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VMD的自适应复合多尺度模糊熵及其在滚动轴承故障诊断中的应用

提出了一种基于自适应多尺度模糊熵、ILS（迭代拉普拉斯得分）特征选择和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。该方法采用变分模态分解对振动信号进行分解和重构,并计算重构信号的复合多尺度模糊熵;同时采用迭代拉普拉斯得分选择敏感故障特征,并将特征选择结果输入到基于粒子群优化支持向量机的多故障分类器进行识别。将提出的方法应用于滚动轴承试验数据分析。结果表明:该方法对试验数据的故障识别率为100%。并将基于ILS特征选择方法与基于SFS（sequential forward selection）特征选择进行了对比,表明基于SFS特征选择的最高识别率为92.86%,而基于ILS特征选择的故障识别率达到100%。      

基于VMD-CWT和改进CNN的直升机轴承故障诊断

由于直升机自动倾斜器滚动轴承振动信号具有非平稳、非线性特点,并夹杂非敏感故障特征信息,导致网络模型对周期信号过于敏感,不能充分利用故障信息的问题;针对此问题,提出一种变分模态分解(VMD)与连续小波变换(CWT)联合提取敏感故障特征的方法.研究表明:在相同模型训练下,该方法相对其他方法最高可提升模型准确率20.8％.为...     

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。      

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.      

基于改进时频谱分析方法的滚动轴承复合故障诊断

将基于循环平稳理论及2阶循环统计量的谱相关或谱相关密度分析方法加以改进,提出一种时频分析方法并将其用于滚动轴承发生复合故障时调制现象循环调制频率即故障特征频率的提取。通过对滚动轴承复合故障的仿真及实际实验振动数据进行分析,结果表明:与同时提取出调制频率和载频的传统包络解调谱分析方法不同,改进的谱分析方法可以只提取出调制频率,提取的谱结构分布具有更清晰的表达效果,从而为滚动轴承的复合故障特征提取提供一种方法。      

基于改进小波变换和包络分析的滚动轴承故障诊断

采用改进的小波分解和重构算法与包络分析相结合的方法,提取滚动轴承振动信号的故障特征频率。改进的小波分解和重构方法避免了 Mallat 算法频率混淆的缺陷,通过对重构信号特定频带进行包络分析,更加准确地提取了滚动轴承的故障特征频率。通过对无故障滚动轴承和内圈、外圈有故障的滚动轴承振动信号的分析,说明这种方法能够有效诊断滚动轴承的故障,并将该方法成功应用于某型航空发动机主轴承故障诊断。     

基于LMD和RBF相结合的尾桨台传动系统滚动轴承故障诊断方法

提出了局部均值分解(Local mean decomposition,简称LMD)方法和径向基函数神经网络(Radial Basis Function Neural Network,简称RBF)相结合的滚动轴承故障诊断方法.LMD方法是一种新的自适应时频分析方法,能够有效地提取故障特征.该方法首先采用LMD对滚动轴承振动信号进行分解,计算分解得到的PF分量能量比,作为特征向量输入到RBF神经网络中,进行故障分类和识别.通过真实滚动轴承数据的故障诊断实验,验证了该方法的有效性.     

基于小波熵的滚动轴承早期微弱故障信息提取

滚动轴承产生早期微弱故障时,故障信息会被淹没在强背景噪声和其他振动源信号中,还会受到低频效应影响,这使得传统的频谱分析很难找到这些被淹没的故障信息。针对这一问题,本文提出一种基于小波熵的故障信息提取技术,首先对测试到的振动信号进行连续小波变换(CWT),获得时间-尺度谱,再计算时频矩阵中每一个尺度下的信号的熵,最后选取熵最小的尺度进行频谱分析。运用该方法对设置了外环故障、内环故障、滚珠故障的三种滚动轴承的振动信号进行了分析,并与传统的傅里叶变换(FFT)和包络解调分析方法进行了对比。分析结果表明,基于小波熵的分析方法能更有效地提取出振动信号中的故障频率信息。最后把该方法应用到某型涡轴发动机的主轴承故障诊断中,成功提取出了故障频率信息,实现了对滚动轴承进行早期故障检测。     

基于谐波小波包和SVM的滚动轴承故障诊断方法

针对滚动轴承故障诊断问题开展研究,设计了基于谐波小波包和支持向量机（SVM）的新型诊断方法.与传统的时频特征提取方法相比,谐波小波包具有盒状频谱和无限细分的优势.首先对滚动轴承的振动数据进行谐波小波包分解,利用各频段的小波分解系数计算特征能量,归一化之后作为特征向量,为设计的多类SVM模型提供训练样本和测试样本.利用SVM的非线性映射能力,将三个二分类器相组合设计了基于二叉树的多类SVM模型,实现了对滚动轴承的故障诊断.最后,利用Case Western Reserve University电气工程实验室的滚动轴承试验台的振动数据对设计的诊断方法进行了验证.结果表明,设计的诊断方法比传统的方法具有更高的准确率.     

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.      

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.      

基于小波包分析的航空发动机轴承故障诊断

振动分析是进行滚动轴承状态监测与故障诊断的重要手段。当轴承某一元件表面出现局部损伤时,产生周期性的冲击脉冲力。因此,原来的平稳振动信号变成了非平稳振动信号。傅里叶变换在频域上是完全局部化的,但它不能提供任何时域的局部化特征,而窗口傅立叶变换尽管在时域和频域均具有一定的局部化特征,但其局部化却是固定不变的。针对常规方法难以准确分析非平稳信号的局限性,提出了基于小波分析的滚动轴承故障诊断方法,通过滚动轴承外表面损伤的实验信号进行小波包频谱分析,验证了基于小波分析的滚动轴承故障诊断方法是可靠、准确的,可进一步应用于航空发动机主轴轴承的状态监测和故障诊断。     

滚动轴承故障诊断的品质因子可调小波重构方法

针对轴承早期故障诊断困难的问题,提出了基于信号共振稀疏分解与品质因子可调小波重构的滚动轴承故障诊断方法.该诊断方法首先对轴承故障信号进行共振稀疏分解获得高共振分量和低共振分量;然后对低共振分量进行品质因子可调小波重构,并结合峭度分析,筛选出最佳分析信号;最后对最佳分析信号进行希尔伯特解调分析,从而提取滚动轴承故障特征信息.通过对仿真信号和实际故障信号进行分析,该方法能有效提取轴承故障信号中的冲击成分,凸显故障特征.      

基于改进的SqueezeNet直升机滚动轴承故障诊断

针对现有基于卷积神经网络的故障诊断方法存在模型参数量和计算量大的问题,提出一种改进的SqueezeNet模型应用于直升机滚动轴承故障诊断。该模型借鉴VGG16模型的思想,在经典的SqueezeNet基础上,采用3个3×3卷积核代替1个7×7卷积核,实现了在相同感知野条件下增加网络容量、增强非线性、减少网络参数量,采用卷积层、池化层和Fire模块、池化层两大结构交替的方式组成模型特征提取层,在保障特征提取能力的情况下,进一步减少了网络参数量。通过轴承数据开展模型故障诊断实验,结果表明该模型诊断精度达到99.65%,与传统卷积神经网络及经典的SqueezeNet模型相比诊断精度相当,而计算量与参数量最大缩减约6倍和36倍。     

基于强抗噪威格纳威利分析的滚动轴承故障诊断

为了解决威格纳威利谱(Wigner-Vile spectrum, WVS)时频分析方法对受强背景噪声影响下的滚动轴承冲击性故障信号特征提取难的问题,根据滚动轴承发生故障时呈现出的循环平稳特征,将基于2阶循环统计量的循环谱密度算法(cyclic spectral density, CSD)与WVS相结合,提出基于CSD的WVS分析方法,即循环谱密度威格纳威利谱(CSDWVS)时频分析方法。经仿真及实验验证,相对传统WVS分析方法,该方法能有效提取出强背景噪声影响下的滚动轴承内圈故障特征频率为51.9 Hz及外圈故障特征频率为32.1 Hz。      

基于线调频小波路径追踪阶比循环平稳解调的滚动轴承故障诊断

针对变转速工况下滚动轴承的故障诊断问题,提出一种将线调频小波路径追踪算法与阶比循环平稳解调方法相结合的滚动轴承故障诊断方法.该方法先利用线调频小波路径追踪算法提取轴承的故障特征频率,再根据轴承的故障特征频率对变转速下时域振动信号的包络在角域等角度重采样,并对获取的角域平稳信号进行循环平稳解调,计算得到切片解调谱;最后根据切片解调谱识别滚动轴承故障.仿真分析和应用实例表明:该方法能准确提取变转速工况下滚动轴承的外圈与内圈故障故障特征,提取效果明显优于基于Wigner-Ville峰值跟踪法的包络阶次谱方法.      

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-s...     

航空滚动轴承振动特征的故障灵敏度分析与融合技术

针对工程中航空滚动轴承实时状态监测的需要,提出了基于标准化欧氏距离的多特征融合评估方法。首先,进行了航空滚动轴承故障模拟试验,引入了故障灵敏度的定量评价指标,对融合前后特征的故障灵敏度进行了分析;在此基础上,将所提方法与主分量分析、支持向量数据描述和支持向量分布估计方法相比较;最后,进行了轴承疲劳加速试验,将所提融合方法应用于航空滚动轴承状态监测。试验表明:相比于主分量分析、支持向量数据描述和支持向量分布估计,基于标准化欧氏距离的融合值的故障灵敏度更高;其对不同类型、不同阶段的航空滚动轴承故障更加灵敏,相比于有效值更适合作为航空滚动轴承状态监测的指标。