样本量对滚动轴承振动性能变异过程评估的影响

以轴承全寿命周期内的振动时间序列为研究对象,构建最大熵泊松评估模型以研究滚动轴承振动性能的演变历程。将振动时间序列分为不同的段数,基于最大熵原理和泊松过程,计算各个振动时间序列相对本征时间序列的变异概率、性能保持可靠度及其变异速度和变异加速度等指标；分析各个性能变异指标与样本量的关系,从而选取合适的样本量；用动态平均不确定度分析性能保持可靠性评估结果的不确定性。结果表明:针对案例1和案例2,将样本量分别选取为800~1000和500~900,既可以使本征序列数据样本蕴含足够的振动信息；又可以对轴承振动性能的具体变异过程进行有效地评估。      

基于乏信息系统的本征融合技术

提出基于乏信息系统的本征融合技术以模拟小样本条件下的未知分布.采用隶属函数法、最大隶属度法、自助法、灰自助法、算术平均值法和最大熵法等多种数学思想,从不同侧面分析各个个体的特征信息并进行融合,推断出总体的概率分布.滚动轴承噪声的试验研究表明,本征融合技术可以有效地模拟乏信息系统的概率分布.      

内圈沟道损伤直径对滚动轴承振动性能的测度

采用中位数估计和Huber M估计相融合方法对未知分布的时间序列数据进行稳健处理,得到时间序列稳健数据,进一步得到时间序列数据的本征区间、变异率、中位数和平均值,组成时间序列数据的测度。该方法对不同沟道损伤直径条件下滚动轴承振动数据进行研究,结果发现:滚动轴承振动数据的变异率、中位数及平均值的变化趋势一致,与轴承的实际工况吻合,可以作为滚动轴承性能退化的测度。其中轴承正常运行时的变异率为10%与轴承寿命规定的10%失效率相同,轴承失效时的变异率89%和沟道损伤直径达到失效直径的89%相同。该测度准确地反映沟道损伤直径对轴承振动性能的影响,为滚动轴承性能预报提供可靠依据。该方法不需要知道时间序列数据的分布类型,为未知分布的时间序列数据的稳健处理提供一种方法。     

基于平滑先验分析和模糊熵的滚动轴承故障诊断

由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,基于对振动信号进行多尺度的模糊熵(FE)分析,提出了基于平滑先验分析(SPA)和模糊熵的滚动轴承故障诊断方法。采用SPA方法对振动信号进行自适应分解,得到振动信号的趋势项和波动项;分别计算趋势项和波动项的模糊熵;将模糊熵值作为特征向量,输入至基于优化算法的支持向量机(OSVM)。将该方法应用于滚动轴承实验数据,分析结果表明:该方法在仅提取两个分量特征的情况下即可达到100%的故障诊断精度,可有效实现滚动轴承的故障诊断。      

基于EMD样本熵-LLTSA的故障特征提取方法

针对振动信号的非线性、非平稳性以及微弱故障特征难以提取的问题,提出了一种基于经验模态分解(EMD)、样本熵和流形学习的故障特征提取方法.该方法将EMD、样本熵和流形学习相结合.首先,利用EMD的自适应多分辨率的特点计算分解得到的IMF(固有模态函数)信号的样本熵,初步提取滚动轴承状态特征值;然后利用流形学习方法对初步的提取的滚动轴承状态特征进行进一步的提取;最后利用支持向量机(SVM)对该特征提取方法进行分类评估,并将该方法运用在滚动轴承故障诊断实验中,实验证明该特征提取方法与基于小波包样本熵的故障诊断方法相比具有很好的聚类性能,且对于SVM的分类结果可达100%,在降低了特征数据的复杂度的同时,增强了故障模式识别的分类性能,具有一定的优越性.     

基于混沌理论滚动轴承振动稳健化试验数据的动态分析

提出改进的Huber M方法是以中位数和Huber M方法两种稳健化处理相融合的一种对数据进行稳健化处理的方法.用中位数和数据平均值相似度判断数据是否有变异,根据变异率变化趋势确定变异率.发现在0%~10%变异率范围内,滚动轴承振动数据的连续性和可信度随着变异率的增加而增强.用混沌理论分析滚动轴承的动态特性,发现同一批次的滚动轴承振动有相同的时间延时、嵌入维数、最大Lyapunov指数,其中最大Lyapunov指数均大于0即属于混沌特征,进一步计算最大可预测周期,最大可预测周期为667个单位.滚动轴承振动时间序列物理空间的中位数和相空间的估计关联维数为非线性非单调性的内在运行机制,为滚动轴承振动的动态分析进一步提供可靠的依据.      

基于IITD和FCM聚类的滚动轴承故障诊断

基于Akima插值和固有时间尺度分解（ITD）中的线性变换,提出了一种改进的固有时间尺度分解（IITD）,在此基础上,进一步提出基于IITD近似熵（AE）和模糊C均值聚类（FCM）相结合的滚动轴承故障的诊断方法。采用IITD方法对滚动轴承的振动信号进行分解,通过互信息分析,筛选出前3个含主要特征信息的固有旋转分量（PR）,计算其近似熵值作为信号的特征向量,将得到的特征向量输入到FCM分类器中分析并得到分类结果。实验分析表明:分别与基于EMD、ITD近似熵和FCM聚类相结合的方法比较,该方法的分类系数更接近1,平均模糊熵更接近0,即此方法对滚动轴承的正常、内圈故障、外圈故障、滚动体故障信号以及对内圈的不同损伤程度信号均能更有效更准确地进行分类。      

滚动轴承振动性能保持可靠性与不确定性关系的动态评估

提出用振动瞬时值的波动范围、振动平均值的波动范围、振动序列对应时间段内的平均波动范围3个指标来综合表征在轴承服役过程中其振动性能的不确定性,并定量分析3个不确定性指标与振动性能保持可靠性的内在具体关系。运用最大熵法和泊松过程理论,计算轴承的振动性能保持可靠度;基于灰自助法、自助法和最大熵法、经典统计法,依次计算3个不确定性指标值;建立多因素回归分析模型,分析性能保持可靠性与3个不确定性指标的关系表达式。结果表明:对于案例1和案例2,性能保持可靠性与3个不确定性指标的线性相关系数分别为 -0843 7、-0779 8、-0759 7;-0835 4、-0843 9、-0808 2。两个案例均表明瞬时值的波动范围与平均波动范围对性能保持可靠性有非线性影响。     

卫星动量轮灵敏性变异分析

基于模糊理论提出一种非线性卫星动量轮灵敏性变异分析的数值方法,以工程实际中的模糊相似关系转化为空间向量的模糊等价关系,来评估稳定系统的总体变异本质特征.并通过仿真均匀分布、线性分布以及周期分布的时间数据序列验证了该模型的可行性；以3套卫星动量轮实际稳态运转实验见证了该方法的实用性和有效性.其中动量轮A的最小灵敏系数为0.678，大于0.5阈值,表明其运转期间灵敏性十分良好；动量轮B的最小灵敏系数为0.439，小于0.5阈值,其运转期间灵敏性有所变异；动量轮C的最小灵敏系数等于0.5阈值,其关系最为模糊并介于稳定与变异之间.该模型实时预测并描述了动量轮灵敏性变异过程,且适用于诸多航天领域的非线性乏信息问题.      

滚动轴承振动的灰自助动态评估与诊断

以灰预报和自助再抽样方法为基础, 提出灰自助动态评估与诊断模型, 以评估和改进滚动轴承的振动.该模型用动态不确定度、估计区间、估计真值、平均不确定度、平均真值和系统误差测度等6个参数, 描述滚动轴承振动的基本特征.对HKRB轴承的试验表明, 该模型对随机误差的概率分布与系统误差的类型没有任何要求, 在平均不确定度为最小的条件下分离出系统误差.评估的可信度达到100%.根据灰自助动态评估结果, 还诊断出影响轴承振动的误差特征, 揭示了来自轴承零件制造的误差根源, 为实施滚动轴承振动的生产过程控制奠定了基础.      

滚动轴承摩擦力矩的乏信息模糊预报

滚动轴承摩擦力矩的波动具有不确定性,属于概率分布与趋势规律都未知的乏信息系统.这阻碍了对轴承摩擦力矩的小样本分析与总体把握.为此,以模糊集合理论为基础,从小样本入手,建立了航天轴承摩擦力矩参数的经验概率密度函数及其模糊预报模型,并对摩擦力矩的均值上界和最大值上界进行预报.对HKTA和HKTB两种轴承摩擦力矩参数的试验研究表明,在99%～100%置信水平下,预报结果与试验结果之间的误差很小,最大绝对误差仅为0.081 1个设定单位,最大相对误差仅为10.165%,可以满足航天工程的要求.      

基于EMD熵特征融合的滚动轴承故障诊断方法

研究了滚动轴承故障诊断单一故障信号的局限性和故障特征的非线性,从信息融合的理论出发,利用非线性动力学参数熵作为特征,提出了基于经验模态分解(EMD)熵特征融合的方法来解决滚动轴承故障诊断问题.首先将原始信号进行EMD,利用EMD的自适应多分辨率的特点计算EMD得到的固有模态函数(IMF)信号的多种熵值,然后采用核主元分析(KPCA)对提取的状态特征进行信息融合,从而得到互补的特征,最后将提取的融合特征通过支持向量机(SVM)进行故障诊断.滚动轴承故障诊断实验表明:该方法结合了EMD、信息熵理论和KPCA强大的非线性处理能力的特点,可以进行滚动轴承故障诊断.