针对滚动轴承早期故障具有强噪声背景且信号弱强度导致诊断精度较低的问题,提出一种基于共振稀疏分解(RSSD)的改进一维卷积和双向长短期记忆的故障诊断方法。利用3σ原则确定轴承全寿命周期的早期退化起始点,对起始点时域信号进行RSSD降噪处理,从而提高早期微弱故障的分辨率;将数据预处理后的信号输入到添加SE注意力机制的卷积神经网络(CNNSE)中提取关键局部特征,其输出输入双向长短期记忆神经网络(BiLSTM)对当前及前后时间序列信息进行特征提取;最后,通过全连接层和Softmax层进行早期多故障分类。采用所提方法针对XJTU-SY轴承全寿命周期故障信号进行实验,结果表明所提方法对早期微弱故障信号有更高的识别率,诊断准确率99.75%,优于其他诊断方法。

轴承早期故障的实时诊断,是实际工程应用需求和基础科学问题研究的交汇点,是轴承故障诊断的发展方向之一。首先,阐述了轴承故障及演变过程;其次,根据轴承早期故障实时诊断的需求,总结了轴承早期故障诊断难点问题;之后,重点论述了轴承早期故障诊断3个关键环节所采用的各种技术微小监测信号增强技术、监测数据的融合表示技术以及早期故障智能诊断技术;最后,总结展望了轴承早期故障诊断技术的发展趋势。

针对滚动轴承早期故障信号微弱、故障特征难以提取导致故障分类效果差的问题,提出了一种基于改进麻雀搜索算法(Sparrow Search Algorithm,SSA)进行自适应参数优化的变分模态分解(Variational Mode Decomposition,VMD)和多层特征向量融合的极限学习机(Extreme Learning Ma⁃chine,ELM)的滚动轴承故障诊断方法。首先,根据适应度函数值和迭代次数自适应改变SSA的寻优步长;随后,将改进后的SSA对VMD算法的重要参数(分解个数K和惩罚因子α)进行自动寻优,适用度函数采用最小包络谱熵;接着,提取经SSA-VMD分解后的包络谱熵最小的内蕴模态函数(In⁃trinsic Mode Function,IMF)分量作为最优分量,并计算其特征值;最后,通过变异系数法筛选,构造均方根值和峰值为第一层二维特征值向量,构造样本熵、峭度和均方根为第二层三维特征值向量,分别送入极限学习机ELM进行滚动轴承故障的训练分类。试...

针对大型往复式机械设备高压隔膜泵单向阀早期故障难以识别的问题,该文提出基于变分模态分解(variational mode decomposition,VMD)和Wigner-Ville的单向阀早期故障诊断方法。首先,利用VMD将原始振动信号分解成有限个IMF分量,基于观察中心频率法筛选富含故障信息的IMF分量;然后,利用魏格纳-维利分布(Wigner-Ville distribution,WVD)对筛选后的IMF分量计算,得到每个分量的Wigner-Ville分布;最后,将各项结果线性求和得到信号的WVD分布。经仿真与工程实验分析,该方法能较好表征出振动信号中所蕴含的单向阀早期故障特征信息,能实现高压隔膜泵单向阀早期故障诊断。

针对非线性、强背景噪声下滚动轴承振动信号早期故障特征微弱,难以识别的问题,提出一种改进经验小波变换(EWT)降噪和快速谱相关相结合的滚动轴承早期微弱故障诊断方法。针对EWT频带划分方式受噪声影响较大,存在划分不合理的问题,提出极大值包络处理的划分方式;采用改进的EWT进行自适应信号分解,获得不同的固有模态分量,采用峭度准则筛选出有用模态分量,并进行重构得到降噪后的信号;为增强早期故障信号中的故障冲击周期成分,对降噪后的信号采用

滚动轴承早期故障信号中故障信息比较微弱常常被强噪声所掩盖,增加了对滚动轴承故障诊断的难度。针对这一问题,笔者提出了基于自适应最优Morlet小波变换的滚动轴承故障诊断方法。首先,利用粒子群优化算法对Morlet小波变换的核心参数进行自适应寻优,在获得最优Morlet小波的同时保证了良好的带通滤波性能;然后,将最优Morlet小波对滚动轴承早期故障信号进行滤波去噪,提高信号的信噪比;最后,对最优Morlet小波滤波信号进行包络谱分析,通过包络谱中的主导频率成分与滚动轴承各元件的故障特征频率对比从而判断轴承的故障位置。仿真数据和实测数据分析结果证明,笔者所提方法能够有效提取故障信号中的特征信息,具有一定的有效性。

提出了一种基于变分模态分解（VMD）消噪和核模糊C均值（KFCM）聚类相结合的滚动轴承早期故障识别方法。首先提出一种通过综合运用泄漏能量和互相关系数函数确定VMD预设尺度数K的新方法，弥补了VMD方法通常按经验选取预设尺度数方法的不足；然后对振动信号进行VMD分解得到K个限带的内禀模态函数（BIMF）分量，利用归一化的自相关系数函数能量集中比大于0．9的原则确定含有噪声的BIMF分量，并剔除这些含噪BIMF分量，再将剩余的BIMF分量叠加进行信号重构，实现了信号的消噪；最后计算各样本重构信号的均方根值和归一化能量值得到二维特征向量样本集，并输入到KFCM聚类器进行故障诊断。利用实测轴承故障数据进行验证，结果表明与经验模态分解（EMD）方法相比，可以有效地实现滚动轴承早期故障诊断。