基于局部均值分解和峭度图的滚动轴承包络分析方法

提出了基于局部均值分解(local mean decomposition,LMD)和峭度图(kurtogram)的滚动轴承包络分析方法.该方法中,原始滚动轴承故障振动信号通过LMD进行自适应的频率成分分离和初步降噪,包络分析中带通滤波器的参数通过峭度图客观地提供,从而提高滚动轴承包络分析的准确度.通过对滚动轴承仿真信号以及实验信号的分析,结果表明:在低信噪比情况下,LMD可以自适应分离出滚动轴承的固有振动成分,峭度图可以自动确定包络分析中带通滤波器的参数,与传统包络分析比较,所提方法能更加清晰准确地提取滚动轴承的故障特征.      

燃气轮机滚动轴承故障模式及延寿方法

分析了燃气轮机滚动轴承常见的10种故障模式及其产生原因,研究了相应的延寿方法及其延寿机理。     

基于旋转坐标系转轴振动信号的滚动轴承故障诊断方法

实验验证了基于旋转坐标系转轴振动信号的滚动轴承局部故障诊断方法.建立起滚动轴承故障实验台, 采用压电晶体加速度传感器测取转轴的振动.通过滚动轴承内环、外环、滚动体和保持架四种典型故障的实验分析结果, 证明了该方法的可行性, 并发现转轴振动信号的传递路径相对简单, 对轴承内环、滚动体和保持架早期微小故障的发现与诊断可能是有利的.      

多重应力下滚动轴承剩余寿命预测

为了实现多重应力下滚动轴承的剩余寿命预测,有效利用不用应力下的退化数据,提出了一种基于加速模型和贝叶斯（Bayesian）理论的滚动轴承剩余寿命预测方法。通过拟合优度检验和威布尔（Weibull）概率图检验法对滚动轴承试验中的数据进行有效性分析。利用switching Kalman filters(SKF)判断滚动轴承各时刻的退化状态。当滚动轴承进入加速退化时,用指数模型拟合轴承退化过程,利用广义线性对数模型表示退化模型参数与应力的关系,根据修正后的轴承实时退化数据利用贝叶斯算法更新模型参数,得到滚动轴承剩余寿命的概率密度函数,从而实现滚动轴承剩余寿命预测。采用XJTU-SY轴承数据集进行验证,预测结果的均方根误差在20 min以内,证明该方法能够有效预测滚动轴承的剩余寿命。     

基于改进GWO-LightGBM的滚动轴承未知故障诊断

针对滚动轴承未知新故障误判影响轴承安全性和检修效率的问题,提出了一种基于改进灰狼算法（GWO）和轻量级梯度提升机（LightGBM）的故障诊断模型,实现已知/未知故障的高精度判别。为避免单一尺度下特征提取的缺失,对滚动轴承振动信号分别提取时域、频域和小波域特征建立多域特征集。设计了带未知新故障判别机制的GWO-LightGBM模型,并构造含有Halton序列和模拟退火策略的GWO实现了模型参数有效优化。实例试验结果表明,模型对已知和未知类故障平均识别率达99.57%,10次随机试验平均识别率分别比单一分类模型逻辑回归（LR）、最近邻分类器（KNN）和支持向量机（SVM）高21.98%、17.00%、9.27%,验证了模型的有效性和优越性,能高准确率地识别出已知或以前从未出现的新故障。      

振动分析技术在滚动轴承故障诊断中的应用

介绍了滚动轴承的故障原因、振动类型和故障特征及其诊断方法,并通过实例,对滚动轴承某一故障的特征、原因及分析方法进行了描述.     

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LMD的包络谱特征值在滚动轴承 故障诊断中的应用

滚动轴承故障振动信号往往是多分量的调幅-调频信号,而传统包络分析方法需要根据经验设置滤波器的中心频率与带宽,因而会带来解调误差.基于此,提出了一种基于局域均值分解(local mean decomposition,简称LMD)的包络谱特征值的滚动轴承故障诊断方法.该方法可以将一个多分量的调幅-调频信号分解成若干瞬时频率具有物理意义的PF (product function,简称PF )分量之和,由于每一个PF分量是分量包络信号和纯调频信号的积,因此可以直接对包络信号进行频谱分析得到包络谱.然后定义信号在包络谱中不同故障特征频率处的幅值比为包络谱特征值,并以此作为特征向量输入到支持向量机分类器中,用以区分滚动轴承的工作状态和故障类型.对滚动轴承正常状态、内圈故障和外圈故障振动信号的分析结果表明了该方法的有效性.      

基于混沌理论的滚动轴承振动信号融合模型预测

提出融合算法模型,在混沌理论的基础上对滚动轴承振动信号进行预测。基于相图法、最大Lyapunov指数法和关联维数法对滚动轴承振动信号进行混沌判别,证明其混沌性。以预测值和真值间差值范数最小为目标导向优化出Kriging模型、最小二乘支持向量机(LSSVM)模型和极端学习机(ELM)模型的权重,加权法构建融合算法模型。相空间重构法构建滚动轴承振动信号预测的训练样本,并对融合模型、Kriging模型、LSSVM模型和ELM模型进行训练,训练好的模型用于振动轴承振动信号混沌预测。以案例1和案例2共两个实验的滚动轴承振动信号为对象进行验证,两案例的最大Lyapunov指数大于0,从而判断这两个案例的轴承振动信号呈现混沌特性。另外,从方均误差、方均根误差和平均绝对误差指标来评价,融合算法模型的指标值均小于单一模型算法,融合算法模型的预测精度优于单一模型算法。     

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。