基于LabVIEW的电动机轴承故障诊断和性能退化评估系统设计

轴承作为电动机的核心部件,主要起到支撑引导轴、减小设备摩擦、连接不同设备等作用,准确判断其故障类型并评估其健康状态对于合理安排设备的检修具有重大意义。为此,设计了一套基于LabVIEW平台的电动机轴承实时故障诊断和性能退化评估系统。利用卷积神经网络(CNN)的特征挖掘能力,自主学习原始振动信号中的故障特征,在LabVIEW平台上构建故障诊断模型,实现轴承运行状态的实时诊断;对原始振动信号小波降噪后,提取信号时域特征,通过对所提取的特征进行主元分析(PCA)来获取表征轴承性能退化的综合指标;在LabVIEW平台上开发电动机轴承的故障诊断与性能退化评估系统软件。在线故障诊断和性能评估实验结果验证了该系统的实时性和有效性。

基于直驶效率数据的机电复合传动系统性能退化评估

目的 基于直驶效率数据,实现机电复合传动系统的性能退化评估。方法 将机电复合传动系统全工况测试周期内的效率云图进行梯度和网格划分,得到各梯度内的网格点数。通过Pick定理,计算各梯度下不规则效率云图的面积,对各梯度效率云图面积求和,即可得到该测试周期内的机电复合传动系统性能退化评估指标。结果 计算了6个全工况测试周期的效率云图面积,结果显示,性能退化评估指标逐渐上升。通过效率云图对比发现,高效区间逐渐增大。从性能退化指标的发展趋势看,目前该传动系统正处于磨合期。结论 该方法能够有效评估机电复合传动系统的性能退化情况。

基于粒子群算法和变分模态分解的起重机滚动轴承性能退化评估

针对港口起重机滚动轴承早期故障特征不易提取、识别精度不够高的缺点,提出一种以粒子群(PSO)优化变分模态分解(VMD),结合支持向量数据描述(SVDD)的滚动轴承性能退化评估模型。通过PSO优化VMD中的参数,更好地提取滚动轴承的特征。利用SVDD模型中球心距离度量性能退化程度,并借助隶属度函数量化轴承性能退化,进而实现对轴承性能退化程度的精确评估。应用滚动轴承的全寿命试验数据验证该模型,并与传统的时域特征指标比较,本方法对轴承性能退化评估具有更强的敏感性,验证该方法的优越性。

结合VMD符号熵与SVDD的滚动轴承性能退化评估

针对滚动轴承的早期故障难以检测的问题,提出了一种基于变模态分解(Variable mode decomposition,VMD)符号熵和支持向量数据描述(Support vector data description,SVDD)的滚动轴承性能退化评估模型。首先对振动信号进行VMD分解并提取各个分量符号熵,并采用双样本Z值对各个分量符号熵进行评价,选取双样本Z值最大的特征作为特征向量。特征提取完毕后,采用SVDD模型进行性能退化评估,使用全寿命数据进行模型的验证。实验结果表明,相比于排列熵特征提取方法以及模糊C均值聚类(Fuzzy c-means clustering,FCM)方法,该模型可以更好显示出滚动轴承性能退化规律。

基于时序可拓的滚动轴承性能退化评估方法研究

针对滚动轴承性能退化方法研究问题,提出了基于时序可拓的滚动轴承性能退化方法研究。首先利用自回归AR模型提取振动信号的特征,然后将所得的特征进行最值归一化处理,再用Fisher比对归一化处理后的特征进行打分降维,最后将降维后的特征向量输入到可拓学模型中,进而对轴承性能进行定性定量评估,通过实验并且用包络谱分析验证结论的准确性,实验表明所提的方法能有效发现早期故障。

小波包变换和隐马尔可夫模型在轴承性能退化评估中的应用

轴承是旋转机械中的关键部件,有效地对其进行性能退化评估对指导设备维护、防止设备意外失效有非常重要的意义。为此提出了一种基于小波包变换和隐马尔可夫模型(HMM)的轴承性能退化评估方法。该方法使用小波包变换对轴承振动信号进行分析,并提取节点能量及其总能量作为特征,仅使用正常状态下的数据训练HMM,建立性能退化评估模型,然后使用该模型对轴承的退化程度进行定量评估。最后,通过对轴承加速疲劳寿命试验的研究,验证了所提出的方法的可行性和有效性。

基于TESPAR与GMM的滚动轴承性能退化评估

状态维修根据设备当前运行状态制定维修计划,可避免维修不足与维修过剩等问题。性能退化程度量化评估是实现滚动轴承状态维修的基础。提取滚动轴承早期无故障振动信号的TESPAR参数中的S矩阵作为原始特征,利用主分量分析对其进行降维处理后构建特征矢量,并建立无故障轴承高斯混合模型GMM。将轴承后期振动信号的S矩阵经降维处理后输入该GMM模型,得到被测样本与无故障样本之间的量化相似程度,以此建立时间编码对数似然值TELLP作为滚动轴承性能退化定量指标。轴承疲劳试验表明该方法能及时发现轴承早期故障,并且能很好地跟踪故障发展趋势。

基于多域特征与高斯混合模型的滚动轴承性能退化评估

视情维修可避免维修不足与维修过剩等问题,滚动轴承性能退化程度量化评估是实现视情维修的基础。提取滚动轴承早期无故障振动信号的时域、频域特征构建多域特征矢量,建立无故障轴承高斯混合模型(GMM)。将轴承后期振动信号的多域特征矢量输入该GMM模型,得到测试样本与无故障样本之间的量化相似程度,以此建立多域对数似然概率(MDLLP)值作为滚动轴承性能退化定量指标。MDLLP的取值上限为1,便于实际使用中确定轴承性能退化状态。轴承疲劳试验表明,该方法能及时发现轴承早期故障,并能很好地跟踪故障发展趋势,最优特征的选择与变换对评估效果具有较大影响。

连续隐半马尔科夫模型在轴承性能退化评估中的应用

连续隐半Markov模型(Continuous hidden semi-Markov model,CHSMM)是隐Markov模型(Hidden Markov model,HMM)的一种扩展形式,可用于时间序列过程的动态建模。通过加入状态分布参数并对多组观测值进行连续化,可加强模型对新观测值的处理能力以及对状态驻留时间的建模能力。利用该方法建立了轴承性能退化的评估模型。首先,分析振动信号并提取频带能量作为退化特征;然后将正常状态下的特征样本作为模型的观测值对CHSMM进行训练;最后将待测的特征样本输入模型,得到待测样本相对于所建立正常模型的输出概率,作为轴承性能退化状态的标志。轴承疲劳寿命试验结果表明:所提的评估模型能较好地刻画轴承性能退化的过程,并能在早期对轴承的性能退化做出预警。

基于模糊c-均值的设备性能退化评估方法

为了更好地实现基于状态的维护模式,提出了一种基于模糊c-均值聚类的性能退化评估方法.该方法以正常状态和失效时刻的数据为基础,建立智能评估模型,以待测数据隶属于正常状态的程度作为退化指标.以6307滚动轴承为研究对象,对其疲劳寿命加速试验中全寿命周期的性能退化进行评估,结果验证了该方法的可行性和有效性.

基于DPMM-CHMM的机械设备性能退化评估研究

针对传统的HMM模型状态数必须预先设定的不足,提出了一种基于DPMM-CHMM的机械设备性能退化评估方法。该方法利用DPMM模型的自动聚类功能,实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合CHMM良好的分析和建模能力,得到设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估,并利用滚动轴承全寿命数据进行了应用研究。结果表明,该方法可以有效地识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。

结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估

针对设备的视情维修,提出一种将小波包奇异谱熵和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。先提取轴承全寿命周期内振动信号的小波包奇异谱熵作为轴承状态的特征矢量,然后以轴承正常状态下的特征矢量训练SVDD,得到正常状态下的基准超球体,再计算轴承全寿命周期内的特征矢量与基准超球体之间的相对距离,作为性能退化过程的定量评估指标,并对失效阈值和早期故障阈值进行设定。结果表明,与基于小波包和SVDD的性能退化评估方法相比,该方法的早期故障检测能力更强,对轴承性能退化各个阶段的描述更加准确。最后,利用基于EMD的Hilbert包络解调方法对评估结果的正确性进行了验证。

小波包-支持向量数据描述在轴承性能退化评估中的应用研究

轴承是旋转机械中的关键部件,相对于故障模式识别,性能退化评估可以更为有效地服务于设备主动维护以实现零停机率。小波包分解可以对信号进行更为精细的刻画,基于统计学习理论的支持向量数据描述是一种具有良好计算性能的单值分类方法。基于此,提出了一种基于小波包-支持向量数据描述的轴承性能退化评估方法,该方法以小波包分解的节点能量构成特征向量,仅需要正常状态下的数据样本即可用支持向量数据描述建立知识库,在一定程度上实现了对待测样本退化程度的定量评估。通过应用于轴承不同点蚀大小和其加速疲劳寿命试验的全寿命周期,验证了所提出方法的可行性和有效性。

基于HDP-CHMM的机械设备性能退化评估

针对传统隐马尔可夫模型(hidden Markov model,简称HMM)状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-连续隐马尔可夫模型(hierarchical Dirichlet process-continuous hidden Markov model,简称HDP-CHMM)的机械设备性能退化评估方法。该方法利用分层狄利克雷模型的分层聚类原理,在狄利克雷过程(Dirichlet process,简称DP)模型的基础上进行扩展,利用多组关联数据实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合连续隐马尔可夫模型(continuous hidden Markov model,简称CHMM)良好的分析和建模能力,获得设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估。利用滚动轴承全寿命数据的多组特征值进行了应用研究,并与基于K-S检验算法的机械设备零部件性能退化评估方法进行了比较。结果表明,HDP-CHMM模型可以对轴承实际运行状态转移过程进行建模,有效识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。

基于贝叶斯推论和自组织映射的轴承性能退化评估方法

为在线识别和评估轴承的动态运行状态,提出一种基于贝叶斯推论和自组织映射的轴承性能退化评估方法。首先运用独立成分分析算法从原始特征集提取表征轴承正常运行的特征集,建立描述轴承健康状态的基准自组织映射模型,进而提出基于负对数似然概率的设备性能量化评估指标和基于贝叶斯推论的失效概率计算方法,在线识别和评估轴承的动态运行状态。通过在轴承全寿命测试床的实验结果表明,与一些传统的特征值指标和基于支持向量数据描述的性能退化评估方法相比,提出的评估指标可有效地量化轴承的全寿命性能退化过程,为进一步制定维护计划提供重要的设备健康信息。

结合循环平稳和支持向量数据描述的轴承性能退化评估研究

轴承性能退化评估是进行设备主动维护、实现零停机率的关键技术。循环平稳分析能够识别滚动轴承微弱故障,基于统计学习理论的支持向量数据描述是一种具有良好计算性能的单值分类方法。基于此,本文结合二者,提出了一种新的轴承性能评估方法。该方法以循环平稳分析进行特征提取,得到组合切片累积能量,在仅有正常状态下的数据样本时,即可用支持向量数据描述建立知识库,从而实现了对待测样本退化程度的定量评估。通过对轴承加速疲劳寿命试验中全寿命周期的评估,验证了所提出方法的可行性和有效性。

基于支持向量机的几何距离方法在设备性能退化评估中的应用

为了掌握设备的性能退化状态,提出了一种基于支持向量机的评估方法.基于C-SVM算法,研究了设备特征向量与支持向量机最优分类面之间的几何距离与设备性能退化程度的关系.仿真结果表明,随着设备性能退化程度的恶化,数据向量的几何距离逐渐增大,因此,该方法可以有效地对设备性能退化进行评估.

基于小波包相关频带谱能量熵的滚动轴承性能退化评估方法

滚动轴承在使用过程中会经历不同的性能退化状态。提出小波包相关频带谱能量熵以评估滚动轴承初始性能退化程度。以滚动轴承全寿命周期数据为支撑,对数据进行小波包分解,并利用相关系数法提取包含主要故障信息的时频分量,然后沿时间轴计算各频带幅值谱,再计算谱能量熵。通过实验与时域典型指标均方根值(RMS),以及小波包频带幅值谱熵和小波包频带谱能量熵评估指标进行对比,验证了所提方法在滚动轴承性能退化评估中,对初始故障的评估具有一定的优越性。

基于多智能体的设备性能退化评估系统建模

为解决设备性能退化评估与预测系统的建模问题,提出了一种基于多智能体的分层次模型。在该模型中,给出了系统的整体构架;根据设备的功能结构,划分了多个层次的性能退化评估与预测智能体,定义了各层次智能体的具体功能。该模型为系统的实施提供了指导模板。

小波包熵在设备性能退化评估中的应用

开展设备性能退化评估研究,是制定主动设备维护策略、降低设备维护费用的基础。在设备性能退化过程中,信号成份会逐渐复杂化。本文提出利用小波包熵监测信号的复杂性变化,从而为设备性能退化评估提供可靠的特征向量。为了研究性能退化过程中振动信号的小波包熵的变化规律,使用裂纹转子动力学模型模拟了转子裂纹逐渐增加的过程,并使用仿真数据计算了各个状态下的小波包能量熵和小波包奇异值熵值。分析结果表明,随着转子性能退化程度的加深,小波包熵值逐渐增加,且对于性能恶化的突变较为敏感。