滚动轴承作为机床主轴的关键部件,其剩余寿命预测直接决定着整机设备的剩余寿命。若不能及时地预知滚动轴承的健康状态或损伤情况,不仅会影响维修策略的制定,还会造成级联故障,易造成机床灾难性的事故。针对大数据下滚动轴承振动信号的自适应故障特征提取和智能诊断问题,构建卷积神经网络和长短期记忆网络(CNN-LSTM)相结合的寿命预测模型,它可以避免人工参与的影响,实现网络的互补优势。对滚动轴承的退化状态以及剩余寿命进行预测,并与卷积神经网络(CNN)、长短时记忆神经网络(LSTM)进行对比实验。结果表明所提方法CNN-LSTM有着较高的预测准确度。

针对普通滚动轴承智能故障诊断方法自适应提取能力弱及故障诊断率低的问题,提出一种基于混合注意力机制模型的滚动轴承故障诊断方法。将一维原始振动信号通过连续小波变换转换为二维特征图像,输入到卷积核注意力机制中以自适应提取故障特征;将提取特征后的图像输入到TDSC模型中,以此量化模型参数、减少每个参数占用内存和对训练好的复杂模型进行压缩,同时提高模型的推理速度和模型训练的准确率;最后,通过2个不同的公开轴承数据集进行实验验证。结果表明2个数据集故障诊断的最高准确率分别达到了99.99%和99.70%,证明了基于混合注意力机制的轴承故障诊断方法的可行性和优越性。

滚动轴承早期故障信号微弱,故障特征难以提取。针对此问题,提出一种基于时变滤波经验模态分解(TVF-EMD)模态分量自适应融合与奇异值分解(SVD)降噪的轴承早期故障特征提取方法。为了降低故障信号的非线性和非平稳性,通过TVF-EMD将轴承信号分解为一系列本征模态函数(IMF)。为了克服TVF-EMD分解后IMF分量过多的不足,构造包络故障信息能量占比(EREFI)指标,通过EREFI对IMF分量进行降序排列,并依据包络故障信息能量占比递增原则对IMF分量依次进行融合,直至找到最优融合分量。最后,通过SVD对最优融合分量降噪,并提取故障特征。通过仿真信号以及2个实测轴承故障信号对所提方法性能进行了实验验证。实验结果表明所提方法具有良好的敏感特征筛选融合能力和降噪能力,能更准确提取出轴承早期故障特征,实现故障类型的准确识别。

针对滚动轴承振动信号易受外界噪声干扰、传统的故障诊断方法难以提取故障特征以及准确率低等问题,提出一种基于集合经验模态分解(EEMD)和卷积神经网络结合支持向量机(CNN-SVM)的滚动轴承故障诊断方法。利用EEMD算法对原始振动信号进行分解得到本征模态函数(IMF)分量,再由相关系数筛选最佳分量进行信号重构,得到降噪后的振动信号。将重构降噪后的振动信号转换为二维特征图输入卷积神经网络进行训练提取特征。最后将提取到的稀疏代表特征向量输入到支持向量机进行故障分类。实验结果表明所提方法能有效降低噪声干扰,便于提取故障特征,与传统的故障诊断方法相比准确率更高,诊断速度更快。

针对工业数据采集困难和稀疏数据特征提取能力有限等问题,提出一种基于Mel光谱数据增强和ResNet网络的滚动轴承故障诊断模型。为了增加训练样本数据的多样性,引入了Mel光谱数据增强技术,提高模型的泛化能力,使其能够更好地适应各种滚动轴承故障情况。通过ResNet网络残差单元的堆叠深度捕捉复杂的故障特征信息,进而有效识别滚动轴承的故障模式。最后,对实验现场采集的滚动轴承故障数据进行验证评估。结果表明所提模型在增强数据集上的诊断准确率高达99.83%,比原始数据集准确率提高了1.39%;与其他方法相比,该模型在准确性和鲁棒性方面都取得了显著改进,能更准确地识别滚动轴承的不同故障类型。

为有效描述滚动轴承性能退化趋势和准确预测其剩余寿命,提出一种基于多域特征融合的Transformer-GRU并行网络的滚动轴承剩余寿命预测方法。建立评价指标对滚动轴承振动信号的时域、频域和时频域等多域特征进行筛选,得到评分高的敏感特征,获得退化特征集。利用自编码对退化特征集进行降维,减少数据复杂度和冗余度,得到滚动轴承的退化曲线。最后,利用Transformer-GRU并行网络进行剩余寿命预测,并将该方法运用到公开的轴承数据集分析中。结果表明Transformer-GRU并行网络不仅可以高效准确地捕捉输入序列中的长期依赖关系,还能更好地处理时间序列之间的特征;该方法可以有效地预测滚动轴承剩余寿命,相比LSTM、GRU等经典方法更具优越性和泛化性。

为研究混合陶瓷角接触球轴承剥落故障振动特性,在ANSYS Workbench中建立了角接触球轴承的动力学有限元模型,通过在外圈滚道、内圈滚道及滚动体上设置剥落故障,分析特定工况下正常与剥落故障时轴承各零件受力变化。在此基础上,研究正常与不同零件故障对接触力的影响,并分析剥落故障对轴承零件运动特性的影响。结果表明:轴承各元件中应力最大的是滚动体,剥落故障使轴承最大应力增加,且最大应力大都出现在滚动体上;外圈剥落对经过剥落处的滚动体造

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解(VMD)形态谱和模糊C均值聚类(FCM)算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类

针对滚动轴承发生局部故障时振动信号中微弱周期性冲击的特征提取问题,提出参数优化集合经验模式分解（optimal ensemble empirical mode decomposition,简称OEEMD）与Teager能量算子解调结合的滚动轴承故障诊断方法。首先,针对集合经验模式分解（ensemble empirical mode decomposition,简称EEMD）过程中两个关键参数k（加入白噪声的幅值系数）和m（集合平均次数）的准确选取问题,通过引入相关系数、相关均方根误差和信噪比分析,给出一种可自适应确定这两个参数取值的OEEMD方法,通过OEEMD将冲击从滚动轴承振动信号中分离出来;其次,采用Teager能量算子对其进行包络解调,计算出瞬时幅值后再对瞬时幅值进行包络谱分析,以获取冲击的特征频率,从而对滚动轴承故障进行准确诊断。仿真信号分析和应用实例验证了该方法的有效性。

针对单一的小波包能量特征难以实现滚动轴承故障准确诊断的局限性,提出了一种新的基于最小熵解卷积(Minimum Entropy Deconvolution,MED)、小波包能量谱和分层模糊熵的滚动轴承故障诊断方法。采用MED算法抑制噪声,突出故障冲击特征;分别提取小波包分解后不同频段能量谱和分层模糊熵融合作为特征向量,通过支持向量机完成了对于滚动轴承的故障分类。将提出的方法应用于滚动轴承实验数据进行分析,通过对比结果验证了所提方法有更高的分类准确性和更大的实用性。