CMWPE结合SaE-ELM的轮对轴承故障诊断方法

针对DF4型内燃机车轮对轴承不同故障状态的判别问题,提出了一种基于复合多尺度加权排列熵(Composit multiscale weighted permutation entropy, CMWPE)和自适应进化极限学习机(Self-adaptive evolutionary extreme learning machine, SaE-ELM)的机车轮对轴承故障识别方法。CMWPE基于复合粗粒化和加权排列熵的思想,能很好地区分信号的不同模式。SaE-ELM通过自适应进化算法对极限学习机的输入权重、隐含层参数和输出权重进行优化,解决了ELM随机选取网络参数的局限性,提高了网络的泛化性能。计算机车轮对轴承不同健康状态下振动信号的CMWPE,利用SaE-ELM识别轴承所属故障类型及故障程度。在机务段的JL-501轴承检测台上采集了7种不同健康状态的轮对轴承试件的振动信号数据。结果表明:CMWPE特征提取效果优于MPE和MWPE;SaE-ELM模式识别效果优于参数不经优化的ELM。所提方法能够有效诊断机车轮对轴承的不同故障,且故障识别率达到100%。

基于MSET重构模型整体优化的轴承性能退化评估方法

针对传统单域特征指标无法充分表征轴承性能退化的状态信息,而基于多域高维特征向量的重构评估模型存在信息冗余且易受到不一致优化目标的影响而导致模型次优性能的问题,提出一种基于多元状态估计(multivariate state estimation technique, MSET)重构模型整体优化的轴承性能退化评估方法。首先,提取轴承振动信号的多个时域和频域特征、自回归模型系数和三层小波包Renyi熵组成高维多域特征向量,同时将健康状态的高维特征向量构建MSET重构模型的历史记忆矩阵;然后,利用遗传算法对轴承高维特征向量和MSET模型中的历史记忆矩阵进行同步联合优化,从而实现特征优选和重构评估模型的整体自适应优化,进一步提高降维后特征向量与重构模型的匹配性;最后,利用余弦相似度作为故障程度指标构建轴承性能退化评估曲线。西安交大-昇阳科技联合实验室滚动轴承疲劳试验全寿命数据分析结果表明,所提方法具有一定的有效性和可靠性。

相关系数包络谱联合指标CeK的轴承故障诊断方法

针对轴承故障冲击特征提取时存在噪声和转频等成分的干扰问题,提出一种相关系数包络谱联合综合指标CeK的轴承故障诊断方法。在信号预处理阶段采用新的综合指标CeK从总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)得到的多个本征模态分量(Intrinsic mode function,IMF)中选取最优分量,进一步使用最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)对最优分量进行滤波降噪处理,最后使用Laplace小波相关滤波法提取故障冲击相关系数的峰值,做相关系数的包络谱图。通过仿真信号的分析结果,验证了本文方法的可行性。借助于南昌铁路局采集的真实故障信号,并以峭度指标代替本文提出的综合指标进行后续处理以及自适应Morlet小波滤波提取故障特征的分析结果,突出了利用综合指标CeK和相关系数包络谱提取故障特征频率的优越性。

滚动轴承性能退化的时序多元状态估计方法

滚动轴承性能退化评估是预诊断的提前和基础,对在役滚动轴承实施在线状态监测和性能退化评估具有重要意义。针对概率相似度量评估方法存在模型复杂、容易过早饱和等现象,提出一种基于自回归时序(autoregressive model,简称AR)模型和多元状态估计(multivariate state estimation technique,简称MSET)的滚动轴承性能在线评估方法,其中AR模型用于提取轴承振动信号的状态特征,MSET模型用于重构AR模型系数。首先,提取正常运行状态下振动信号的AR模型系数构建MSET模型的历史记忆矩阵;其次,将待测信号的AR系数作为观测向量输入MSET模型中得到重构后的估计向量;最后,由原始AR系数和重构AR系数分别构造自回归模型,并各自完成对待测信号的时序建模,将两自回归模型所得残差序列的均方根值之差作为性能劣化程度指标。离散实验数据和全寿命疲劳实验数据分析结果表明,该方法能够有效检测早期故障,且具有与轴承故障发展趋势一致性更好等优点。

滚动轴承性能退化评估的自适应频带熵能比指标

针对轴承的性能退化评估中常规时域统计参数如均方根值(RMS)对早期故障不敏感,而基于概率估计和空间距离的评估方法存在计算量大、模型较为复杂等问题。将能检测时间序列细微突变且计算效率高的排列熵(PE)引入滚动轴承性能退化评估;同时考虑到PE对振动信号幅值不敏感,从而无法准确地反映振动信号不同频带能量分布情况,在PE的基础上提出一种新的性能退化评估指标——熵能比(EER);通过计算离散实验数据和全寿命疲劳实验数据的RMS,PE和EER,对比各指标与故障程度的一致性以及对早期故障和故障程度变化的敏感性,结果显示EER相较于RMS和PE具有对早期故障更敏感且与轴承故障发展趋势一致性更好等优点。通过工程实际数据分析进一步验证了EER指标的有效性,该研究结果有望为性能退化程度量化评估提供一种性能优异的指标。

小波滤波与最大相关峭度解卷积参数同步优化的轴承故障诊断

针对共振解调中带通滤波残留的带内噪声影响故障诊断效果的问题,目前主要的解决办法是增加后处理步骤对带内噪声进行二次消除。但存在的主要问题是前后处理步骤的参数各自独立优化,且优化指标未考虑滚动轴承故障冲击周期性发生的特点,从而难于保障诊断的总体效果。提出了一种结合Morlet小波滤波预处理和最大相关峭度解卷(MCKD)后处理的滚动轴承故障复合诊断方法。采用小生境遗传算法(NGAs)对Morlet小波滤波器中心频率和带宽、MCKD滤波器长度和周期进行同步联合优化,以考虑轴承故障冲击周期发生特点的相关峭度(CK)为优化指标,实现前后两个处理步骤的参数同步自适应优化。轴承故障仿真信号和实验台信号分析验证了所提方法的有效性和优越性。

基于多尺度熵的滚动轴承故障可拓智能识别

针对滚动轴承振动信号的多样性、复杂性以及不确定性,利用可拓学在分析矛盾问题可拓性和规律性时的优势以及对于时间序列多尺度熵(Multiscale Entropy,MSE)可在不同尺度上进行复杂度评价的特点,提出一种基于多尺度熵的滚动轴承故障可拓智能识别方法。利用MSE对轴承振动信号进行特征提取,利用Fisher比对MSE特征进行选择,将最终入选的MSE特征作为可拓物元模型的特征参数,并以此构建轴承不同健康状态物元模型的经典域以及所有状态下物元模型的节域。将待测数据代入构建好的轴承不同健康状态所对应的物元模型中,利用关联度函数计算待测数据与轴承不同健康状态的综合关联度,以此实现待测数据的定性定量识别。对电机滚动轴承的故障识别结果表明,所提方法对轴承正常、内圈故障、外圈故障和滚动体故障4类模式识别的准确率可达100%,高于常规的基于小波包和神经网络的方法。

以国产1号分级淬火油代替303淬火油用于引进热处理生产线

我厂自1986年7月从日本引进网带式炉热处理生产线。正式投产以来,我们经过反复对比应用试验,一直采用国产的1号分级淬火油来代替日本的303淬火油作为淬火介质,取得了显著的社会经济效益。 1.1号分级淬火油简介 1号分级淬火油是由北京机电研究所和上海润滑油厂共同研制的。研制单位在油品配方、性能测试、工艺试验及应用试验等方面取得了满意的结果。从1985年开始在轴承、齿轮等热处理厂点进行推广应用。分级淬火又称为热油淬火。

齿轮性能退化评估的时序重构模型

齿轮性能退化评估是预诊断的提前和基础,针对概率相似度量评估方法存在模型复杂,容易过早饱和等现象,提出一种基于AR (Autoregressive model)模型和字典学习的齿轮性能退化评估的重构模型方法,其中AR模型用于提取齿轮振动信号的状态特征,字典学习通过正常状态下构建的字典模型(Dictionary learning, DL)对测试样本进行AR模型系数重构。首先提取正常运行状态下振动信号的AR模型系数构建过完备字典模型,然后将待测信号的AR系数作为特征向量输入字典模型中得到重构后的AR模型系数。最后由原始AR系数和重构AR系数分别构造自回归模型,并各自完成对待测信号的时序建模,将两自回归模型所得残差序列的均方根误差作为性能劣化程度指标。全寿命疲劳实验数据分析结果表明,与传统时域指标相比该方法对早期故障更敏感且具有与齿轮故障发展趋势一致性更好等优点。

基于改进谱峭度与一维卷积神经网络的轴承故障诊断

由于轴承所处工况的复杂性,其振动信号中包含了各种噪声和干扰,导致传统信号处理方法效果不理想。因此,很多研究将信号处理方法与神经网络相结合对故障进行诊断,卷积神经网络(CNN)因其对图像具有独特的特征提取能力而被引入故障诊断领域。而通过信号处理构造的图像可能存在信息冗余问题,将信息冗余图像直接作为网络输入会增加其复杂度。针对上述问题提出了一种基于改进谱峭度与一维CNN的故障分类方法。改进谱峭度方法克服了非高斯噪声和偶然性冲击的影响,能很快地选择正确的滤波频带。考虑到构造谱峭度图的原理,将谱峭度图转换成一维序列信号,作为一维CNN输入进行故障分类,相比于直接将谱峭度图输入二维CNN中,该方法去除了图像的冗余信息,减少了网络结构参数,降低了网络复杂度。通过二组数据分析验证了该文方法的有效性和泛化性。

基于多尺度熵与SOM神经网络的激动轴承故障识别

滚动轴承故障识别是实现视情维修的基础。针对滚动轴承出现故障时振动信号表现出的非平稳性和非线性,提出了一种基于多尺度熵(Multi-scale Entropy,MSE)和自组织特征映射(Self-organizing Feature Maps,SOM)神经网络的滚动轴承故障识别方法。该方法通过提取滚动轴承振动信号中不同故障状态下的MSE作为SOM神经网络的输入,通过SOM神经网络进行识别,得出轴承的不同故障及故障程度。通过实验表明提出的方法能有效地实现滚动轴承故障类型以及故障程度的智能识别。

滚动轴承故障时序可拓智能诊断方法

针对滚动轴承故障智能诊断问题,提出一种基于时序模型和可拓学的滚动轴承故障诊断方法。利用时序模型中的AR(Autoregressive Model)模型对轴承振动信号进行特征提取,以AR模型的自回归参数和残差方差作为特征向量,再利用Fisher比对AR模型的特征向量进行选择,将最终所形成的特征向量作为可拓物元模型的特征参数,以此特征参数来建立轴承不同健康状态下物元模型的经典域和所有状态下物元模型的节域。将待测数据输入到已建立的滚动轴承不同健康状态对应的物元模型之中,通过关联函数来计算待测数据与滚动轴承不同健康状态的综合关联度,实现滚动轴承状态的可拓学定性与定量诊断。进行了滚动轴承包含不同故障类型和故障程度的十种不同健康状态识别实验,每次随机选取训练样本,100次测试的平均识别率达98.86%,较基于AR模型和BP神经网络的传统诊断方法效果要好。