针对滚动轴承性能衰退指标敏感度低且退化起始点难以检测的问题,本文提出了自相关函数结合灰色关联度(Autocorrelation function and gray relational degree,AF-GRD)的轴承早期故障诊断方法。首先,基于希尔伯特变换和自相关函数处理轴...针对滚动轴承性能衰退指标敏感度低且退化起始点难以检测的问题,本文提出了自相关函数结合灰色关联度(Autocorrelation function and gray relational degree,AF-GRD)的轴承早期故障诊断方法。首先,基于希尔伯特变换和自相关函数处理轴承全寿命数据样本组获得自相关系列函数。然后,提取轴承运行初期的第一组数据作为参考样本,计算其余样本和参考样本的灰色关联度并构建轴承性能衰退指标。最后,根据该指标的变化趋势和健康阈值确定轴承早期故障发生的时间段,截取该时段的数据样本进行希尔伯特包络谱分析实现轴承早期故障诊断。利用实验室数据库完成对轴承早期故障诊断,结果表明:所提方法敏感度高而且可以完成轴承早期退化检测。展开更多
针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方...针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法。首先,将全寿命轴承信号进行希尔伯特(Hilbert)变换和快速傅里叶变换(Fast fourier transform,FFT)得到包络谱,根据故障特征频率及其倍频计算包络谱幅值的特征能量比(Feature energy ratio,FER);然后,根据自相关函数(Autocorrelation function,AF)得到包络信号的总能量,将故障特征能量和噪声能量的比值作为轴承性能退化指标,之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化;随后,使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型。为了提高抗干扰能力,将DropBlock层引入第一个大型卷积内核,在全局平均池化之前引入Dropout技术。最后,运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性,结果表明所提方法能更准确地实现滚动轴承寿命状态识别。展开更多
文摘针对滚动轴承性能衰退指标敏感度低且退化起始点难以检测的问题,本文提出了自相关函数结合灰色关联度(Autocorrelation function and gray relational degree,AF-GRD)的轴承早期故障诊断方法。首先,基于希尔伯特变换和自相关函数处理轴承全寿命数据样本组获得自相关系列函数。然后,提取轴承运行初期的第一组数据作为参考样本,计算其余样本和参考样本的灰色关联度并构建轴承性能衰退指标。最后,根据该指标的变化趋势和健康阈值确定轴承早期故障发生的时间段,截取该时段的数据样本进行希尔伯特包络谱分析实现轴承早期故障诊断。利用实验室数据库完成对轴承早期故障诊断,结果表明:所提方法敏感度高而且可以完成轴承早期退化检测。
文摘针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法。首先,将全寿命轴承信号进行希尔伯特(Hilbert)变换和快速傅里叶变换(Fast fourier transform,FFT)得到包络谱,根据故障特征频率及其倍频计算包络谱幅值的特征能量比(Feature energy ratio,FER);然后,根据自相关函数(Autocorrelation function,AF)得到包络信号的总能量,将故障特征能量和噪声能量的比值作为轴承性能退化指标,之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化;随后,使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型。为了提高抗干扰能力,将DropBlock层引入第一个大型卷积内核,在全局平均池化之前引入Dropout技术。最后,运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性,结果表明所提方法能更准确地实现滚动轴承寿命状态识别。