摘要：为准确评估滚动轴承运行状态、预测其性能退化趋势以及剩余寿命,提出一种改进回归型支持向量机(SVR)的滚动轴承寿命预测方法。提取轴承信号的时域和时频域特征,通过主成分分析(PCA)方法将特征指标融合成一个归一化综合指标来表征轴承运行状态;利用特征指标和综合指标构建训练和预测向量数据集,结合差分进化灰狼群算法(DEGWO)确定最优惩罚参数和径向基函数(RBF)核参数并构建回归型支持向量机模型;将预测数据集输入到DEGWO算法优化的SVR模型中得到轴承状态评估指标的预测值,实现轴承剩余寿命的预测。利用IEEE PHM 2012数据集验证所提方法的有效性,并将其结果与灰狼群算法(GWO)优化的SVR、网格搜索算法(GSA)优化的SVR和长短期记忆神经网络(LSTM)模型所得结果进行对比分析。仿真结果表明:与其他方法相比,采用所提方法得到的轴承剩余寿命预测均方误差分别降低了44.74%、66.67%、77.27%,决定系数则分别提高了7.25%、20.72%、11.94%,该结果说明了所提方法在轴承剩余寿命预测应用方面的优越性。

摘要：针对时域法对噪声敏感问题以及传统共轭梯度法数值表现较差的问题,提出一种基于改进共轭梯度法的桥梁移动载荷识别方法。针对系统矩阵条件数较大导致的病态问题,采用预处理技术将原问题转化为条件数较小的等价问题。将等价问题转化为无约束优化问题,并使用修正的Hestenes-Stiefel共轭梯度法求解。通过数值模拟仿真以验证所提方法有效性,并将其结果与3种共轭梯度法识别结果进行对比分析。结果表明,在各种传感器配置下,所提出预处理修正的Hestenes-Stiefel共轭梯度法(PMHSCG)可准确识别桥梁移动载荷;较传统预处理Fletcher-Reeves共轭梯度法(PFRCG)和预处理Polak-Ribiére-Polyak共轭梯度法(PPRPCG),PMHSCG法识别精度提升约51%;较预处理Hestenes-Stiefel共轭梯度法(PHSCG),PMHSCG法识别精度提升约28%。

摘要：针对轴承微弱故障时冲击信号含有大量噪声且难以提取故障特征频率问题,提出了一种基于奇异值分解(SVD)和变分模态分解(VMD)的轴承故障特征提取方法。该方法先对原始信号进行SVD去噪;再对去噪信号进行VMD分解,得到各个本征模态函数(IMF),根据最大中心频率原则和各个本征模态与去噪信号的相关系数差值确定分解个数,通过加权峭度指标来筛选IMF分量进行重构;最后通过对IMF重构信号进行包络谱分析清晰看到故障特征频率。仿真分析和两种不同轴承试验的结果表明,所提出的方法可有效地抑制噪声,并能得到反映实际故障信息的信号。

摘要：针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。

摘要：针对滚动轴承信号去噪及故障特征提取问题,提出一种基于SVD-CEEMDAN和KLD的滚动轴承故障诊断方法。该方法通过奇异值分解(SVD)对原始信号进行初步去噪,再利用完备集合经验模态分解(CEEMDAN)对去噪后的非平稳振动信号进行自适应分解,得到若干本征模态函数(IMF);然后通过KL散度法(KLD)筛选有效本征模态函数(IMF)重构,再对其进行自相关去噪;最后利用包络谱分析处理去噪信号,提取故障特征频率。通过对轴承实测信号进行分析,该方法可有效抑制噪声,并能清晰地得到反映实际故障信息的信号,证实所提出方法的实用性和有效性。

摘要：针对滚动轴承振动信号在进行早期故障诊断时通常会伴随噪声干扰的问题,提出一种新的基于峭度准则的轴承故障信息分析方法.首先根据小波包变换(WPT)原理处理原始轴承信号,实现初步去噪;然后用集合经验模态分解(EEMD)方法处理变换后的振动信号得到若干个IMF分量,并计算所得分量的峭度值,依据峭度准则筛选有效分量实现振动信号的重构;再通过自相关处理剔除重构信号中包含的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,得到信号包络谱图并对它进行分析获取故障信息.滚动轴承故障信息分析实例表明:该方法能够有效消除原始信号中的干扰和噪声,分离出清晰的轴承振动信号并获取有用的故障信息.