验模态分量的峭度值,根据峭度值选取最优分量并求Hilbert包络谱,以准确提取故障特征频率.文中采用该方法基于声音信号实现滚动轴承故障诊断,为提取最优分量提供了理想筛选标准,一定程度上降低了故障诊断的复杂程度,具有良好的自适应性.     

基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法

提出一种基于奇异值分解(SVD)和深度信度网络(DBN)多分类器的滚动轴承故障诊断方法.对滚动轴承的振动信号进行相空间重构,得到相应的特征矩阵;对特征矩阵进行SVD分解,并用所得整个奇异值序列构造特征向量,建立DBN多分类器模型,以实现滚动轴承的故障诊断;同时,将所提出的方法与DBN、反向传播神经网络、支持向量机等算法进行对比.结果表明,所提出的方法能够更加稳定、可靠地识别滚动轴承的故障类型和故障程度.     

EEMD-SVD方法及其在高速列车滚动轴承故障诊断中的应用

结合聚合经验模态分解(Ensemble empirical model decomposition,EEMD)优秀的非平稳信号分解能力和奇异值分解(Singular value decomposition,SVD)的强去噪能力,提出了一种高速列车滚动轴承故障检测的新方法。该方法是应用EEMD对轴承轴箱位置的振动信号分解得到基本模式分量(Intrinsic Mode Function,IMF),对IMF矩阵做SVD得到正交化结果,分别利用各奇异值重构信号,应用各特征信号的Hilbert包络解调处理得到的包络谱诊断轴承故障类型。利用仿真信号数据和人工伤轴承试验数据对该方法进行验证,结果表明,该方法能有效提取轴承的故障特征信息,特征波形清晰准确,相比传统EEMD方法,在强噪声干扰时故障特征的诊断能力得到了显著提高。     

基于奇异值分解和均值聚类的单通道盲源分离算法研究

提出了一种基于奇异值分解(Singular Value Decomposition,SVD)的均值聚类单通道盲源分离算法.首先将单通道信号利用SVD分解,依据中值准则进行滤波去除噪声分量,然后在去除噪声分量对应的特征值基础上,根据剩余SVD特征值重构对应分量信号作为盲源分离观测信号.将重构分量信号进行短时傅立叶变换(Short Time Fourier Transform,STFT)进行稀疏化处理,利用散点图判别源信号数目,最后采用均值聚类方法估计混合矩阵,以估计混合矩阵求逆作为分离矩阵实现单通道信号的盲源分离.利用计算机仿真结果证明了算法的有效性.     

基于CEEMD-SVD-LSSVM的矿浆管线核心设备故障诊断

针对单向阀振动信号包含背景噪声、故障特征提取困难和诊断准确率不高的问题,提出互补集合经验模态分解(CEEMD)、奇异值分解(SVD)和最小二乘支持向量机(LSSVM)相结合的故障诊断方法.首先,用CEEMD分解单向阀振动信号,并用能量分析法及互相关分析法来选取有用的本征模态函数(IMF).然后,根据SVD法提取相应的故障特征,并输入LSSVM进行故障诊断.通过与集合经验模态分解(EEMD)、支持向量机(SVM)等的比较,表明该方法不仅消除了模态混叠和信号噪声,而且能有效地提取单向阀的故障特征,得到更高的诊断准确率.     

基于网格搜索与支持向量机的轴承故障诊断

针对轴承故障诊断问题,提出一种基于相关度分析与网格搜索算法(GS)优化支持向量机(SVM)的轴承故障诊断方法。采用GS算法对SVM的惩罚参数c和核函数参数g进行寻优,以此建立分类器用于识别轴承故障类型。在模型建立方面巧妙地加入了分层的思想,通过相关度分析之后采用多层GS-SVM模型使轴承的故障诊断准确率相对于近年来的研究得到了明显的提升。最后,采用凯斯西储大学轴承数据中心的滚动轴承故障数据进行了分类识别实验。实验表明,研究提出的轴承故障诊断方法在直接作用于原信号的基础上不仅能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障,而且还对每一类故障的严重程度有很好的区分,提高了故障类样本的诊断正确率,具有较强的实用性。     

采用多通道样本和深度卷积神经网络的轴承故障诊断方法

提出了一种新的多通道样本构造方法,结合深度卷积神经网络来提高轴承故障诊断的效果。首先采用连续小波变换,分别提取了转子两端轴承振动信号的时频域特征,基于所得结果分别构造了针对两端轴承的单通道二维图形样本,并取上述两类单通道样本的均值构造了第3类单通道样本;将得到的3类单通道样本融合,得到用于故障诊断的三通道样本;建立不同结构的深度卷积神经网络,分别采用单通道样本和三通道样本对滚动轴承故障类型和故障严重程度进行诊断,并将所得结果进行对比分析。结果表明:在多种不同网络结构下,基于三通道样本的轴承故障诊断准确率均明显优于单通道样本,证明了提出的多通道样本构造方法在轴承故障诊断中有着更好的效果,可以为轴承故障诊断方法和样本构建提供参考。     

采用形变周期势系统的轴承故障诊断方法

针对在高强度噪声环境下的轴承故障信号难以检测的问题,提出一种利用形变周期势系统(DPPS)的轴承故障诊断方法。该方法首先将掺杂噪声的故障信号输入DPPS中,组成以DPPS为核心的随机共振(SR)系统;然后,以功率谱放大倍数(SPA)和幅度响应为测度指标来量化DPPS轴承故障诊断方法对轴承故障特征信号的增强效果,通过矩量法和概率流方法推导SPA和幅度响应的解析式,得到当SPA和幅度响应最大时的DPPS诊断方法的最优设置参数;最后,在相同条件下,将该诊断方法应用于轴承内外圈故障诊断,并与新型幂指三稳势系统(NCETS)轴承故障诊断方法作对比实验。实验结果表明,DPPS轴承故障诊断方法能够利用噪声的能量分别将内外圈故障特征频率的功率谱幅值提高至1 950和2 950 W/Hz,从而可以在功率谱中轻易识别,进而断定轴承的内外圈出现了故障,而NCETS故障诊断方法仅能分别提高至359.2和575.6 W/Hz,证明了采用DPPS的轴承故障诊断方法的有效性和先进性。     

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WGAN和CNN的轴承故障诊断研究

轴承作为机械系统的关键部件,可以解析出整个机械系统的故障信息和健康状态,提出一种基于改进生成对抗网络和卷积神经网络的轴承故障诊断方法.首先通过小波变换将一维轴承振动数据转换为二维时频图像数据;然后经设计的改进生成对抗网络训练轴承的二维图像数据,将达到纳什平衡后生成的数据补充到原始数据中增加轴承样本数据;最后将扩充完成的数据集输入卷积神经网络进行训练.测试结果显示轴承故障诊断平均准确率达94%,验证了故障数据不充足时该方法用于轴承故障诊断的可行性.     

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。     

基于深度置信网络和信息融合技术的轴承故障诊断

提出一种基于深度置信网络(DBN)和信息融合技术的轴承故障诊断新方法。首先采用集合经验模式分解将轴承振动时域信号分解为若干个固有模态函数,并分别输入至若干个DBN中进行故障状态识别,然后通过简单投票法将每个DBN识别的结果进行决策层信息融合,从而得到轴承故障的最终诊断结果。通过对单负载和多负载下不同类型和不同损伤程度的滚动轴承故障诊断进行实例分析,验证了本文方法的有效性和精确性。