基于小波相邻系数降噪的滚动轴承早期微弱故障时频特征提取

将小波相邻系数降噪与时频小波切片变换（FSWT）相结合用于滚动轴承的早期微弱故障时频特征提取，通过对滚动轴承加速疲劳试验早期微弱故障振动数据进行分析，结果表明:小波相邻系数可以有效降低淹没滚动轴承早期微弱故障特征的背景噪声；时频小波切片变换方法能有效提取出经小波相邻系数降噪后振动信号的时频特征，即滚动轴承发生故障时的特征频率及其谐频成分，验证了所述方法的有效性.此外，通过与谱峭度时频分析结果的对比，证明所述方法更能准确扑捉到滚动轴承发生早期微弱故障时的时频特性，突出了所述方法的优越性.      

基于Birge-Massart阈值降噪与EEMD及谱峭度的滚动轴承故障特征提取

针对传统共振解调方法易受噪声干扰导致故障特征提取效果不佳的问题,提出了一种基于Birge-Massart策略的阈值降噪与集成经验模态分解(EEMD)和快速谱峭度算法相结合的滚动轴承故障特征提取方法。对原始故障信号进行EEMD并采用峭度准则筛选出含有故障信息的本征模态函数(IMF)分量;采用Birge-Massart策略和快速谱峭度对故障信号进行滤波降噪;对滤波后信号进行Hilbert包络解调,提取轴承故障特征。采用该方法分别对仿真信号和实验信号进行特征提取,结果表明该方法可以有效提高故障信号信噪比,清晰准确地获取轴承内、外圈故障的频率特征。利用峭度因子准则筛选IMF分量能有效保留原始故障信号中的冲击特征，去除无关IMF分量的影响。      

滚动轴承故障特征提取的VMD包络切片谱分析方法

为了准确提取滚动轴承故障非平稳信号中的故障特征,提出基于变分模态分解（VMD）和包络切片谱的轴承故障特征提 取方法。该方法使用 VMD将轴承故障信号分解成 1组模态分量,并进行 Hilbert变换求取各模态分量的包络信号,进而求取包络 信号的切片谱（VMD包络切片谱）来提取轴承故障特征。为了进行对比,同时对各模态分量进行幅值谱分析,得到其VMD幅值谱。 分别采用VMD包络切片谱和VMD幅值谱对正常轴承振动信号、内圈故障信号、外圈故障信号、滚动体故障信号进行分析。结果 表明：在VMD幅值谱中无轴承故障特征频率,在VMD包络切片谱中分别存在内圈、外圈和滚动体的故障特征频率fi、fo、fb及相关的 倍频和调制频率成分,从而验证了VMD包络切片谱进行轴承故障特征提取的有效性与优越性。     

基于零空间追踪算法的滚动轴承故障诊断

提出了一种基于零空间追踪算法（NSP）的滚动轴承故障诊断方法,首先依据轴承故障机理建立轴承故障振动信号模型,并构造基于轴承故障振动信号特征的零空间微分算子,然后利用所构造微分算子将待分析混合信号分解为一系列含有轴承故障特征的窄带信号的叠加,最后通过调整算法中的参数实现轴承故障的特征提取。仿真与实验信号分析结果表明,该方法可以有效进行滚动轴承的早期故障特征提取及复合故障的分离。     

基于图谱指标的滚动轴承故障特征提取方法

为了更准确地提取滚动轴承振动信号的非线性故障特征,将图信号处理(GSP)引入机械故障诊断领域,提出了基于图谱指标的滚动轴承故障特征提取方法。该方法将滚动轴承的振动信号转化为路图信号后,提取多个图谱指标;用Fisher得分(FS)算法对图谱指标的敏感度进行排序,并选取若干个最敏感的图谱指标作为滚动轴承的故障特征参数;用K-均值聚类算法识别滚动轴承的不同故障。应用实例表明:当分别选取1~5个最优的图谱指标、时域指标和频域指标对不同轴承故障进行识别时,图谱指标均没有出现错误,而时域指标和频域指标都出现了不同数量的错误,因此,图谱指标对轴承故障的区分能力优于时域指标和频域指标。     

基于循环统计量的直升机齿轮箱轴承故障早期检测

在分析齿轮箱振动信号的基础上,提出了基于循环统计量的轴承故障早期检测方法,阐述了表征故障的一维和二维循环平稳特征。该方法利用信号与噪声具有不同循环频率的特性实现了信噪分离,能够比较容易地从复杂背景中提取出微弱的特征信息。最后在某型直升机齿轮箱轴承故障的早期检测中进行了实验验证。结果表明,该方法优于功率谱和解调分析,能够提取故障的早期特征。     

基于CPP与S变换的自适应时频滤波及其在滚动轴承故障诊断中的应用

针对变转速下滚动轴承故障调制信息的提取与分离,提出了基于线调频小波路径追踪(CPP)与S变换的自适应时频滤波方法。该方法先采用Hilbert解调对齿轮箱振动信号进行分析获取其包络信号,并对包络信号进行S变换,以获取其时频分布,同时,采用CPP算法从齿轮箱振动信号中估计出啮合频率曲线,进而获取转轴转速;然后,根据估计的转速信号分别设计各阶时频滤波器;再采用时频滤波器对包络信号的时频分布进行时频滤波,并将滤波结果进行S逆变换,以获取各阶故障调制信号;最后对各阶故障调制信号进行阶次谱分析,并根据阶次谱中的调制信息诊断滚动轴承故障。算法仿真和应用实例表明,自适应时频滤波方法可根据轴承故障调制信号的频率变化特点自适应地改变滤波器的中心频率与带宽,能有效提取并分离轴承的各阶调制信息,且分离效果优于基于集合经验模态分解（EEMD）的阶次谱方法。      

利用时延相关解调法诊断滚动轴承的故障

为诊断滚动轴承的故障,常常对其振动信号进行包络解调,以获取故障特征。但所测振动信号中,包含大量的噪声,严重地影响解调结果,使得滚动轴承的故障特征难以凸现。为此,利用时延相关解调法以实现降噪解调。该方法利用相关函数的降噪特性,首先对振动信号进行相关分析,得信号的自相关函数。然后对自相关函数适当延迟以尽量避开噪声影响,再进行Hilbert变换,以求得解调结果。实验证明在滚动轴承故障诊断中时延相关解调法与直接解调法相比,噪声影响大幅减小,故障信息得以凸现。     

基于WPD-KVI-Hilbert变换相结合的滚动轴承早期故障特征精准识别

为了能够有效地从轴承早期故障激励的高频振动信号中提取出故障特征信息,基于最优小波包基选取方法和峭度值最大筛选原则,提出了一种改进的小波包分解（WPD）、峭度值指标（KVI）与Hilbert变换相结合的滚动轴承早期故障特征识别方法。计算选取最优小波包基,确定分解层数;采用WPD方法对轴承故障振动信号进行分解,获得若干个Node分量;基于峭度值指标最大原则筛选出有效的Node分量进行信号重构;对重构信号进行包络解调分析,提取出故障特征频率对轴承故障进行诊断。采用建立的方法对凯斯西储大学滚珠轴承外圈、内圈故障实验数据和自行开展的滚棒轴承外圈、滚动体故障实验数据进行了分析与诊断。研究结果表明：该方法能够有效提高故障信号高频分辨率、保留周期性冲击成分,并能准确有效提取出滚珠和滚棒轴承故障特征频率的1~7倍频及其与轴转频调制的系列边频带频率,实现对滚动轴承故障特征的精准识别与故障诊断。     

基于IHT的共振解调技术的滚动轴承故障诊断方法

针对传统解调方法在滚动轴承振动信号故障特征提取中的局限性,在迭代Hilbert变换和共振解调技术基础上,提出了一种新的基于迭代希尔伯特变换(iterated Hilbert transform,简称IHT)的共振解调技术的滚动轴承故障诊断方法.采用IHT将原始振动信号分解为若干个含有故障特征信息的包络幅值分量,然后用共振解调法去除残余的高频干扰噪声并求得各个包络分量的倍频谱,利用轴承理论故障频率与共振解调得到的各倍频进行对比分析,诊断出滚动轴承相应的故障类型.轴承故障实例诊断分析结果表明该方法能有效地提取轴承故障特征.      

基于声发射信号信息距的滚动轴承故障诊断

在信息熵理论基础上,提出了一种融合小波能谱与马氏距离的信息距滚动轴承故障诊断方法.利用双转子试验台对滚动轴承内圈故障、外圈故障、滚动体故障、内圈 滚动体故障和内圈 外圈故障进行模拟,并采集其声发射信号.利用提出的信息距方法对获取的声发射信号进行分析,成功实现滚动轴承单一故障和耦合故障诊断.结果表明该方法信息利用率高于信息熵方法,能够清晰和准确地诊断出滚动轴承早期故障,效果明显优于信息熵距的诊断方法.      

Fault diagnosis of bearings based on deep separable convolutional neural network and spatial dropout

Bearing pitting, one of the common faults in mechanical systems, is a research hotspot in both academia and industry. Traditional fault diagnosis methods for bearings are based on manual experience with low diagnostic efficiency. This study proposes a novel bearing fault diagnosis method based on deep separable convolution and spatial dropout regularization. Deep separable convolution extracts features from the raw bearing vibration signals, during which a 3 × 1 convolutional kernel with a one-step size selects effective features by adjusting its weights. The similarity pruning process of the channel convolution and point convolution can reduce the number of parameters and calculation quantities by evaluating the size of the weights and removing the feature maps of smaller weights. The spatial dropout regularization method focuses on bearing signal fault features, improving the independence between the bearing signal features and enhancing the robustness of the model. A batch normalization algorithm is added to the convolutional layer for gradient explosion control and network stability improvement. To validate the effectiveness of the proposed method, we collect raw vibration signals from bearings in eight different health states. The experimental results show that the proposed method can effectively distinguish different pitting faults in the bearings with a better accuracy than that of other typical deep learning methods.     

基于小波包和主成分分析的滚动轴承状态振动监视方法

针对滚动轴承早期故障状态难以监测的现状,文章采用小波包及主成分分析法对滚动轴承振动信号进行分析,提出了一种综合振动能量指标,用于监视滚动轴承状态。采用滚动轴承实验数据对该方法有效性进行了验证,结果表明:该方法构建的综合振动能量指标能够有效发现滚动轴承早期故障,对早期故障程度反应能力强,优于一些其他传统的监视指标。     

基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法

针对变转速下齿轮箱复合故障的故障特征提取,提出了基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法.该方法根据齿轮箱复合故障振动信号中齿轮和滚动轴承故障成分的形态差异性,先用形态分量分析将其分解为包含齿轮局部故障信息的谐振分量、包含滚动轴承局部故障信息的冲击分量和随机噪声分量,再根据实测转速信号分别对谐振分量和冲击分量进行包络阶次分析,根据各包络阶次谱诊断齿轮箱复合故障.算法仿真和应用实例表明:该方法能有效分离变转速下齿轮和滚动轴承的故障特征,且其故障特征提取效果要优于传统的包络阶次谱方法.      

基于小波包分析与多核学习的滚动轴承故障诊断

为了更准确地诊断滚动轴承故障,提出了一种基于小波包分析与多核学习的滚动轴承故障诊断方法.该方法首先对振动信号进行3层小波包分解,将振动信号分解为不同频带的信号,提取各频带的相对能量特征,构建特征向量;然后采用多核学习算法从训练样本集中学习核函数与分类器;最后使用训练出的分类器识别滚动轴承故障类型.为了验证方法的有效性,进行了滚动轴承故障诊断实验,实验结果表明该方法的故障诊断准确率达到98.25%,与传统的基于小波包与支持向量机的滚动轴承故障诊断方法相比,其故障诊断准确率更高,同时由于避免了核函数的选择问题,该方法更便于实际应用.      

齿轮箱中滚动轴承的故障诊断

提出了一种基于自适应除噪技术(ANC)和共振解调技术(DRT)的齿轮箱中滚动轴承的故障诊断方法。该方法先后用同一传感器和测量系统、在同一位置采集被诊断轴承在无故障时的振动信号和在状态监测过程中的振动信号,然后把这两次拾取的信号分别作为自适应除噪系统的参考输入和主输入进行除噪处理,最后用共振解调技术对除噪后的振动信号进行包络解调,实现齿轮箱中滚动轴承的故障诊断。实际应用表明,该方法能够从齿轮箱振动信号中剔除齿轮啮合振动等背景噪声,提高滚动轴承振动信号的信噪比,可以有效地诊断齿轮箱中滚动轴承的故障。      

基于卷积双向长短期记忆网络的轴承故障尺寸估计

基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。