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LTSA融合降维法的滚动轴承可靠性评估方法

为了保障滚动轴承在给定工况下安全平稳地运行,提出了一种基于局部切空间排列（LTSA）和威布尔比例故障率模型（WPHM）的滚动轴承可靠性评估方法。该方法提取滚动轴承整个寿命周期的时域、频域、时频域及统计等不同分析域上的特征指标,从中筛选出包含滚动轴承运行状态的特征指标,构建出高维多域特征集;利用局部切空间排列算法对高维多域特征集进行融合降维,得到可全面反映滚动轴承性能退化趋势的综合特征指标作为WPHM的响应协变量进行可靠性评估。通过滚动轴承的寿命试验,得到该试验轴承的寿命为491 min。该方法能够得出轴承在489 min左右失效,寿命误差小于1%,故验证了该方法可以对滚动轴承的运行可靠性进行有效地评估。      

滚动轴承支承下的转子碰摩故障动力分析、特征提取与智能诊断

针对滚动轴承支承下的转子碰摩故障诊断问题,考虑滚动轴承非线性赫兹接触和轴承径向间隙,建立了含不平衡-碰摩耦合故障的转子-滚动轴承系统动力学模型.应用三维谱图分析碰摩诊断依据和确定频段特征,利用仿真数据获取结构最优的神经网络模型,并对试验碰摩故障数据进行诊断,识别率高达90%以上.计算结果充分表明了建立的动力学模型的有效性,同时,研究结果为有效结合故障机理分析与故障智能诊断提供了新的方法.      

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。     

基于双树复小波包变换和SVM的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳性和现实中难以获得大量典型故障样本的情况,提出一种基于双树复小波包变换和支持向量机（SVM）的故障诊断方法.首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量;然后对每个分量求其能量并归一化处理;最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型.对试验台模拟信号（包括滚动轴承的正常状态、外圈裂纹故障、内圈裂纹故障和滚动体点蚀故障）的分析表明:该方法对所测试验信号的故障识别率达到99.5%,对比传统小波包变换与SVM结合的方法,故障识别率的准确度更高.      

基于机匣信号的滚动轴承故障卷积神经网络诊断方法

针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。      

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IRCMNDE和NNCHC的滚动轴承故障诊断

针对多尺度散布熵（MDE）在粗粒化过程中易发生信息丢失、产生虚假信息,难以全面提取轴承故障信息的问题,提出了基于改进的精细复合多尺度归一化散布熵（IRCMNDE）和最近邻凸包分类（NNCHC）的滚动轴承故障诊断方法。引入精细复合多尺度散布熵（RCMDE）,将其粗粒化过程中平均值替换为最大值来表示数据段信息,以克服传统粗粒化过程的不足并突出故障特征。通过归一化操作减弱熵值计算时不同参数选择导致的熵值波动幅度,得到IRCMNDE。将IRCMNDE作为故障特征,使用NNCHC分类器对故障特征进行分类。经实验验证,该方法可达到98.98%的故障识别准确率,相比基于MDE（故障识别准确率为95.99%）和RCMDE（故障识别准确率为97.60%）的方法,能够更准确地提取滚动轴承的故障特征信息,提高承故障分类的准确性。      

多故障转子-滚动轴承系统的动力学特性

为深入研究多故障转子-滚动轴承系统的机理,充分考虑了旋转部件的扭矩、剪切力、转动惯量及陀螺力矩等效应,采用Timoshenko梁单元和转盘单元建立了转子的有限元模型,集成了滚动轴承动力学模型,及不平衡、不对中、碰摩、裂纹及松动等故障模型,得到了多故障转子-滚动轴承系统的动力学方程。采用变步长龙格库塔法,获得了转子-滚动轴承系统的位移响应,研究了系统位移响应随转速变化的分岔图、庞加莱截面,以及故障特征处的时域波形图、轴心轨迹图、相平面图和频谱图,探究了多故障转子-滚动轴承系统的故障特征及其动力学特性和规律。仿真分析结果表明：多故障转子-滚动轴承系统在运行过程中存在周期运动,拟周期运动和复杂的类混沌运动等丰富的非线性行为,且在各非线性行为转速区间内,会呈现不平衡、不对中、碰摩、裂纹和松动等单一故障或耦合故障的特征和现象。     

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GWO-TVF-EMD方法的行星齿轮箱齿面剥落故障诊断

针对时变滤波经验模态分解（TVF-EMD）方法的不足之处,将样本熵作为适应度函数,采用灰狼优化（GWO）算法对带宽阈值和B样条阶数核心参数进行寻优,得到最优组合解,对不同的故障冲击试验振动信号进行分解。对本征模态函数（IMF）分量选取过程进行优化,采用多个加权指标对所有IMF分量进行计算,最终选取最优IMF分量,再通过包络谱分析提取出行星轮齿面剥落故障特征。在行星齿轮箱故障试验中,利用方均根法对剥落故障进行初步识别,根据GWO-TVF-EMD法分解得到各剥落故障信号最优IMF分量,使用包络谱分析明显判断出行星齿轮的故障频率。该方法能够提取3种不同程度齿面剥落故障的细节特征,理论值与实际值的相对误差为1.68%。      

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

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...     

基于深度森林的卫星ACS执行机构与传感器故障识别

针对卫星姿态控制系统（ACS）闭环回路的故障难以辨识的问题,引入深度森林算法,实现执行机构与传感器故障识别。首先针对可获取的少量卫星姿态控制系统遥测数据,结合系统动力学特性,研究合适的特征选择和特征提取方法,再结合深度森林算法进行故障信息学习与辨识,建立故障预测模型,实现执行机构故障与传感器故障的识别。半物理仿真结果表明：在存在气浮台干扰力矩、卫星转动惯量未知、飞轮非线性特性、闭环故障传播等多种不利因素情况下,深度森林算法对于执行机构和传感器故障具有高效的识别能力。     

基于CEEMDAN降噪与双谱分析的滚动轴承故障诊断

滚动轴承早期故障信号中的噪声成分会影响到故障特征的提取。为了提高含噪故障信号中滚动轴承早期故障特征提 取的准确性，将基于自适应噪声的完备经验模态分解（CEEMDAN）用于滚动轴承振动信号的降噪中，并对降噪后的轴承故障信号 进行双谱分析。结果表明：CEEMDAN可有效去除轴承振动信号中的低频噪声干扰，经CEEMDAN降噪后的不同轴承故障信号的 双谱全局图存在明显差异，根据这些差异可在宏观上对不同轴承故障加以区分；通过经CEEMDAN降噪后的不同轴承故障信号的 双谱细节图可以正确提取不同轴承故障的特征频率，从而实现对各轴承故障的有效诊断。CEEMDAN降噪结合双谱分析可为滚 动轴承故障诊断提供一种新的有效方法。     

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。