基于随机森林的滚动轴承故障辨识方法研究

滚动轴承工作时的故障信息难以获取,且其故障信息的辨识也存在困难,针对这一问题,提出了一种基于随机森林(RF)的滚动轴承故障辨识方法。首先,采集了滚动轴承的原始振动信号,并基于时域统计指标提取出了其原始振动数据的特征向量;然后,建立了基于随机森林的轴承故障辨识模型,同时利用测试集验证了故障分类结果,给在测试集分类过程中识别率较高的决策树赋予了较大的权重,使得对应的决策树在未来的分类过程中可以发挥更大的作用;最后,用验证集验证了最终的分类结果,通过多域多通道的滚动轴承故障特征数据集验证了所提方法的有效性。研究结果表明:在不同转速和变工况条件下,基于随机森林的滚动轴承故障诊断方法都能取得良好的轴承故障辨识效果,其分类准确率达到96%;与采用BP神经网络(BPNN)、K-近邻算法(KNN)、支持向量机(SVM)传统分类器的辨识结果相比,采用随机森林辨识方法的分类准确率明显更高。

基于EVMD和SODN的滚动轴承故障识别研究

在传统的滚动轴承故障识别方法中,存在对轴承振动信号的人工特征提取、选择困难的问题,提出了一种基于增强变分模态分解(EVMD)和自组织深层网络(SODN)的滚动轴承故障识别方法。首先,为了自动确定变分模态分解的模态数目,提出了一种功率谱的分割方法,从而提高了轴承振动信号的信噪比,并将滚动轴承的振动信号自适应分解为若干本征模态分量(IMFs);然后,根据综合评价指标,选择了较能反映轴承故障特征的IMFs分量,同时为了达到信号降噪的目的,对其进行了重构;最后,将自组织策略引入到深层自编码器中,进而构造了SODN,并将降噪后的轴承振动信号输入SODN,进行了自动特征学习与故障识别的对比实验,以验证该方法的可行性和有效性。研究结果表明:所提出的EVMD-SODN方法的轴承故障识别率达99.15%,标准差仅0.10,在故障识别率方面相比于其他组合模型具有较大优势。

基于CESGD和IMCCN的轴承故障识别研究

传统滚动轴承故障识别算法存在特征提取与特征选择困难的问题,为此,提出了一种基于完备集成辛几何分解(CESGD)和改进多通道卷积网络(IMCCN)的滚动轴承故障识别方法。首先,在采集到的滚动轴承振动信号中,添加符号相反且幅值相等的正负白噪声对,利用辛几何分解(SGD)将轴承多传感器振动信号分解为若干辛几何模态成分(SGMCs),并进行了集成平均;利用评价指标选择较能反映轴承故障特征的SGMCs分量并重构,进而完成了对轴承振动信号的有效降噪;然后,在卷积神经网络基础上提出了IMCCN结构,并将CESGD降噪后的振动信号输入IMCCN进行自动特征学习与故障识别;最后,为验证CESGD-IMCCN模型的可行性和有效性,在轴承故障模拟实验台以及CWRU轴承数据集上对此进行了测试,并将结果与采用其它方法获得的故障识别结果进行了对比分析。研究结果表明:基于CESGD-IMCCN的模型能够对不同故障工况及故障严重程度类型的滚动轴承进行有效识别和分类,其故障识别率达到99.52%,且标准差仅为0.12;CESGD-IMCCN模型在一定程度上避免了复杂的人工特征提取过程,其故障识别准确率和稳定性较高,在泛化能力、特征提取能力和故障识别能力方面比其他组合模型更具明显优势;对于含有噪声的滚动轴承振动信号,其故障识别准确率依然较高。