实测轴承振动信号就有非平稳、非线性特征,因此,对该类信号的分析需要进行解调得到特征频率,在众多解调法中包络分析是最为常用的方法;为了使解调结果更加清晰,常在解调前进行滤波,达到滤除干扰成分可有效提升解调的效果。经验小波变换提供了基于频带划分的小波滤波框架,划分后频带可滤除部分干扰信号,突出故障信号。对此,受“箱型图”和层次聚类法的启发,对“突出值”聚类法进行频带划分,通过平方包络互相关系数选取合理的频带划分个数。最后选取平方包络峭度值最大的滤波子信号进行Teager能量算子解调,获取特征频率。文章针对不同工况下的不同故障类型轴承运行数据进行分析,验证算法的有效性。特别地,在复合故障分析中,利用动态阈值法到达分别突出不同轴承故障频率的效果。

掩膜信号法一定程度上削弱了信号分解结果中的模态混叠现象,其分解结果主要受到掩膜信号的幅值和掩膜频率的影响。为获得参数最优解,摒弃了传统计算获得的方法,提出了细菌觅食算法优化掩膜参数的滚动轴承故障诊断方法。首先利用参数寻优的BFA算法优化掩膜信号的幅值和掩膜频率,得到最优参数组合,利用参数优化后的掩膜信号处理故障信号得到频谱更加纯净的本征模函数,最终根据相关系数准则选取最佳分量进行频谱分析。实验结果表明优化参数后掩膜信号处理下的故障信号抗模态混叠能力更强,分量融合后故障特征更明显。

近年来随着传感器的技术进步,使得滚动轴承的故障数据获取成几何倍数增长。然而,传统的深度学习方法在处理海量数据时,常常会出现效率低、计算量与占用内存过大的问题。为解决这些问题,文中提出了一个双层宽核卷积神经网络(Two Wide Kernel Convolutional Neural Network,TWCNN)模型用于滚动轴承故障诊断。该模型以一维振动信号作为输入(1D-TWCNN),通过在前两个卷积层中采用宽卷积核提取特征,实现了以较少的参数来获取更大的感受野,因此大幅地减少了网络模型的连接参数,使得模型的计算量大幅减少,效率提升。与传统的优秀轻量化模型MobileNetV3(Small)的变体和ShuffleNetV2相比,文中所提出的1D-TWCNN模型不仅总参数量远小于这两个模型。而且在滚动轴承的故障诊断中的诊断精度更高。

针对不同程度的小分类轴承故障,现有故障诊断方法准确率不高的问题,提出基于GWO-CMFH和改进ResNet的滚动轴承故障诊断方法。对于同一类型不同程度故障,提出基于GWO自适应优化结构元素参数的CMFH滤波方法,增强振动信号的脉冲故障特征并抑制背景噪声;采用连续小波变换将滤波后的信号转换成二维时频图谱;最后,提出基于混合注意力机制改进的残差网络模型,提高轴承故障诊断精度。在西储大学、东南大学及所选轴承数据集上进行验证实验,不同故障程度的小分类诊断准确率分别达到99.73%、98.12%和99.07%,表明所提方法具有很好的抗噪性、鲁棒性,可提高滚动轴承不同故障程度的诊断效果。

为有效提取非平稳性、复杂性的滚动轴承振动信号特征,提出一种基于变分模态分解、改进烟花算法(IFWA)优化支持向量机(SVM)的滚动轴承故障诊断方法。利用VMD对原始信号进行分解,计算得到各IMF的样本熵,将原始信号的时域特征与其结合组成特征矩阵。为提高故障诊断效率,采用IFWA优化SVM,建立IFWA-SVM模型。使用训练集特征矩阵训练诊断模型,实现滚动轴承的故障诊断。利用实测信号验证该方法,并与粒子群算法优化进行比较。结果表明:利用该方法进行诊断,正确率提高了3.33%、训练时间缩短了21.55 s,验证了该方法的可行性。

针对单一测度模型的特征评价方法存在特征敏感度＂欠学习＂,以及支持向量机（support vector machines,简称SVM）参数优化算法普遍存在收敛速度慢、易陷入局部极值等问题,提出一种量子遗传算法优化的SVM滚动轴承故障诊断方法。首先,采集振动信号中的时域和频域特征构成多域多类别原始故障特征集;其次,构建一个基于相关性、距离及信息等测度的混合特征评价模型,得到特征权重与特征值组合构成的加权故障特征集;最后,将加权故障特征集为输入,将量子熵引入到量子遗传算法当中,对SVM的结构参数进行全局优化,完成滚动轴承故障模式的识别。试验结果表明,该方法能够以更快的速度收敛至全局最优解,在保证聚类性能的基础上提高了滚动轴承的诊断精度。