多尺度排列熵方法及其在滚动轴承智能故障诊断中的应用研究多尺度排列熵（Multiscale Permutation Entropy，MPE）方法是一种用于信号分析的非线性方法，可以用于提取信号的复杂度特征。它基于排列熵的概念，通过将信号分解为不同尺度的子信号，并计算每个子信号的排列熵，得到一个多尺度的排列熵向量。该方法可以有效地反映信号的非线性和复杂性，并且在时间序列分析、生物信号处理、金融市场预测等领域有广泛的应用。
在滚动轴承智能故障诊断中，MPE方法可以用于提取振动信号的复杂度特征，从而实现对滚动轴承的故障诊断。具体地，可以将滚动轴承振动信号分解为不同尺度的子信号，并分别计算每个子信号的排列熵向量。然后，将不同尺度的排列熵向量组合起来，形成一个多维特征向量，用于表示滚动轴承振动信号的复杂度特征。最后，可以使用机器学习方法对特征向量进行分类，实现对滚动轴承的故障诊断。
MPE方法在滚动轴承智能故障诊断中的应用研究表明，该方法可以有效地提取滚动轴承振动信号的复杂度特征，并且具有较高的分类精度和鲁棒性。因此，它可以作为一种有效的滚动轴承故障诊断方法，为滚动轴承的安全运行提供技术支持。
滚动轴承故障诊断方法与技术综述 引言： 滚动轴承作为机械设备中常用的零部件之一，承担着支撑和传递载荷的重要作用。然而，由于使用环境的恶劣和工作条件的复杂性，滚动轴承往往容易出现各种故障。因此，为了保证机械设备的正常运行和延长轴承寿命，对滚动轴承的故障进行准确诊断非常重要。 一、故障诊断方法 1. 观察法 观察法是最常用的故障诊断方法之一。通过观察滚动轴承的外观和运行状态来判断是否存在故障。例如，如果发现滚动轴承有异常噪声、温度升高、润滑油泡沫、振动加剧等现象，很可能是轴承出现了故障。 2. 振动诊断法 振动诊断法是一种先进的故障诊断方法，可以通过检测轴承的振动信号来判断轴承是否存在故障。通过分析振动信号的频谱图，可以确定轴承故障的类型和位置。常用的振动诊断方法包括时域分析、频域分析和小波分析等。 3. 声音诊断法 声音诊断法是一种通过听觉判断轴承故障的方法。通过专业人员对轴承产生的声音进行听觉分析，可以判断轴承是否存在异常。常见
的轴承故障声音包括金属碰撞声、摩擦声和振动声等。 4. 热诊断法 热诊断法是一种通过测量轴承的温度来判断轴承故障的方法。由于轴承在故障状态下会产生摩擦热，因此轴承的温度可以间接反映轴承的工作状态。通过测量轴承的温度分布，可以判断轴承是否存在异常。 二、故障诊断技术 1. 模式识别技术 模式识别技术是一种基于机器学习的故障诊断技术，可以根据轴承的振动信号和声音信号等特征，通过训练模型来识别轴承的故障类型。常用的模式识别技术包括支持向量机、神经网络和决策树等。 2. 图像诊断技术 图像诊断技术是一种通过图像处理和分析来判断轴承故障的技术。通过对轴承的外观图像进行特征提取和分类，可以实现对轴承故障的自动诊断。常用的图像诊断技术包括边缘检测、纹理分析和目标识别等。 3. 声音信号处理技术 声音信号处理技术是一种通过对轴承声音信号进行滤波、频谱分析和特征提取等处理，来判断轴承故障的技术。通过对声音信号的频谱图和时域图进行分析，可以判断轴承故障的类型和位置。
基于排列熵的轴承故障诊断 轴承故障诊断是机械设备维护和故障排除中的重要环节。轴承 作为机械设备中常见的零部件，其故障会直接影响设备的正常运行 和寿命。因此，及早检测和诊断轴承故障对于设备的可靠性和安全 性至关重要。 然而，目前现有的轴承故障诊断方法存在一定的局限性。传统 的故障诊断方法主要依靠人工观察和经验判断，这种方法耗时耗力，且对于隐蔽的故障可能会产生误判。另外，一些基于振动信号的故 障诊断方法也存在着局限性，无法很好地解决复杂故障模式和多种 故障的诊断问题。 为了克服现有方法的局限性，并提高轴承故障诊断的准确性和 可靠性，本文提出了一种新的故障诊断方法——基于排列熵的轴承 故障诊断。该方法利用了排列熵的特性，结合机器研究算法，可以 在无需人工干预的情况下，对轴承进行准确的故障诊断。 下文将进一步介绍基于排列熵的轴承故障诊断方法的原理和实 施步骤，以及其在实际应用中的优势和局限性。
排列熵是一种用于信号分析的数学工具，它 的概念和原理被广泛应用于轴承故障诊断。排列熵可以用来衡量信号时间序列中的无序性和随机性，从而帮助判断信号是否存在异常或故障。 排列熵基于排列的概念，排列是指重新排列一组数据的顺序。 在信号分析中，排列熵通过将原始信号序列转换为排列序列来计算。排列序列中的每个排列表示原始信号序列中的一段连续时间。 排列熵的计算方式是基于排列序列的概率分布，即每个排列出 现的概率。对于一个完全有序的信号序列，其排列序列只有一种可 能的排列，因此排列熵为0.而对于一个随机信号序列，其排列序列 将具有更多的排列可能性，从而导致排列熵的增加。 排列熵的基本原理是通过比较信号序列的排列熵与正常状态下 的基准排列熵来判断信号是否显示出故障或异常行为。当信号序列 中存在故障时，排列熵通常会显示出较高的值，因为故障会导致信 号的无序性增加。 总之，排列熵作为一种数学工具，可以帮助我们理解信号的无 序性和随机性，并在轴承故障诊断中起到重要的作用。
多尺度排列熵在涡旋压缩机故障诊断中的应用 刘涛;马转霞;杜楠 【期刊名称】《兰州理工大学学报》 【年(卷),期】2018(44)1 【摘要】Aimed at the great limitation of traditional mono-scale signal analysis in expressing fault feature,the multi-scale permutation entropy was introduced to make a quantitative analysis of scroll compressor vibration signals with different scales.In addition,Mahalanobis distance was applied to carry out fault diagnosis.Experimental result showed that the multiscale permutation entropy could be used to describe the fault feature more accurately than mono-scale permutation entropy,reflecting the change trend of fault feature in the case of different scales.Moreover,slection of proper scale of permutation entropy as the feature parameters for fault diagnosis would not only save the time but also improve the diagnostic accuracy.%针对传统的单尺度信号分析在故障特征的表达上有很大的局限性,引入多尺度排列熵,对不同尺度下的涡旋压缩机振动信号进行了定量分析,并通过马氏距离实施故障诊断.实验结果表明,与单尺度排列熵相比,多尺度排列熵能够对不同故障的复杂性进行准确的描述,反映了不同尺度下故障特征的变化趋势.此外,选择合适尺度下的排列熵作为故障诊断的特征参数,既节省了时间,又可以提高诊断的准确率. 【总页数】5页(P42-46) 【作者】刘涛;马转霞;杜楠
基于流形学习的滚动轴承故障诊断若 干方法研究共3篇 基于流形学习的滚动轴承故障诊断若干方法研究1 滚动轴承在机械设备中扮演着重要的角色，其故障会导致设备停机，影响生产效率。因此，滚动轴承的故障诊断研究一直是机械领域的重要研究方向之一。基于流形学习的滚动轴承故障诊断方法因其优异的性能，在滚动轴承故障诊断领域也受到了广泛的关注。本文旨在探讨基于流形学习的滚动轴承故障诊断若干方法。 首先，我们需要了解什么是流形学习。流形学习是一种无监督的学习方法，通过学习数据的流形结构来进行数据降维、分类、聚类等任务。在滚动轴承故障诊断中，我们可以通过流形学习方法学习滚动轴承的振动信号的流形结构，找到其内在变化的规律，从而实现滚动轴承故障的诊断。 接下来，我们介绍基于流形学习的滚动轴承故障诊断方法。首先要进行信号的预处理，包括去趋势、去噪、滤波等操作，然后将预处理后的信号进行小波分解或时频分析，将原始信号分解成若干频带，提取信号的特征向量。然后，将特征向量映射到流形空间中，利用流形属性进行分类或聚类，从而实现滚动轴承故障的诊断。 在基于流形学习的滚动轴承故障诊断过程中，特征提取是重要的一步。目前，常用的特征提取方法有时域特征、频域特征、
小波包特征、时频特征等。其中，小波包特征是最常用的特征提取方法之一，因为其具有多分辨率、多尺度的特点，可以更全面地描述信号的特征，提高滚动轴承故障诊断的准确性。 除了特征提取之外，流形学习的算法也有很多种类，如局部线性嵌入（LLE）、等距映射（Isomap）、拉普拉斯特征映射（LEF）等。这些方法的优缺点各不相同，需要根据实际情况 灵活选择。 除了基于流形学习的滚动轴承故障诊断方法外，还有一些其他的方法。例如，基于信号分解的方法、基于模式识别的方法、基于统计学习的方法等。这些方法各有千秋，可根据实际情况选择合适的方法。 综上所述，基于流形学习的滚动轴承故障诊断方法具有显著优势，可有效提高滚动轴承故障诊断的准确性和效率。但是，使用基于流形学习的滚动轴承故障诊断方法需要对机械领域的基础知识和信号处理技术有深入的理解，同时需要在实际应用中进行适当的调整和优化。未来，还需进一步探索滚动轴承故障诊断的新方法和新技术，提高滚动轴承故障诊断的水平和效率 综合来看，基于流形学习的滚动轴承故障诊断方法是当前最有效的方法之一，该方法通过特征提取和算法选择，能够更全面、准确地描述信号特征，提高诊断的准确性和效率。虽然在实际应用中需要做出适当的调整和优化，但是该方法为滚动轴承故障诊断领域带来了显著的进展和发展前景。未来，需要进一步深入研究和探索，提高滚动轴承故障诊断的水平和效率
基于人工神经网络的滚动轴承故障诊断研究 滚动轴承是机械设备中常用的零部件，其在高速旋转或负重运动中承受轴向和径向载荷。随着使用时间的增长，轴承内部会发生各种故障，如疲劳裂纹、磨损、过载和腐蚀等。这些故障会严重影响轴承的性能和寿命，甚至可能导致机械设备的毁坏。因此，准确地诊断轴承故障变得极为重要。 传统的轴承故障诊断方法基本是基于信号分析，该方法可通过检测振动、噪声和温度等信号的变化来判定轴承是否存在故障。但这种方法存在很多局限性，比如对于微弱信号的识别率较低，且在大多数情况下只能判断轴承是否存在故障，而不能精确定位具体的故障类型。 与此相比，基于人工神经网络的故障诊断技术有着很大的优势。人工神经网络是一种仿生学概念的计算模型，它模拟了人脑神经元的工作原理，通过自学习和自适应的方法实现对数据的处理和分类。这种技术可以针对不同的数据类型进行模型训练，达到预测和诊断的目的，因此被广泛应用于机器故障诊断等领域。 基于人工神经网络的滚动轴承故障诊断研究主要包括以下几个方面： 1.数据采集和预处理 人工神经网络模型的准确性取决于所使用数据的质量和多样性。因此，在进行轴承故障诊断之前，需要进行数据采集和预处理。数据采集通常使用加速度传感器或振动传感器来采集轴承运转时的振动信号。预处理则包括去噪、滤波、采样和特征提取等步骤，以减少干扰和噪声，提高数据的可靠性和有效性。 2.特征提取和选择 人工神经网络需要将数据转换为数学特征以进行处理和分类。特征提取和选择的目的是从原始数据中提取有用的信息，并减少模型的复杂度。常用的特征提取方
法包括时域、频域和小波域分析。特征选择则是为了选择出与故障诊断相关的特征，减少无用信息的干扰。 3.模型设计和训练 人工神经网络模型通常包括输入层、隐藏层和输出层，其中隐藏层是模型关键 部分。设计模型时需要选择适当的激活函数、损失函数和优化算法等，并进行参数调整和训练。训练过程可采用反向传播等机器学习算法来实现，通过模拟数据输入和输出，不断调整参数，最终得到满足预测和诊断要求的模型。 4.诊断精度评价 在完成模型的训练和优化后，需要对模型的泛化能力和精度进行评价。评价可 采用交叉验证、ROC曲线和混淆矩阵等方法，以确定模型的准确性和预测能力。 此外，对于不同类型的轴承故障，可通过实验和对比分析来确定模型的应用范围和局限性。 总之，基于人工神经网络的滚动轴承故障诊断研究是机械故障诊断领域的一个 重要方向。通过对数据的精确分析和模型的训练优化，可实现对轴承故障的快速、准确诊断，提高设备的安全性和运行效率，并促进工业自动化和智能化的发展。
滚动轴承故障诊断方法与技术综述 滚动轴承是机械设备中常见的一种元件，其作用是在旋转运动中支撑轴与轴承座之间的转动。然而，由于长时间的使用或者操作不当，滚动轴承可能会出现故障，导致设备运行不稳定甚至完全停止工作。因此，对滚动轴承的故障进行及时的诊断是非常重要的。 滚动轴承故障的诊断方法与技术可以分为传统的诊断方法和基于智能化技术的诊断方法。 传统的滚动轴承故障诊断方法主要包括观察法、听诊法和振动分析法。 观察法是最简单直观的一种诊断方法，通过观察滚动轴承的外观是否有异常情况，如颜色变化、表面磨损、断裂等，来判断其是否存在故障。然而，此方法只适用于故障较为明显的情况，对于隐蔽性较强的故障无法有效判断。 听诊法是通过听取滚动轴承工作时产生的声音来判断其是否存在异常情况。例如，当滚动轴承出现磨损或损坏时，会产生噪音，通过听诊器可以准确地判断故障的类型和程度。然而，此方法需要专业的听诊仪器和经验丰富的技术人员，对于一般使用者来说并不容易操作。 振动分析法是一种常用的滚动轴承故障诊断方法，它通过对滚动轴
承振动信号的分析来判断其是否存在故障。滚动轴承在正常工作时会产生一定的振动，当滚动轴承出现故障时，振动信号会发生变化。通过对滚动轴承振动信号的频谱分析、时域分析和幅值分析，可以准确地判断滚动轴承的故障类型和严重程度。 基于智能化技术的滚动轴承故障诊断方法包括人工智能、模式识别和机器学习等。这些技术可以通过对滚动轴承振动信号进行大数据分析，利用模型和算法来自动识别故障类型和预测故障发生的概率。相比于传统的诊断方法，基于智能化技术的方法具有更高的准确性和效率。 在实际应用中，滚动轴承故障的诊断通常是综合应用多种方法和技术。例如，可以先通过观察法和听诊法初步判断滚动轴承是否存在故障，再通过振动分析法进行进一步的诊断，最后利用基于智能化技术的方法对故障进行确认和预测。 滚动轴承故障的诊断是保证设备正常运行的关键之一。无论是传统的诊断方法还是基于智能化技术的方法，都需要经验丰富的技术人员进行操作和分析。随着科技的不断发展，滚动轴承故障诊断技术也在不断更新和完善，为设备的维护和管理提供更多的选择和便利。
轴承故障诊断技术的应用与发展 随着机械设备的自动化和智能化程度不断提高，对轴承故障诊断技术的需求也 越来越迫切。目前的轴承故障诊断技术主要包括声学方法、振动分析法、热成像法、电涡流检测法等，在实际应用中得到了广泛的应用。本文将分别从这几个方面介绍轴承故障诊断技术的应用与发展。 一、声学方法 声学方法是利用声音传播的特性对轴承进行诊断的方法，主要包括声发射法和 声表面波法。声发射法是将轴承安装在特制的测试系统中，在轴承工作时对其发生的声信号进行监测与分析，从而判断轴承是否存在故障。声表面波法则是通过声 表面波的传播速度和波形的改变来判断轴承的故障情况。这两种方法的主要优点是无需拆卸轴承即可进行检测，但是其检测精度和可靠性相对较低，往往需要结合其他方法进行验证。 二、振动分析法 振动分析法是利用振动信号对轴承进行诊断的方法，该方法主要包括时域分析、频域分析和小波分析法。时域分析是将振动信号通过微处理器进行处理，得出时域波形和频率分布图，从而判断是否存在故障。频域分析法则是通过将振动信号进行傅里叶变换，将信号转换为频率分布图，从而判断轴承的故障类型和位置。小波分析法则是针对信号非稳态的情况下对信号进行分析，从而得出轴承故障的类型和位置。振动分析法的优点是精度高、检测范围广，适用于各种工况。但是该方法需要专业的仪器设备和操作人员，成本相对较高。 三、热成像法 热成像法是利用红外线相机对轴承进行诊断的方法，该方法主要通过检测轴承 表面温度分布的变化来判断轴承的故障类型和位置，比如局部过热或润滑不良等。这种方法的优点是无需拆卸轴承即可进行检测，同时检测速度快、可靠性高，适用
于不同形状的轴承。但是其准确性受环境温度和湿度等因素影响较大，需要考虑去除干扰因素。 四、电涡流检测法 电涡流检测法是利用涡流感应原理进行轴承故障诊断的方法，该方法主要通过检测涡流信号的变化来判断轴承的故障类型和位置。这种方法的优点是能够检测非金属材料的轴承，比如陶瓷轴承等，并且能够检测轴承的纵向和横向缺陷。但是该方法的检测精度和可靠性相对较低，需要结合其他方法进行验证。 总之，随着科技的发展和技术的进步，轴承故障诊断技术的应用越来越广泛，我们也应该进一步提高对该技术的认识和了解，以更好地保障机械设备的安全和可靠性。
基于深度学习的复杂工况下端到端的滚动轴承故障诊断算法研究共3篇 基于深度学习的复杂工况下端到端的滚动轴承故障诊断算法 研究1 基于深度学习的复杂工况下端到端的滚动轴承故障诊断算法研究 滚动轴承是机械设备中经常使用的部件，在运行过程中，由于受到各种外部因素的影响，如温度、负载等，会导致滚动轴承出现故障。滚动轴承故障的出现会导致设备性能下降，引发设备事故，进而导致生产中断及经济损失。因此，对滚动轴承的故障进行及时准确的诊断，对设备的正常运行及设备维护具有重要的意义，也成为了科技工作者研究的热点问题之一。近年来，深度学习技术在滚动轴承故障诊断中得到广泛应用，取得了良好的效果。 本文旨在研究一种基于深度学习的复杂工况下端到端的滚动轴承故障诊断算法。该算法采用端到端方式进行滚动轴承故障诊断，即采用耦合振动信号数据采集系统采集滚动轴承的振动信号，通过信号预处理、特征提取、特征选择和故障诊断等步骤，实现对复杂工况下滚动轴承故障的准确检测。 具体来说，该算法主要包含以下几个步骤： （1）信号采集：在滚动轴承的运行状态下，采集滚动轴承的
振动信号，并将其利用高速数据采集卡进行数字化处理，减小噪声干扰。 （2）信号预处理：利用小波变换对采集到的信号进行去噪预 处理，去除燃气机、电机等周围设备信号的干扰。 （3）特征提取：利用小波包分解将预处理后的信号进行分解，在不同尺度上提取频域、时域和复杂子空间的特征。 （4）特征选择：通过互信息、相关系数和卡方检验等方法， 对提取到的特征进行筛选，筛选出对滚动轴承故障诊断具有较好区分性的特征。 （5）故障诊断：利用深度学习技术，采用卷积神经网络（CNN）进行滚动轴承故障诊断，并输出故障类型及故障程度。 那么，为什么选择深度学习技术进行滚动轴承故障诊断呢？ 一方面，与传统的机器学习方法相比，深度学习通过神经网络模拟人脑神经元的联结方式，可以非常好地处理非线性、高维度、大规模数据，适用于大型数据集的训练，具有优秀的拟合能力。另一方面，深度学习技术的推出，促使计算机视觉和语音识别等领域发生了威慑性的变化，获得了巨大的成功和发展，引起了不少学者的关注和借鉴。因此，采用深度学习技术进行滚动轴承故障诊断，可以充分利用计算机的计算和存储能力，提高模型的性能和准确率。
多尺度排列熵程序 多尺度排列熵是一种用于分析时间序列数据的方法，它可以揭示数据中的隐藏结构和模式。以下是一个简单的多尺度排列熵程序的示例： ```python import numpy as np def multivariate_permutation_entropy(data, delay, scale): n = len(data) - delay * (scale - 1) permutations = np.zeros((scale, n)) entropy = np.zeros(scale) # 构造每个尺度的排列矩阵 for i in range(scale): for j in range(n): permutations[i, j] = tuple(data[j + k * delay] for k in range(i + 1)) # 计算每个尺度的排列熵 for i in range(scale): elements, counts = np.unique(permutations[i], return_counts=True) prob = counts / n entropy[i] = -np.sum(prob * np.log(prob)) return entropy # 示例数据
data = np.random.rand(100) # 参数设置 delay = 1 # 延迟步数 scale = 5 # 尺度数量 # 计算多尺度排列熵 entropy = multivariate_permutation_entropy(data, delay, scale) print(entropy) ``` 在上述示例中，`multivariate_permutation_entropy`函数接受输 入数据、延迟步数和尺度数量作为参数，并返回计算得到的多尺度排列熵。数据被分割成不同尺度的子序列，并构造出相应的排列矩阵。然后，通过统计每个尺度下不同排列的出现频率，并计算熵值来得到多尺度排列熵。最后，程序打印输出了计算得到的多尺度排列熵结果。
浅析滚动轴承故障诊断技术及其应用 摘要：文章简要论述了在塑料薄膜生产设备的维护保养中运用滚动轴承故障诊断技术的意义，说明了在塑料薄膜生产中由滚动轴承的故障而引起设备故障的模式，分析了一些可用的滚动轴承故障诊断技术，以期供从事塑料薄膜生产设备维护保养工程技术人员参考及借鉴。 关键词：塑料薄膜生产设备；滚动轴承；故障诊断技术；发展应用滚动轴承较之滑动轴承有许多优点，在轴承领域也占有主要地位。滚动轴承不仅是机械设备中重要的旋转零件，而且也是机械设备中重要的故障来源之一。因此，在塑料薄膜生产设备的维护保养工作中就需要有有效的滚动轴承故障诊断技术方法来检测滚动轴承的运行状态来确定机械是否能正常地工作。 1滚动轴承故障诊断技术运用的意义 滚动轴承具有装配方便、效率高、容易实现润滑、摩擦阻力小等优点，在机械设备中有着承受和传递载荷的作用，它运行状态的正常与否直接影响着整台塑料薄膜生产设备的包括精度、可靠性及寿命的动态性能的高低。轴承故障轻则会设备异响、振动或者产生较大噪音，重则会造成严重的设备故障导致生产临时中断等。由此可知，在塑料薄膜生产设备的维护保养工作中也需要有效的滚动轴承故障诊断技术。塑料薄膜生产机械设备安全、有效的运行需要有运行状态的检测和故障诊断的前提为保证，那么，滚动轴承故障诊断技术作为机械设备故障诊断技术的重要组成部分，对其进行深入地研究在保障机械设备的安全、保证机械设备的稳定运行、消除潜在的事故等方面有着十分重要的意义。 2滚动轴承故障引发设备故障的模式 塑料薄膜生产设备由滚动轴承故障而引发故障的模式主要是有六种，分别为疲劳、磨损、腐蚀、电蚀磨损、塑性变形和裂痕。 滚动轴承疲劳分为表面下疲劳和表面初始疲劳两种。疲劳失效主要是由于滚道表面下应力的重复变化、不良的表面加工质量、不良的润滑以及相对滑动等情况而造成的材料表面结构的变化进而产生材料结构的微裂纹并传播的情况。 滚动轴承的磨损分为研磨磨损和粘性磨损。研磨磨损属于材料剥离磨损的一种，多是由于不充分的润滑或是杂质的进入等导致的，研磨磨损会导致表面精度的磨损和破坏，具体表现为在低速重载过薄油膜时，会有镜面状效应产生；而粘着磨损则是指材料从一个表面到另一个表面的转移，当负荷过低时粘性磨损发生在滚动体和滚道的表面或是粘性磨损发生在滚动体以较高的加速度重新进入负荷区时，主要的表现为会有拖尾效应。 滚动轴承的腐蚀分为湿气腐蚀和摩擦腐蚀。湿气腐蚀是指在滚动面之间有潮湿性或酸性介质时发生的一种氧化行为。摩擦腐蚀又有蠕动腐蚀和压痕腐蚀两
滚动轴承故障诊断技术研究现状及发展趋势研究 【摘要】:滚动轴承是旋转机械中用得最为广泛的一种通用机械部件。它在旋转机械中起着非常重要的作用，它的运行状态是否正常往往直接影响到整台设备的动态性能。而由于滚动轴承运动的特殊性导致其发生故障是极为常见的。作者立足实践，深入分析了滚动轴承故障诊断技术研究现状及发展趋势。 【关键词】：滚动轴承；机械；故障 一、滚动轴承故障诊断的意义 随着科技的发展，现代工业正逐步向生产设备大型化、复杂化、高速化和自动化方向发展，在提高生产率、降低成本、节约能源、减少废品率、保证产品质量等方面具有很大的优势。 但是，由于故障所引起的灾难性事故及其所造成的对生命与财产的损失和对环境的破坏等也是很严重的，这就使得人们对诸如航空航天器、核电站、热电厂及其他大型化工设备的可靠性、安全性提出了越来越高的要求。除了在设计与制造阶段，通过改进可靠性设计、研究和应用新材料、新工艺以及加强生产过程中的质检控制措施提高系统的可靠性与安全性外，提高系统可靠性与安全性的另一个重要途径就是对系统的工作状态进行实时的监测与诊断，从而实现对设备的有效控制，并对灾难性故障的发生进行预警，为采取相应的补救措施提供有效的信息。故障诊断理论就是为了满足对系统可靠性和安全性要求的提高，减少并控制灾难性事故的发生而发展起来的。因此，故障诊断理论的发展必将促进故障监测和监控系统的快速发展与广泛应用，从而可以进一步的提高系统运行的可靠性与安全性，并由此产生巨大的经济和社会效益。 与其他机械零部件相比，滚动轴承有一个很独特的特点，那就是其寿命的离散性很大。由于轴承的这一特点，在实际使用中就会出现这样一种情况：有的轴承已大大超过其设计寿命而依然能正常地工作，而有的轴承远未达到其设计寿命就出现各种故障。因此，如果按照设计寿命对轴承进行定期维修：一方面，会造成将超过设计寿命而仍正常工作的轴承拆下来作报废处理，造成浪费；另一方面，未达到设计寿命而出现故障的轴承没有被及时的发现，直到定期维修时才被拆下来报废，使得机器在轴承出现故障后和报废前这段时间内工作精度降低，或者未到维修时间就出现严重故障，导致整部机器陷于瘫痪状态。因此，进行滚动轴承工作状态及故障的早期检测与故障诊断，对于设备安全平稳运行具有重要的实际意义。 二、滚动轴承故障诊断技术研究现状及发展趋势 2.1 滚动轴承的故障特点
基于MEEMD排列熵的高速列车轮对轴承故障诊断 陈星;李慧娟 【摘要】针对目前应用原始振动信号的排列熵单一尺度域分析对高速列车轮对轴承故障在特征提取研究方面的局限,提出了基于改进聚合经验模态分解排列熵的特征分析方法.该方法首先对原始信号进行改进聚合经验模态分解,得到一系列窄带本征模态函数;然后对原信号和本征模态函数分别计算排列熵,组成高维特征向量;最后,将高维特征向量输入最小二乘支持向量机状态识别分类.台架试验数据分析结果表明:该方法针对高速列车轮对轴承故障实现了较高的识别率,验证了通过改进聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性. 【期刊名称】《机械工程师》 【年(卷),期】2018(000)010 【总页数】5页(P168-172) 【关键词】高速列车轮对轴承;故障诊断;聚合经验模态分解;排列熵;最小二乘支持向量机 【作者】陈星;李慧娟 【作者单位】中车青岛四方机车车辆股份有限公司,山东青岛266111;中车青岛四方机车车辆股份有限公司,山东青岛266111 【正文语种】中文 【中图分类】TH133.33;U279.323
0 引言 近年来，我们国家高铁蓬勃发展，铁路网覆盖面不断扩大，越来越多的高速列车投入运营，如何保障列车的安全运行已成为各专家学者重点研究的内容。轮对轴承作为列车走行部的关键部件，其功能为承担列车垂向自重及载重力，及列车轮轨间特有的横向非稳定力，对列车行车安全有至关重要的影响。随着车辆行驶速度提高，运营里程增长，轮轨间的动载荷的加剧使得轮对轴承的运行工况越发恶劣，这加剧了轮对轴承异常磨损、擦伤等故障的产生，继而危及列车运行安全。因此，对高速列车轮对轴承进行故障检测研究就具有重要意义。 国内外专家与行业人士对此进行了广泛而深入的探究，并取得诸多研究成果。早期轮对轴承故障检测传统的方法多为时域统计分析和频域傅里叶分析，这种方法主要是针对平稳线性特征的信号[1]，就应用而言，因轮对轴承故障时检测到的振动信 号实际具有非线性、非平稳特征，早期诊断分析方法已不能满足应用要求[2]。为 了有效处理非线性、非平稳信号，时-频分析方法得到充分应用，其中小波变换相 对于Wigner-Ville分布而言，因其具有无交叉项、小波函数灵活选择的特点，在 机械旋转部件的故障检测中得到了充分应用[3-5]。但是小波分析的分解质量与小 波函数的选取有着密切的关系，仅当小波函数中波形、信号特性匹配度较高时，才能将小波分解系数的效果充分发挥。相对而言，经验模态分解（Empirical Mode Decomposition，简称EMD）是具有自适应能力的信号分析方法，尤其适用于非线性、非平稳信号的分析过程，已经成功应用到机械设备、结构的健康检测中[6]。然而EMD在分解带有冲击成分的轮对轴承故障振动信号时，易产生模态混叠现象，该现象使得EMD分解获得的本征模态函数（Intrinsic Mode Functions，简称IMFs）包络谱较杂乱，难以准确识别反映轴承故障特性频率，使轮对的故障模式 识别、故障严重性评价效果并不理想。聚合经验模态分解（Ensemble Empirical
滚动轴承故障诊断文献综述 滚动轴承故障诊断文献综述 [ 2008-4-2 14:38:00 | By: mp2 ] 推荐 文献综述 ——滚动轴承故障诊断 1.前言 滚动轴承是各种旋转机械中应用最广泛的一种通用机械零件，它是机器最易损坏的零件之一。据统计。旋转机械的故障有30,是由轴承引起的。可见轴承的好坏对机器的工作状况影响很大。轴承故障诊断就是要通过对能够反映轴承工作状态的信号的测取，分析与处理，来识别轴承的状态。包括以下几个环节:信 [1]号测取;特征提取;状态识别:故障诊断;决策干预。 滚动轴承故障诊断传统的分析方法有冲击脉冲法，共振解调法，倒频谱分析技术。 在现代分析方法中，小波分析是最近几年才出现井得以应用和发展的一种时—频信号分析方法。它具有时域和频域的局部化和可变时频窗的特点(用它分析非平稳信号比传统的傅里叶分析更为最著。由于滚动轴承的故障信号中禽有非稳态成分，所以刚小波分析来处理其振动信号(可望获得更为有效的诊断特征信息[2]。 滚动轴承故障的智能诊断技术就是把神经网络、专家系统、模糊理论等技术与滚动轴承的特征参数有机地结合起来进行综合分析的故障诊断技术。 2.故障信号诊断方法 2.1冲击脉冲法(spm)
SPM技术(Shock Pulse Method)，是在滚动轴承运转中，当滚动体接触到内外道面的缺陷区时，会产生低频冲击作用，所产生的冲击脉冲信号，会激起SPM 传感器的共振，共振波形一般为20kHz,60kHz，包含了低频冲击和随机干扰的幅值调制波，经过窄带滤波器和脉冲形成电路后，得到包含有高频和低频的脉冲序列。SPM 方法是根据这一反映冲击力大小的脉冲序列来判断轴承状态的。此种方法目前被公认为对诊断滚动轴承局部损伤故障工程实用性最强的。此方法虽然克服了选择滤波中心频率和带宽的困难，但这种固定中心频率和带宽的方法也有其局限性，因为，一些研究结果表明，滚动轴承局部损伤故障所激起的结构共振频率并不是固定不变的，在故障的不同阶段可能激起不同结构的共振响应,而不同部位的故障(内、外圈、滚子)也会激起不同频率结构的共振响应。显然，固定的滤波频带有其局限性。实际使用情况表明，当背景噪声很强或有其他冲击源时，SPM诊断效果很差，失去实用价值。 2.2共振解调技术 共振解调法(Demodulated Resonance Analysis)也称包络分析法或高频共振技术是处理机械冲击引起的高频响应信号的有效方法。当机械故障引起等间隔的高频冲击脉冲响应信号时，用硬件进行高通滤波，检波和低通滤波提取信号的包络，或对用硬件或软件进行高频带通滤波后的信号进行Hilbert变换求包络;对包络信号检测其峰值P、均值R或P,R值，可诊断滚动轴承的某些故障。当以轴承结构系统的共振频率为滤波器的中心频率时，包络分析方法存在着如何确定带通滤波器的中心频率和带宽的问题。由于预先难以确定设备结构系统的共振频率，不同设备结构系统共振频率的变化范围又较大，为了使滤波器具有较大的适应性，只好选择较宽的滤波频带，但是，较宽的频带势必引入大量的干扰噪声，降低信噪比;若带宽选得过窄则有可能漏掉结构系统的共振频率。对包络信号进行谱分析可识别出冲击产生的频率，但是当出现谐波或由于包络信号存在幅值调制而引起和频、差频时，包
滚动轴承故障诊断技术研究 摘要: 滚动轴承是机器的易损件之一。滚动轴承故障诊断的传统方法和现代方法有冲击脉冲法、共振解调法、小波分析法等。滚动轴承诊断技术的发展方向为非线性理论、现代信号处理技术与智能诊断技术的融合、信号处理技术之间的相互融合。关键词: 滚动轴承；故障诊断；冲击脉冲；共振解调技术；小波变换；遗传算法 0 前言 滚动轴承是机器的易损件之一,据不完全统计, 旋转机械的故障约有30%是因滚动轴承引起的, 由此可见滚动轴承故障诊断工作的重要性。如何准确判断出它的末期故障是非常重要的, 可减少不必要的停机修理,延长设备的使用寿命, 避免事故停机。滚动轴承在运转过程中可能会由于各种原因引起损坏, 如装配不当、润 滑不良、水分和异物侵人、腐蚀和过载等。即使在安装、润滑和使用维护都正常的情况下,经过一段时间运转,轴承也会出现疲劳剥落和磨损。总之, 滚动轴承的故障原因是十分复杂的,因而对作为运转机械最重要件之一的轴承, 进行状态检 测和故障诊断具有重要的实际意义, 这也是机械故障诊断领域的重点。 1 滚动轴承故障诊断技术的发展和现状 1.1 国外发展概况 国外对滚动轴承的监测与诊断开始于20 世纪60 年代。至今为止的超过40 年的时间内, 随着科学技术的不断发展, 滚动轴承的诊断技术亦不断向前发展。现在在工业发达国家, 滚动轴承工况监测与故障诊断技术己经实用化和商品化。总的来说, 该技术的发展可以分为四个阶段。 第一阶段:利用通用的频谱分析仪诊断轴承故障。。20 世纪60 年代,由于快速傅里叶变换（FFT）技术的出现和发展，振动信号的频谱分析技术得到很大发展，随之而来的是各种通用的频谱分析仪纷纷问世。人们通过频谱分析仪分析轴承振动信号频谱中是否出现故障特征频率来判断轴承是否有故障。由于背景噪声的影响, 频谱图往往比较复杂, 轴承的特征频率在故障初期很难识别出来。另外, 当时频谱仪的价格很昂贵, 所以没能得到普及利用。
开题报告文献综述 题目：滚动轴承故障诊断及其应用 学生姓名：学号：年月日 一、文献综述 机械设备故障诊断是一门工程技术学科，基本方法为信号处理方法及模式识别，具有较强的理论性及一定的实践性。 机械设备故障诊断最先由发达国家提出。其起源于上个世纪60年代，阿波罗计划由于机械设备故障原因频频失败，为此美国军方成立了以预防机械故障为目标的机械故障预防小组。随后，英国成立了机械维护中心，其以保证机械正常运转为中心来进行科学探究，并将结果运用到了诸多能源领域。美国与英国对机械故障预防方面的关注，为企业生产带来一定的安全保障。上世纪70 年代，日本高校、研究机构及部分企业开始致力于机械故障诊断的机理研究及应用研究。同时，欧洲诸多国家也成立故障诊断研究中心。如1978 年法国电力部门通过安装检测装置对汽轮发电机组进行了状态监测。现如今，随着“智能维护系统(IMS)中心”的成立，美国密歇根大学在故障领域大放异彩。法国贡皮埃捏技术大学在基于振动信号故障诊断领域也取得一定成果。 与发达国家相比，我国在该领域发展起步较晚。最早源于上个世纪80年代的首届设备诊断技术大会。随着我国综合国力的不断提升，在故障诊断领域，理研究成果逐渐达到国外的先进水平，并在钢铁等领域具有了一定的应用。清华大学的故障诊断实验室对风机等动力设备进行了状态监测等研究。上海交通大学以振动信号特征提取为中心成立了国家级重点实验室。近些年来，我国将故障诊断领域理论知识运用到工程中解决了许多实际问题。例如：对环境恶劣条件下的振动信号进行了在线采集及在线监测；地铁运行中的综合性诊断及监控；北京化工大学提出了机械故障自愈理论。 声发射技术、温度检测法、油屑检测法和振动信号分析法。为当前机械故障诊断领域主流方法。其中，振动信号分析法最为流行。但由于目前机械设备的一体化程度较高，导致零部件之间振动信号耦合严重。当轴承发生故障时，其振动信号表现为非平稳且非线性。因此，对轴承进行故障诊断，其关键在于如何从频率复杂的振动信号中提取出故障信息。为此，国内外众多学者提出若干方法，如
Python与Matlab程序设计综合课程设计 一、总体设计 1．程序的总体设计
●设计目的 利用Python实现基于排列熵的轴承故障诊断。 ●程序流程图 2．处理数据、求排列熵值 编写函数，令导入的原始轴承信号按不同样本点数（1024、2048、4096）进行划分，并对得到的划分求排列熵值。 3．构建分类特征集 编写函数，构建不同样本点数（1024、2048、4096）下的类间分析、类内分析或总体分析下的标签列表，用于支持向量机的训练和测试。4．识别结果分析 进行对3组样本点数下的类间故障分析识别率、类内故障分析识别率和总体识别率的结果进行比对，并得出相应的结论。
二、功能实现 1．数据样本划分功能实现 通过循环切片，对数据进行划分，命令语句如图1，其中L是原始对象，s为划分样本点数，n为划分数量。 图1 见图2是对正常轴承信号的1024样本点划分，该图只输出了前五组划分的前五个元素。 图2 2．计算排列熵增功能实现 通过编写计算排列熵函数，见图3。并调用来计算划分数据的排列熵值，如图4为图2所示完整数据的排列熵值。 图3 图4
3．构建分类特征集功能实现 由于支持向量机多分类，属于监督学习过程。所有本次实验需要构建相应类别标签。构建标签函数见图5。 图5 为了便于观察效果，每种类别的标签数设置为5，构建的3种需要的标签见图6。 图6 如图6所示，类间比较是统一尺寸下的不同情况识别，包括（正常、B类、OR类、IR类）所以需要4组标签。类内比较是同种故障下的不同尺寸识别，包括（007、014、021）所以只需要3组标签。总体比较是包括正常，及3种故障下的3种尺寸的识别，所以需要10组标签。 4．故障诊断识别功能实现 本次实验采用的分类器为传统算法——支持向量机，采用的核函数为径向基核（Radical Basic Function）、分类策略为“一对多‘ovr’”，
基于变分模态分解和排列熵的滚动轴承故障诊断 郑小霞;周国旺;任浩翰;符杨 【摘要】滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别.对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类.通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断.%The incipient fault characteristic of rolling bearing vibration signals is weak and difficult to extract.In order to extract the characteristic parameters from a bearing vibration signal for bearing fault diagnosis,a signal characteristics extraction method based on the variational mode decomposition and permutation entropy was proposed.The support vector machine was used for fault recognition.Firstly,the bearing vibration signal was decomposed by the variational mode decomposition,and the intrinsic mode functions were obtained in different scales.Secondly,the permutation entropy of each intrinsic mode function was calculated and used to compose the multiscale feature vector.Finally,the high-dimensional feature vector was input to the support vector machine for bearing fault diagnosis.The comparison is