EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.

自确认ATE构架及其关键技术

随着技术的不断发展与进步,人们对自动测试设备(ATE)的要求越来越高,目前的ATE在智能化、可靠性和可维修性等方面依然存在不足之处,虽然已有众多的学者对ATE进行了改进和完善,但是大多研究者都是只针对其中某一个方面进行改进,还没有形成完整的体系结构以提高ATE的功能和性能。为了提高ATE的智能化、可靠性和可维修性,借鉴自确认传感器理论,并结合维修决策与仪器资源重构方面的理论知识,提出了一种自确认ATE的体系结构,并对自确认ATE关键技术进行了分析。所提出的自确认ATE主要具备的功能是:可以对ATE故障进行诊断;可在线输出动态不确定度来表征测量值的准确度范围;具有预测及健康管理功能,能够估计健康可信度并给出预测结论;对于不同的被测对象,可以通过重构仪器来配置测量通道。与传统的ATE相比,自确认ATE具有更高的可靠性、扩展性和可维修性。