基于粒子群算法和变分模态分解的起重机滚动轴承性能退化评估

针对港口起重机滚动轴承早期故障特征不易提取、识别精度不够高的缺点,提出一种以粒子群(PSO)优化变分模态分解(VMD),结合支持向量数据描述(SVDD)的滚动轴承性能退化评估模型。通过PSO优化VMD中的参数,更好地提取滚动轴承的特征。利用SVDD模型中球心距离度量性能退化程度,并借助隶属度函数量化轴承性能退化,进而实现对轴承性能退化程度的精确评估。应用滚动轴承的全寿命试验数据验证该模型,并与传统的时域特征指标比较,本方法对轴承性能退化评估具有更强的敏感性,验证该方法的优越性。

结合VMD符号熵与SVDD的滚动轴承性能退化评估

针对滚动轴承的早期故障难以检测的问题,提出了一种基于变模态分解(Variable mode decomposition,VMD)符号熵和支持向量数据描述(Support vector data description,SVDD)的滚动轴承性能退化评估模型。首先对振动信号进行VMD分解并提取各个分量符号熵,并采用双样本Z值对各个分量符号熵进行评价,选取双样本Z值最大的特征作为特征向量。特征提取完毕后,采用SVDD模型进行性能退化评估,使用全寿命数据进行模型的验证。实验结果表明,相比于排列熵特征提取方法以及模糊C均值聚类(Fuzzy c-means clustering,FCM)方法,该模型可以更好显示出滚动轴承性能退化规律。

结合DBN和CHMM的滚动轴承性能退化评估

针对现有退化评估方法应用情境单一,特征指标筛选依赖人工经验,提出了一种基于深度置信网络(Deep belief network, DBN)和连续隐马尔科夫(Continuous hidden markov model, CHMM)相结合的滚动轴承性能退化评估方法。将滚动轴承正常状态下的振动信号处理为归一化幅值谱,以此作为DBN特征自动提取模型的输入,并使用CHMM做评估模型,其中CHMM的训练样本即通过DBN提取的正常状态下的特征向量。通过不同情境下的滚动轴承全寿命周期实验数据验证了所提模型的有效性。与近期有关文献所提方法进行比较,该方法避免了人工选择特征指标,且对早期微弱故障检测具有一定的敏感性。

基于时序可拓的滚动轴承性能退化评估方法研究

针对滚动轴承性能退化方法研究问题,提出了基于时序可拓的滚动轴承性能退化方法研究。首先利用自回归AR模型提取振动信号的特征,然后将所得的特征进行最值归一化处理,再用Fisher比对归一化处理后的特征进行打分降维,最后将降维后的特征向量输入到可拓学模型中,进而对轴承性能进行定性定量评估,通过实验并且用包络谱分析验证结论的准确性,实验表明所提的方法能有效发现早期故障。

基于TESPAR与GMM的滚动轴承性能退化评估

状态维修根据设备当前运行状态制定维修计划,可避免维修不足与维修过剩等问题。性能退化程度量化评估是实现滚动轴承状态维修的基础。提取滚动轴承早期无故障振动信号的TESPAR参数中的S矩阵作为原始特征,利用主分量分析对其进行降维处理后构建特征矢量,并建立无故障轴承高斯混合模型GMM。将轴承后期振动信号的S矩阵经降维处理后输入该GMM模型,得到被测样本与无故障样本之间的量化相似程度,以此建立时间编码对数似然值TELLP作为滚动轴承性能退化定量指标。轴承疲劳试验表明该方法能及时发现轴承早期故障,并且能很好地跟踪故障发展趋势。

基于多域特征与高斯混合模型的滚动轴承性能退化评估

视情维修可避免维修不足与维修过剩等问题,滚动轴承性能退化程度量化评估是实现视情维修的基础。提取滚动轴承早期无故障振动信号的时域、频域特征构建多域特征矢量,建立无故障轴承高斯混合模型(GMM)。将轴承后期振动信号的多域特征矢量输入该GMM模型,得到测试样本与无故障样本之间的量化相似程度,以此建立多域对数似然概率(MDLLP)值作为滚动轴承性能退化定量指标。MDLLP的取值上限为1,便于实际使用中确定轴承性能退化状态。轴承疲劳试验表明,该方法能及时发现轴承早期故障,并能很好地跟踪故障发展趋势,最优特征的选择与变换对评估效果具有较大影响。

流形模糊C均值方法及其在滚动轴承性能退化评估中的应用

滚动轴承全寿命周期性能退化监测是设备主动维修技术重要的组成部分,对损伤状态进行有效评估可以实现设备接近零停机运行,发挥机器的最大生产力。为有效描绘滚动轴承性能退化趋势,提出一种基于流形学习的模糊C均值(Fuzzy C-means algorithm,FCM)方法。首先提取监测信号的时域、频域特征及小波包时频域特征组成高维特征集,然后按确定的本征维数提取高维特征集的低维流形特征,进而建立基于局部线性嵌入流行学习(Locally linear embedding,LLE)的模糊C均值模型评估轴承当前运行状态。通过IMS滚动轴承全寿命试验,验证了该方法能够有效描绘滚动轴承性能退化阶段,为预知维修提供了重要信息。

结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估

针对设备的视情维修,提出一种将小波包奇异谱熵和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。先提取轴承全寿命周期内振动信号的小波包奇异谱熵作为轴承状态的特征矢量,然后以轴承正常状态下的特征矢量训练SVDD,得到正常状态下的基准超球体,再计算轴承全寿命周期内的特征矢量与基准超球体之间的相对距离,作为性能退化过程的定量评估指标,并对失效阈值和早期故障阈值进行设定。结果表明,与基于小波包和SVDD的性能退化评估方法相比,该方法的早期故障检测能力更强,对轴承性能退化各个阶段的描述更加准确。最后,利用基于EMD的Hilbert包络解调方法对评估结果的正确性进行了验证。

基于支持向量机的滚动轴承性能退化评估方法

由于损伤积累,轴承的性能会逐渐退化,为准确地评估滚动轴承性能退化状态,提出了一种基于支持向量机和小波包分解的方法。并利用具有不同故障程度的滚动轴承的振动信号,对该方法进行了验证。评估结果表明,该方法可以准确地评估轴承的性能退化程度。

基于小波包相关频带谱能量熵的滚动轴承性能退化评估方法

滚动轴承在使用过程中会经历不同的性能退化状态。提出小波包相关频带谱能量熵以评估滚动轴承初始性能退化程度。以滚动轴承全寿命周期数据为支撑,对数据进行小波包分解,并利用相关系数法提取包含主要故障信息的时频分量,然后沿时间轴计算各频带幅值谱,再计算谱能量熵。通过实验与时域典型指标均方根值(RMS),以及小波包频带幅值谱熵和小波包频带谱能量熵评估指标进行对比,验证了所提方法在滚动轴承性能退化评估中,对初始故障的评估具有一定的优越性。

结合CEEMDAN和灰度关联分析方法的滚动轴承性能退化评估

针对大型机械设备中滚动轴承容易发生故障的问题,提出一种将自适应噪声的完备经验模态分解(CEEMDAN)和灰度关联分析相结合的滚动轴承性能退化评估方法。首先利用CEEMDAN对轴承全寿命周期的振动信号进行分解,得到能量熵特征,其次以正常状态下的特征矢量作为灰度关联分析的参考序列,然后计算轴承全寿命周期内的特征矢量与正常特征矢量的关联度,作为性能退化过程的定量评估指标,结果表明该方法能及时发现早期故障,并能很好的描述轴承退化的各个阶段。最后利用基于CEEMDAN和Hilbert包络解调的方法对评估结果的正确性进行了验证。

基于SK等指标和SVM的滚动轴承性能退化评估研究

文中提出一种基于谱峭度等指标和支持向量机的滚动轴承性能退化评估的新方法。针对滚动轴承全寿命过程中各个时期故障损伤程度的不同,将故障监测分为4个阶段:正常、初期、中期、末期。通过与传统指标,例如均方根值、峭度值、峰峰值指标等对比,验证了谱峭度作为初期故障特征指标的优势。选取谱峭度等指标作为特征输入,构建多分类支持向量机预测模型来预测轴承性能退化阶段。使用轴承全寿命试验数据对预测模型进行检验,证明了该方法的有效性和可行性。

基于KL-VMD和综合特征指标的滚动轴承性能退化评估

针对滚动轴承早期性能退化点难以检测的问题,提出一种结合改进变分模态分解(VMD)和综合特征指标的滚动轴承性能退化评估方法。首先使用K-L散度优化VMD的参数,用优化后的VMD对轴承振动信号进行分解,通过Wasserstein距离筛选对退化特征较为敏感的模态分量,对其奇异值分解得到奇异值特征;结合信号的熵能比和置信值组成滚动轴承退化综合特征指标,最后构建支持向量数据描述模型计算性能退化指标,实现滚动轴承的早期微弱故障检测及性能退化评估。利用轴承全寿命实验数据验证方法的有效性,对早期性能退化点的检测结果相较于其他退化评估方法有所提前,为滚动轴承性能退化评估提供新思路。

基于一种简单时域方法的滚动轴承性能退化评估(英文)

滚动轴承是一种最常用的机械设备,其性能退化评估是实现CBM(视情维修)的基础。但要找到一种具有可靠性好、效率高和故障预警早的滚动轴承监测系统是一个重大的挑战。提出了一种简单新颖的轴承性能退化评估时域方法,并将其运用于在滚动轴承故障模拟试验和全寿命测试实验,两种实验结果都表明:所提出方法能够清晰地描述故障程度变化趋势并能检测早期故障。

同步抽取变换与复小波结构相似性指数的滚动轴承性能退化评估

为更早地检出滚动轴承异常并量化其性能退化程度,该研究提出同步抽取变换与复小波结构相似性(SET-CWSS)指数的滚动轴承性能退化评估新方法。利用同步抽取变换(SET)对当前时刻的振动信号进行时频分析,以获得能量更加集中的时频图,将SET后得到的时频图与刚投入运行时无故障振动信号的SET时频图进行复小波结构相似性(CWSS)评价,得到当前时刻滚动轴承性能退化评估SET-CWSS指数。通过疲劳试验验证及与其他性能退化评估方法对比,结果表明:SET-CWSS指数能有效的刻画出滚动轴承性能退化过程、量化评估其性能退化程度且对滚动轴承早期异常更加敏感。

基于逻辑回归的滚动轴承性能退化评估

设备运行状态从正常运行到发生故障通常要经过一系列不同程度的,可以量化的性能退化状态,如果能对这些状态进行实时监测评估,可以帮助实现设备的智能维修。本文以滚动轴承为研究对象,提出基于逻辑回归的性能退化评估模型,并用美国凯斯西储大学轴承中心数据进行了验证,结果表明,该方法取得了良好的评估效果。

包络谱熵在滚动轴承性能退化评估中的应用

针对性能退化评估框架下的特征群匮乏问题,根据信息熵能够对信号复杂程度进行整体度量的特征,以滚动轴承为研究对象,基于包络谱分析能够有效提取其异常信息,提出了一种适用于滚动轴承性能退化评估的特征提取新方法——包络谱熵.通过对其在滚动轴承全寿命周期应用结果的分析和比较,表明了包络谱熵作为滚动轴承性能退化评估特征新指标的有效性.

基于散布熵和余弦欧氏距离的滚动轴承性能退化评估方法

针对传统特征指标评估轴承性能退化状态时可靠性、敏感性低的问题,提出一种基于散布熵和余弦欧氏距离的滚动轴承性能退化评估方法。首先,将待测滚动轴承振动信号分为健康数据和测试数据,分别对其进行集成经验模态分解(ensemble empirical mode decomposition, EEMD),得到若干本征模态分量(intrinsic mode function, IMF),计算各IMF分量与原信号的相关系数,并根据相关系数准则选择IMF分量重构信号;然后,计算重构信号的散布熵,通过结合欧氏距离和余弦距离得到健康数据和测试数据散布熵之间的余弦欧氏距离作为退化指标;最后,利用切比雪夫不等式计算余弦欧氏距离健康阈值,评估轴承性能退化状态。实验结果表明,利用散布熵之间的余弦欧氏距离可以有效、及时地判断轴承性能退化状态,并且与其他指标相比,其敏感性、鲁棒性更高,能够更好地刻画滚动轴承性能退化趋势,为滚动轴承性能退化评估提供新的解决方法。

特征融合与灰色回归的滚动轴承性能退化评估

针对传统退化指标无法准确反映滚动轴承全寿命周期内退化状态的问题,提出一种特征融合与灰色回归的滚动轴承性能退化评估方法.该方法提取滚动轴承振动信号的高维退化特征,构建基于单调性、相关性和鲁棒性的综合评价准则,选择有效退化特征并构建敏感指标集;提出核独立成分分析(Kernel Independent Component Analy⁃sis,KICA)和马氏距离(Mahalanobis Distance,MD)相结合的方法,计算敏感退化指标KICAMD;融合灰色回归模型和3δ原则,判定敏感退化指标KICAMD是否存在虚假波动并修复,获得轴承健康指标(Health Index,HI);最后,基于HI时间序列的转折突变点,自适应确定初始故障时间和定量评估轴承退化状态.两组滚动轴承全寿命周期振动实验数据及对比分析表明,所提方法构建的性能退化指标能有效表征轴承全生命周期的运行状态.

随机矩阵理论和主成分分析融合的滚动轴承性能退化评估方法

为解决传统特征提取方法处理轴承高维监测数据时会造成部分有用信息损失及现有轴承性能退化状态指标难以精确表征实际运行状态的问题,提出了一种随机矩阵理论(RMT)和主成分分析(PCA)相融合的滚动轴承性能退化评估方法(RMT-PCA)。首先,通过平移时间窗对滚动轴承监测数据进行信息锁定,并构造出随机矩阵模型;其次,利用随机矩阵理论中的单环定理及M-P定律进行矩阵特征分解与提取,构造出14个特征指标;最后,基于PCA算法对多个特征指标进行融合,提取贡献率较大的主成分构造出融合特征指标用于轴承性能退化评估。采用美国IMS轴承全寿命数据进行实验研究,结果表明:与基于最大最小特征值之比指标的异常检测算法相比,RMT-PCA方法可提前12.5 h检测出轴承的早期异常;与分层狄利克雷过程-连续隐马尔可夫模型相比,RMT-PCA方法在对早期异常点和严重故障点的检测结果与前者基本相同,但其融合指标能够更清晰地反映出轴承在中期和严重退化阶段“愈合现象”的发生。