基于AR-连续HMM的故障诊断模型及应用

在状态监测与故障诊断中,被测设备的状态一般不能直接观察到,要通过测量被测设备的表现来感知,这和隐马尔可夫模型(HMM)在本质是相通的。因此可以利用连续高斯密度混合HMM分析被测设备的振动信号,首先以AR模型系数为特征,研究不同状态数与不同混合高斯数对HMM模型分类的影响,再利用较优的状态数与混合高斯数HMM模型进行状态监测和故障诊断,诊断与对比实验结果表明该方法能利用少量样本进行训练和有效诊断。

基于连续高斯密度混合HMM的滚动轴承故障诊断研究

滚动轴承在直升机的传动系统中占有十分重要的地位,对其进行快速有效的状态监测与故障诊断具有重大意义。由故障诊断和隐马尔可夫模型(HiddenMarkovModel,HMM)本质上的相通性,利用连续高斯密度混合隐马尔可夫模型分析滚动轴承的振动信号,先以基于短时傅里叶变换的倒谱系数为特征训练模型,再利用模型进行状态监测和故障诊断,实验结果表明该方法能利用少量样本进行训练和有效诊断,且具有训练时间短、诊断速度快的优点。

基于AR模型和谱峭度法的滚动轴承故障诊断

自回归(AR)模型是平稳信号分析的重要工具,利用峭度最大原则确定AR模型最优阶次,然后利用此AR模型对滚动轴承故障信号进行预处理,剔除可线性预测的平稳成分,得到的残余分量中理论上只包含了噪声信号和信号的非平稳部分,从而降低了后期数据分析难度。谱峭度对于非平稳信号非常敏感,它可以将非平稳信号从噪声中检测出来,因此将两者结合起来可以更有效地对滚动轴承故障进行诊断,实验结果验证了此方法的有效性。

基于AR模型和径向基神经网络的滚动轴承故障诊断

径向基函数 (RBF)神经网络是一种三层前馈型非线性神经网络 ,它具有较强的函数逼近能力和分类能力。根据径向基函数神经网络的优点 ,在对滚动轴承正常和故障振动信号特征分析的基础上 ,提出了采用时间序列方法对其建立AR模型 ,利用AR模型特征参数建立径向基函数神经网络 ,并用该网络对滚动轴承的故障信号进行了诊断。理论和试验证明了该方法的有效性 。

基于滚动轴承故障诊断的AR预测滤波器阶数问题研究

通过对滚动轴承故障原理的研究,详细讨论的了利用AR预测滤波器对滚动轴承故障进行降噪处理时其最优化阶数选择的问题。根据滚动轴承故障信号的冲击衰减模型,提出了共振衰减整周期截取的定阶思路。通过对仿真信号的研究分析,揭示了应用AR预测滤波器分析故障信号时阶数选取和信号的信噪比、衰减阻尼比、采样频率、结构共振频率之间的关系,为深入分析AR预测滤波器的阶数选择问题提供了良好的基础。同时,利用最大峭度方法实现了最优化阶数的确定,通过对实验数据的分析,验证了该定阶方法的有效性。

基于EMD-AR模型和灰色关联度的滚动轴承故障诊断

提出了一种新的滚动轴承故障诊断方法:模型灰色识别法(EMD-AR)。首先对振动信号进行经验模式EMD分解,然后重新组合基本模式分量IMF,依重组分量建立AR模型,将模型自回归参数和模型的残差方差σ组成特征向量,利用灰色关联度作为模式识别的方法,实现了对滚动轴承的精密诊断。

基于SVM-HMM轴承故障诊断方法

基于支持向量机和隐马尔可夫模型的诊断,提出了一种新的轴承故障诊断方案。结合SVM的分类能力和HMM的动态时间序列处理能力,通过sigmod函数和高斯模型,将支持向量机的输出信号转化成后验概率的形式,再引入HMM模型隐状态的观测概率,通过AR参数建立诊断的特征向量,从而提高轴承故障诊断精度。该方案的实验数据是通过小波分析提取自轴承的高频共振振动信号。

基于HMM和CS-VMD的滚动轴承故障诊断

针对滚动轴承故障信号非线性和非平稳的特点,为准确识别滚动轴承的故障类型,提出了一种基于隐马尔可夫模型(HMM)并利用布谷鸟搜索(CS)优化变分模态分解(VMD)的滚动轴承故障诊断新方法。首先,利用CS分别优化VMD的模态分解个数K和二次惩罚因子α;然后,设置寻优得到的最佳参数组合,将故障信号经VMD分解为一系列本征模态函数分量(IMFs);最后,依据相关系数重构信号,并从重构信号中提取特征向量输入HMM模型中训练及识别。通过对实验采集的轴承故障振动信号的分析,验证了此方法的有效性和准确性。

基于AR模型的滚动轴承故障诊断

滚动轴承是旋转机械的重要典型零部件,本文将自回归(AR)模型应用于滚动轴承故障诊断,对其时域信号建立自回归模型,计算出其AR功率谱,并和经典功率谱进行比较,进而判断轴承的工作状态。实验结果表明,该方法能简单有效地识别滚动轴承故障。

关联维数和基于内禀模态函数的AR模型在滚动轴承故障诊断中的应用

提出一种基于内禀模态函数(Intrinsic Mode Function,IMF)、自回归(Auto-Regressive,AR)模型和关联维数的滚动轴承故障诊断方法。该方法首先采用经验模态分解(Empirical Mode Decomposition,EMD)将滚动轴承振动信号分解成若干个IMF,然后对包含主要故障信息的IMF分量建立AR模型,计算AR模型自回归参数的关联维数,并以关联维数作为特征向量输入神经网络分类器,最后通过网络的输出结果来识别轴承的工作状态和故障类型。对实验数据的分析结果表明,该方法能有效地应用于滚动轴承的故障诊断。

基于AR模型和总变差去噪的滚动轴承故障诊断

为了提取强背景噪声下的滚动轴承微弱故障信息,提出一种基于AR模型和总变差去噪的滚动轴承故障特征提取方法.该方法首先利用AR模型对滚动轴承故障信号进行预处理,剔除可线性预测的平稳成分,获得只包含噪声和非平稳成分的残差分量;然后应用总变差去噪方法消除残差信号中的噪声成分,突出信号的冲击特征;最后对降噪后的信号进行包络解调提取轴承故障特征频率.仿真和试验信号分析结果表明该方法优于小波软阈值降噪.

基于HMM模型的滚动轴承故障分析

将声信号作为故障诊断的主要信号源,结合隐马尔可夫理论,实现了对滚动轴承零件的故障诊断。首先建立不同滚动轴承的HMM模型,接着输入任意进行过滤波及矢量量化前期处理的机械故障声信号特征矢量集进行故障识别,处理过程应用MATLAB语言实现。

CHMM在滚动轴承故障诊断中的应用研究

针对神经网络模型需求训练样本量大以及大部分神经网络处理的是静态模式识别的问题,提出一种具有良好分类能力的动态模式识别方法——连续混合高斯概率密度隐马尔科夫模型(CGHMM)。以滚动轴承为研究对象,首先通过小波包分解方法提取振动信号的特征参数,然后利用主元分析(Principal Component Analysis,PCA)对提取的特征参数进行优化降维,实现对模型输入数据的简化,进而利用简化的特征值矩阵分别训练各个状态的CGHMM,最后利用训练好的CGHMM进行滚动轴承的状态监测与故障诊断。实验结果表明,该方法不仅可以智能识别滚动轴承状态,而且所需样本数较少,训练速度快,对实现滚动轴承智能化在线状态监测与故障诊断具有重要意义。

基于VMD-HMM的滚动轴承磨损状态识别

根据变分模态分解(VMD)在信号处理上的良好特性与隐马尔可夫模型(HMM)在时间序列上的分类能力,提出了一种基于VMD分解与HMM模型相结合的滚动轴承磨损状态识别方法。该方法利用VMD对轴承各个磨损时期信号进行分解,进而计算VMD分解后各IMF的能量熵,依次提取轴承振动信号的各层IMF能量熵构成特征向量序列,每种状态随机选取20组(共80组)输入HMM模型训练,剩余的特征向量序列进行测试,通过对比对数似然概率值来判别磨损状态。实验结果表明该方法能够准确分辨出轴承的磨损状态,与EMD-HMM、谐波小波样本熵HMM模型进行了对比,验证了该方法具有识别性高准确性强的优点。

AR模型在船舶旋转机械故障诊断和状态预测技术的应用

旋转机械如齿轮、轴承等,是船舶动力系统的关键部件,其安全性、可靠性直接决定了船舶的使用寿命。通常,旋转机械的故障与其振动特性密切相关,通过监测旋转机械的振动频率信号,可以分析和匹配相应的故障类型。本文首先介绍船舶动力系统齿轮、轴承的工作原理和特征频率,结合时间系统AR模型构建了船舶旋转机械故障诊断和状态预测系统,通过分析旋转机械部件的时间序列信号,分析和预测旋转机械部件的故障和工作状态。

基于改进CNN和Kmeans的双转子轴承半监督故障诊断

针对双转子轴承复杂信号故障特征难提取、工程中某些类型的故障数据缺乏时卷积神经网络(convolution neural network,简称CNN)难训练的问题,提出一种基于改进CNN和Kmeans的双转子轴承半监督故障诊断方法。首先,利用自回归(autoregressive,简称AR)模型对双转子轴承信号去噪,并基于傅里叶变换得到信号频谱作为CNN输入;其次,以Morlet小波基频域函数作为激活函数构建CNN,结合Softmax损失和提出的权重内积最小化损失在少类别训练数据下训练CNN;最后,基于Kmeans聚类算法分析CNN线性输出确定无标签数据伪标签,并结合半监督学习中自训练思想迭代CNN更新伪标签,继而依据伪标签划分双转子轴承正常、已知故障和未知故障状态。利用双转子轴承故障模拟试验台数据进行验证,结果表明,在少类别训练数据下,其诊断效果相较于人工神经网络(artificial neural network,简称ANN)等方法更佳,诊断准确率达到了100%,验证了所提方法的有效性。

外圈与轴承座间隙对滚道故障轴承振动性能的影响

通过接触变形描述圆柱滚子轴承滚道故障机理,借鉴保持架与外圈作用关系计算外圈与轴承座相互作用力和力矩,以牛顿-欧拉方程建立考虑外圈与轴承座间隙的滚道故障圆柱滚子轴承动力学模型,分析了间隙和摩擦因数对轴承振动性能的影响规律,并通过试验验证了所建立模型的可靠性。结果表明:外滚道故障时域振动信号冲击峰出现时间随间隙增大而提前,局部高频波动幅值随摩擦因数增大而增大,而故障特征频率幅值减小;内滚道故障时域振动信号冲击峰出现时间随间隙增大而滞后,局部高频波动幅值随摩擦因数增大而增大。

VPMCD和改进ITD的联合智能诊断方法研究

提出了一种基于变量预测模型(Variable predictive model based class discriminate,简称VPMCD)和改进固有时间尺度分解(Intrinsic time-scale decomposition,简称ITD)算法的滚动轴承故障诊断方法。VPMCD方法充分利用了特征值之间的相互内在关系来建立预测模型,并以这些模型对待诊断样本的特征值的预测结果作为分类依据来进行模式识别。ITD方法能自适应地将非平稳信号分解成为若干单分量信号(固有旋转分量,Proper rotation component,简称PRC)之和。首先对ITD算法进行了改进;接着采用改进ITD算法对原始振动信号进行分解得到多个内禀尺度分量(Intrinsic scale component,简称ISC);然后对包含主要故障信息的若干内禀尺度分量建立对数正态分布模型,并提取其对数均值和对数标准差作为故障特征值;最后采用VPMCD模式识别方法得到各故障特征值的预测模型,并利用预测模型对待诊断样本的故障类型和工作状态进行分类和识别。对滚动轴承正常、外圈故障和内圈故障振动信号的分析结果表明了该方法的有效性。

基于EMD和SVM的滚动轴承故障诊断方法

将支持向量机(Support V ectorM ach ine,简称SVM)、经验模态分解(Em p irica lM ode D ecom pos ition,简称EM D)方法和AR(A u to-R egress ive,简称AR)模型相结合应用于滚动轴承故障诊断中。该方法首先对滚动轴承振动信号进行经验模态分解,将其分解为多个内禀模态函数(In trins ic M ode Function,简称IM F)之和,然后对每一个IM F分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对滚动轴承的工作状态和故障类型进行分类,从而实现了滚动轴承故障诊断的自动化。

基于邻域自适应局部保持投影的轴承故障诊断模型

为了有效利用振动信号进行故障诊断,提出了一种基于邻域自适应局部保持投影的轴承故障诊断模型。首先,利用EMD将轴承振动信号分解为若干个平稳的固有模态函数(IMF),对IMF分量建立自回归(AR)模型,构建原始特征子集。然后,利用邻域自适应局部保持投影算法对原始特征子集进行降维处理,获得原始特征子集的低维特征向量和投影矩阵。以低维特征向量为输入,以最小二乘支持向量机(LS-SVM)为分类器,通过研究故障识别率和低维特征空间维数的关系确定最优降维维数和对应的最优投影矩阵。最后,根据最优降维维数完成降维处理过程,得到低维特征向量,输入LS-SVM分类器,识别轴承的工作状态和故障类型。实验结果表明,该模型提高了轴承故障诊断的精度。