拟合振动信号模型实现滚动轴承故障诊断

针对现有旋转机械故障诊断模式的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断的方法.首先建立了滚动轴承故障振动信号模型,对原始振动信号做EMD(empirical mode decomposition)分解,并对包含有故障调制信息的IMF(intrinsic mode function)分量做信号重构,最后采用遗传算法对重构信号和故障信号模型做数据拟合,根据拟合结果可知损伤点所在部位和损伤程度.通过在风力发电机组齿轮箱高速端滚动轴承故障诊断中的应用,验证了方法的有效性和实用性.     

基于EEMD和小波包的机车轴箱轴承故障诊断方法

提出了一种基于聚合经验模态分解(ensemble empirieal mode decomposition,EEMD)和小波包的机车轴箱轴承故障诊断方法.首先对轴承振动信号进行小波包分解,分别对小波包分解得到的小波包系数进行阈值去噪处理,将降噪后剩余的小波包系数进行信号重构.然后再对重构后的信号进行EEMD,计算EEMD分解得到的IMF分量和原信号的互相关系数,最后对满足相关条件的IMF分量进行故障诊断分析.为了验证该方法的正确性,搭建了轴承试验平台,通过对轴承实测数据进行故障诊断分析,实验证明该组合诊断方法能克服单一信号处理方法的局限性并能初步诊断出轴承发生的故障.     

参数优化VMD对变压器声音信号的故障诊断

变压器内部局放声音信号包含了设备故障特征信息,但是局放声音信号的非线性、非平稳性使得故障特征难以提取,因此现有基于声音信号识别变压器内部故障识别率低.为此,提出模拟退火优化变分模态分解—样本熵的特征提取方法,并与支持向量机结合进行变压器内部局放故障诊断.首先,基于模拟退火算法实现变分模态分解(variational mode decomposition, VMD)的参数寻优;然后,采用最优参数设定VMD并对故障声音信号进行分解,得到包含故障特征的本征模态函数,进而求取各本征模态函数的样本熵作为对应样本的特征向量;最后,利用支持向量机实现特征向量的识别与分类.模拟实验结果表明,所提出的方法可以有效提取局放故障声音信号的特征,具有较好的故障识别率.     

基于改进多尺度排列熵的S700K转辙机故障诊断

基于提速道岔S700K转辙机故障的功率曲线在频域上的多重特征,提出了基于改进多尺度排列熵的多变量支持向量机(structured support vector machine, SSVM)故障诊断方法.首先对S700K转辙机动作功率曲线进行集合经验模态分解和小波分解,获得两类不同时间尺度的模态分量;再利用改进多尺度排列熵计算不同分量的故障特征参数,为了降低计算维度,应用核主元分析理论,在不损失信号重要特征的情况下,取大于95%贡献率的特征值作为故障特征向量;最后,引入基于决策树的SSVM算法,经过小样本训练得到树状最优故障间隔面,从而实现S700K转辙机故障分类.实验结果表明:该方法可有效判定S700K转辙机故障类型,进而提高故障诊断精度和效率.     

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法

为有效提取非平稳特性的滚动轴承振动信号特征,提高故障诊断效率,提出一种采用集合经验模态分解（empiricalmode?decomposition,EEMD）、Hilbert变换的特征提取方法,并利用烟花算法优化支持向量机（support vector machine,SVM）分类参数的滚动轴承故障诊断方法. 通过EEMD方法将目标信号分解成若干个模态函数,采取Hilbert变换获取模态函数的瞬时频率,并对模态函数及其瞬时频率进行统计特征提取,从而实现特征的有效降维. 结果表明:信号经过EEMD-Hilbert处理后特征能有效提取,将训练集和测试集各600组数据代入烟花算法优化SVM模型得到测试集正确率为99.63%;比传统的遗传算法和粒子群算法优化模型分别提高0.4%和0.2%左右;同时收敛时间更短,验证了该算法模型的可行性与有效性.      

基于遗传BP神经网络的电控发动机故障诊断研究

为提高发动机故障诊断的正确率与精确度,提出遗传算法和BP神经网络相结合的故障诊断模型。将发动机部分尾气信息和传感器数据作为BP神经网络诊断模型的输入变量,利用遗传算法的全局搜索能力优化BP神经网络的初始权值和阈值,采用优化后的BP神经网络建立发动机故障的诊断模型。实验结果表明该诊断模型可提高发动机故障诊断的正确率。     

一种基于UEE-EMD的滚动轴承故障诊断方法

滚动轴承是很多大型旋转机械的核心部件,其故障诊断的研究对保障旋转机械运行稳定性具有重要的意义。经验模态分解方法对分析非线性不稳定的滚动轴承故障信号具有独到的优势。然而,经验模态分解固有的端点效应问题往往会导致较大的故障特征提取误差,影响故障诊断的准确性。针对上述问题,本文提出基于无失真端点极值化的经验模态分解(UEE-EMD)的滚动轴承故障诊断方法,UEE-EMD通过交叉取样策略和端点极值化策略从源头上抑制端点效应的产生,利用本征模函数截头去尾从结果上屏蔽端点效应,保证了滚动轴承故障特征提取的准确性。故障诊断仿真实验表明,基于UEE-EMD的滚动轴承故障诊断取得了更好的诊断效果。     

基于CEEMD和快速谱峭度图的地铁轴箱轴承故障诊断

提出了基于互补集合经验模态分解(CEEMD)结合快速谱峭度图的滚动轴承故障诊断方法(CEEMD-FSK).将轴箱加速度振动信号分解成多个本征模态函数(Intrinsic Mode Function,IMF),通过快速谱峭度图和互相关系数,选取出关键IMF信号进行原信号重构.对重构信号带通滤波后进行改进型的共振解调处理,通过平方包络谱进行轴箱轴承故障诊断.将该方法应用到地铁轴箱轴承的实际故障预测和诊断中,并结合后期轴箱轴承拆装和检测,结果表明了该方法的有效性和准确性.     

基于多尺度卷积类内迁移学习的列车轴承故障诊断

考虑变工况下列车轴承振动数据分布不一致情况下, 传统深度学习诊断模型的泛化能力下降, 提出了一种多尺度卷积类内自适应的深度迁移学习模型; 模型利用改进的ResNet-50网络分析振动数据的频谱, 得到了中间层次特征, 构造了多尺度特征提取器, 从不同尺度处理中间层次特征得到高层次特征; 将高层次特征作为分类器的输入, 同时计算了伪标签以缩短在不同工作条件下收集的振动信号的条件分布距离来进行类内匹配; 为了验证模型的通用性和优越性, 将提出的模型分别用于列车轮对轴承数据集和凯斯西储数据集的多个工况进行试验验证和分析。研究结果表明: 通过对齐不同域中同一类样本的高层次特征作为分类器的输入, 提出的模型获得了更为理想的故障诊断精度; 在列车轴承6个变工况诊断实例中, 平均诊断精度为90.75%, 与传统深度学习模型相比, 模型诊断精度平均提高了约10%, 召回率为0.927;在凯斯西储数据集的12个变工况诊断实例中, 模型平均诊断精度达99.97%, 比传统模型提高约10%。可见, 利用伪标签减小了不同域之间的条件分布差异, 很好地处理了源域和目标域数据分布不一致的问题; 多尺度特征提取器能从不同尺度对齐样本的高层次特征, 增强了模型的泛化性与鲁棒性, 是解决变工况列车轴承故障诊断问题的一种有效模型。      

基于改进SBELM的耦合故障诊断方法

为了对主减速器的耦合故障进行识别,通过对振动信号经过集成经验模态分解(ensemble empirical mode decomposition, EEMD)所获得的高频分量采用自适应阈值降噪和对低频分量采用区间阈值降噪,有效去除了信号噪声,创建了配对多标签分类策略(paired multi-label classification,PMLC).基于PMLC和稀疏贝叶斯极限学习机(sparse Bayesian extreme learning machine, SBELM)用单故障样本构造概率分类器集,再采用网格搜索方法生成最优决策阈值,将分类器集的概率输出转换为耦合故障模式,提出了基于自适应区间阈值降噪和SBELM的耦合故障诊断方法,并用主减速器的实际样本集验证了该方法的性能.研究结果表明:该方法的诊断精确度达到96.1%,比基于PNN(probability neural networks)和SVM(support vector machine)的诊断方法提高了5%;该方法的训练时间和执行时间为131.4和61.3 ms,比基于SVM的诊断方法减少了70%.      

基于EEMD-TEO熵的高速列车轴承故障诊断方法

为了解决高速列车轴承早期故障中低频信号的类间分离性较弱、保持架故障难以识别等的问题,提出了基于Teager能量算子（Teager energy operator,TEO）聚合经验模态分解（ensemble empirical mode decomposition,EEMD）熵的自适应诊断方法.该方法将EEMD、样本熵、TEO相结合,利用EEMD的自适应性得到固有模态（intrinic mode function,IMF）信号,用改进的TEO从IMF中提取得到样本熵,使用支持向量机（support vector machine,SVM）判断轴承工作状态与故障类型;讨论了EEMD能量熵、EEMD奇异值熵、EEMD-TEO时频熵生成的故障特征向量以及该向量在SVM中识别结果;对正常轴承、保持架故障、滚动体故障3种状态的轴承样本数据进行了故障诊断.研究结果表明:对3种轴承的故障识别率可以达到98%,较传统的经验模态熵识别率提高了2.6%,该方法可用作高速列车轴承状态诊断.      

基于MED-Teager能量算子的滚动轴承故障诊断

针对滚动轴承故障诊断中因实测信号背景噪声较大、信噪比较低,导致表征轴承故障信息的周期冲击成分被淹没于噪声中无法有效提取故障冲击特征的问题,提出一种基于MED和Teager能量算子的故障诊断模型。首先对信号最小熵解卷积(MED)处理消除采样过程中传递路径的影响;而后以Teager能量算子对滤波信号的能量值进行跟踪,从信号能量的角度进一步消除滤波信号中的带内噪声,使故障冲击特征得到二次增强;最后通过包络谱分析得到诊断结果。仿真数据及实验数据分析验证了所提诊断模型的有效性。     

基于ICEEMDAN-MPE和GWO-SVM的滚动轴承故障诊断方法

针对滚动轴承故障状态难以准确且快速的识别,提出了一种基于改进自适应噪声完备集成经验模态分解(Improved Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN)-多尺度排列熵(Multi-Scale Permutation Entropy, MPE)和灰狼算法优化支持向量机(Grey Wolf Optimization Algorithm-Support Vector Machine, GWO-SVM)结合的故障诊断方法。首先将轴承信号进行ICEEMDAN分解,然后选取其中相关性较大的IMF(Intrinsic Mode Function)分量计算多尺度排列熵构成特征集合,最后通过GWO-SVM算法进行故障状态识别。通过滚动轴承数据集和不同算法的对比实验,验证了ICEEMDAN-MPE-GWO-SVM方法的有效性,表明该方法可以准确且快速的诊断滚动轴承的故障情况。     

一种基于EMD的共振解调改进方法

针对传统共振解调方法中共振频带需要人为确定和故障轴承振动信号信噪比低的缺陷,提出了一种基于EMD算法的共振解调改进方法。该方法首先对轴承振动信号进行EMD分解,然后自适应地筛选出高频固有振动频率附近的基本模式分量（IMF）,并对单分量进行滤波处理,最后重构选取滤波后的基本模式分量,并对重构信号进行包络解调分析,得到故障特征频率和故障类型。滚动轴承故障诊断表明,改进方法不仅能够自适应地确定共振频带,而且可以有效地提取故障特征,识别故障类型。     

基于非平衡数据的车辆轮对状态集成分类方法

针对地铁车辆轮轨振动信号信噪比低、非线性、非平稳等特点,为实现平轮故障的不解体检测诊断,提出了一种基于非平衡数据的集成分类器模型.以踏面正常、踏面擦伤、踏面剥离和圆周磨耗四种典型的平轮故障为研究对象,对采集的轮轨振动信号进行变分模态分解与模糊熵特征提取,构造故障特征数据集;通过偏置支持向量机筛选训练集中的支持向量样本并进行SMOTE(synthetic minority oversampling technique)过采样,对非支持向量进行分层组合并构造集成分类器,采用有向无环图的方式对测试集进行平轮故障识别;最后,通过查全率和查准率对比分析,给出多类非平衡数据集的分类性能评价.论文在车辆段轨旁进行了空载分类试验,实验结果表明,所提出的方法对4种定性模式障的识别准确率超过96%,可被有效应用于地铁车辆的平轮故障诊断.     

基于MR-DCA的滚动轴承微弱故障诊断

【目的】针对滚动轴承微弱故障难以识别的问题,提出了一种基于MR-DCA的滚动轴承故障诊断方法。【方法】利用最大相关峭度解卷积以及共振稀疏分解的方法对输入样本进行预处理,可以有效地滤除原信号中的噪声,突出故障冲击成分。将所获得的故障分量的二维时频图以及原始信号作为网络的训练样本,经两个特征学习模块后,使用注意力机制对输入特征进行筛选,通过权值重分配可以有效地提高模型计算效率和识别精度。为了验证模型性能,使用某大学的滚动轴承微弱故障数据进行故障诊断分析,同时开展消融实验,对诊断模型各个模块的有效性进行验证。【结果】结果表明,所提出的方法识别准确率更高,且具有更快的训练速度和迭代速度。【结论】所提模型在进行滚动轴承微弱故障诊断时可以实现良好的诊断性能。     

信号预处理对桥梁颤振导数识别结果影响分析

采用经验模态分解(EMD)对桥梁颤振导数识别信号进行预处理,分离其固有模态函数,消除其中的高频噪声和低频非平稳趋势项;分析了不同阻尼自由振动信号的信噪比与信号长度的关系;研究了苏通大桥主梁节段模型颤振导数对信号长度和消除信号均值、高频噪声、低频趋势项的敏感性.结果表明,借助EMD剔除信号中高频噪声和低频趋势项可以提高桥梁颤振导数的识别精度;颤振导数识别结果与是否消除信号均值和信号长度都有不可忽略的关系.     

复杂传递路径下轴承滚动体故障特征提取

为消除复杂传递路径对轴承滚动体振动信号的影响并提高故障特征提取的能力，研究了基于变分模态分解(VMD)、优化最大相关峭度解卷积(MCKD)和1.5维谱的轴承滚动体故障特征提取问题；分析了轴承滚动体原始振动信号特点、早期故障信号的特性以及复杂传递路径对振动信号的影响，运用VMD将原始振动信号分解为一系列本征模态函数(IMFs),提出了转频分量剔除方法，通过峭度准则优选2个峭度较大的IMFs分量进行重构；基于网格搜索法研究了MCKD算法参数优化方法，用以增强重构信号的周期性故障特征，消除复杂传递路径对轴承滚动体故障信号的影响；利用1.5维谱分析重构信号，建立了复杂传递路径下轴承滚动体故障特征提取新方法，实现了轴承滚动体故障的准确诊断；为了证明方法的有效性，选取美国凯斯西储大学轴承SKF6205基座滚动体数据进行试验验证与分析。试验结果表明：网格搜索法获得了MCKD算法的最优滤波长度与冲击周期参数(365、85),优化MCKD算法增强了重构信号的故障特征，减少了无关频率分量，明显降低了其他成分的干扰；提出的故障特征提取方法在0、735和1 470 W负载条件下均提取到了轴承滚动体的故障特征频...     

路面随机激励下的汽车振动仿真分析

基于某车参数建立汽车5自由度线性振动模型,模型中引入了后轮滞后路面随机激励,采用MMATLAB/SIMULINK对整车振动进行仿真模拟,将前后悬架刚度改进前后的车身和座椅处的加速度、悬架动挠度及车轮动位移4项指标进行对比分析,进而对前后悬架刚度进行优化,从而改善车辆平顺性和乘坐舒适性,可为车辆平顺性设计提供参考。     

基于符号特征和混沌参数的车辆悬架隔振性能综合评价

为了更好地分辨车辆悬架隔振性能,采用符号特征和混沌参数建立了车辆悬架隔振性能评价的新方法.分析了车辆悬架隔振性能评价方法的现状和问题,简述了对时间序列进行符号分析和混沌分析的特征和参数,通过实验获得了具有BJ212钢板弹簧式非独立悬架结构的某试验车前悬架当钢板弹簧数量改变时的悬架振动时间序列,对悬架振动时间序列计算获得了悬架系统参数(如一阶固有频率f0和阻尼比ξ)、符号参数(如Shannon熵)及混沌参数(如最小嵌入相空间维数Mmin和关联维D2).结果表明,随着前悬架钢板弹簧数量减少,悬架吸收振动冲击的能力下降,悬架减振能力下降;其一阶固有频率f0下降了14%、阻尼比ξ下降了10%,悬架吸收振动冲击力的最大值下降了13%;"1-Shannon熵"与关联维D2均呈现大–小–大的变化趋势,在4片钢板弹簧时两者均有最小值.基于符号特征"1-Shannon熵"和混沌参数关联维D2共同建立了复合参量F.较之两个初始特征参数,F的变化趋势更为显著,可用于综合评价车辆前悬架钢板弹簧数量改变时的隔振性能.