基于COT-NGO-VMD与LSTM的变转速滚动轴承故障诊断

针对滚动轴承在混合变转速工况下故障特征难以提取和故障诊断识别不准确的问题,提出了一种基于计算阶次跟踪(COT)-北方苍鹰优化算法(NGO)-变分模态分解(VMD)的故障特征提取与长短时记忆神经网络(LSTM)相融合的变转速滚动轴承故障诊断模型。首先,通过COT算法将非平稳时域信号转为平稳角域信号;然后,通过NGO算法对VMD的模态个数K与惩罚因子α进行优化;其次,以局部极小包络熵为目标筛选VMD分解的最优分量并提取低阶阶次谱值作为故障特征向量;最后,采用uOttawa轴承数据集,把特征向量输入到LSTM神经网络中进行训练与测试。结果表明,在混合多种工况条件下,此模型的准确率达到97.78%,验证了本模型的有效性。

加权奇异值结合极值点包络的变转速轴承微弱故障诊断

针对强背景噪声干扰且转速时变下滚动轴承微弱故障难以有效诊断的问题,提出加权奇异值分解(WSVD)重构结合极值点包络阶次跟踪的变转速滚动轴承微弱故障诊断方法。对于奇异值分解(SVD)后对故障特征子分量有效重构的问题,利用周期调制强度(PMI)表征各子分量故障特征信息,并对含有较多故障特征的子分量加权重构,实现微弱故障信号的信噪分离与特征增强;引入极值点包络阶次跟踪方法,通过求取重构信号的极值点包络,对其进行阶次跟踪,根据包络阶次谱图中的阶次信息对故障信息进行分析,达到微弱故障有效诊断的目的。变转速滚动轴承微弱故障的仿真和实例分析结果表明,与传统方法和其他方法相比,所提方法能有效增强微弱故障特征,去除噪声,准确诊断变转速下滚动轴承微弱故障。该方法为变转速下滚动轴承微弱故障诊断提供了新思路。