当前位置：文档之家 › 一种自适应报警的轴承性能退化评估新方法

一种自适应报警的轴承性能退化评估新方法

  • 格式：pdf
  • 大小：706.41 KB
  • 文档页数：4

下载文档原格式

  / 4

合集下载

基于CNNLSTM的机床滚动轴承性能退化趋势和寿命预测

基于CNNLSTM的机床滚动轴承性能退化趋势和寿命预测

参考内容
引言
滚动轴承作为各种机械装备的关键组成部分，其性能退化评估与剩余使用寿命 预测对于保证机械系统的稳定运行具有重要意义。性能退化评估能够实时反映 轴承的工作状态，有助于提前发现潜在故障，防止突发故障对系统造成严重影 响；而剩余使用寿命预测则能帮助规划机械设备的维修周期，提高维修效率， 延长设备使用寿命。
现在振动、噪声和温度等方面。当轴承出现磨 损、疲劳、剥落等问题时，这些指标会发生变化。传统的趋势分析方法主要基 于统计分析，如时间序列分析、回归分析等。然而，这些方法往往无法有效地 处理非线性和时变性的问题。
近年来，深度学习技术在处理非线性和时变性方面表现出强大的优势。其中， 卷积神经网络（CNN）和长短期记忆网络（LSTM）的结合，即CNNLSTM模型， 为滚动轴承的性能退化趋势分析提供了新的解决方案。
此外，我们还发现工况的变化对滚动轴承的性能退化具有明显影响，因此在未 来的研究中应更加不同工况下的性能退化评估与剩余使用寿命预测。
谢谢观看
结论与展望
本次演示通过对滚动轴承的性能退化评估与剩余使用寿命预测方法的研究，提 出了一种综合实验分析、数值模拟和理论建模的研究方法。利用这种方法，我 们发现滚动轴承的性能退化主要表现在振动、声发射和摩擦等参数上，且这些 参数与轴承的使用寿命之间存在显著的相关性。建立的数学模型能够有效评估 滚动轴承的性能退化和预测其剩余使用寿命。
基于CNNLSTM的机床滚动 轴承性能退化趋势和寿命预测
目录
01 一、引言
03 三、CNNLSTM模型在 滚动轴承性能退化趋 势预测中的
02
二、滚动轴承性能退 化趋势分析
04
四、滚动轴承寿命预 测
目录
05 五、应用实例及效果 分析

一种自适应报警的轴承性能退化评估新方法

一种自适应报警的轴承性能退化评估新方法

一种自适应报警的轴承性能退化评估新方法陆汝华;范超【摘要】论文首次将线性预测倒谱系数(LPCC)引入到轴承声信号特征提取,并提出了一种自适应报警的轴承声信号性能退化评估新方法:首先使用正常状态下的声信号进行隐马尔可夫模型(Hidden Markov Model,HMM)训练,建立正常HMM模型;然后计算当前评估数据在正常HMM模型条件下的输出概率,当输出概率超出阈值范围时,即认定轴承性能状态处于退化Ⅰ级.在启动报警的同时采集退化Ⅰ级声信号重新训练HMM,使用新的HMM对下一时刻运行的轴承进行性能退化评估,直到依次出现退化Ⅱ级,退化Ⅲ级或更严重的退化状态,实现了自适应性能退化评估功能.轴承加速疲劳寿命实验表明,论文提出的自适应性能退化评估方法能够描述轴承整个性能退化过程,具有良好地应用前景.【期刊名称】《电脑与信息技术》【年(卷),期】2018(026)002【总页数】4页(P9-12)【关键词】自适应;性能退化;报警;评估;声信号【作者】陆汝华;范超【作者单位】湘南学院软件与通信工程学院,湖南郴州 423000;南华大学计算机科学与技术学院,湖南衡阳 421001【正文语种】中文【中图分类】TH133.33;TP391.42轴承故障是旋转机械故障的重要原因之一，其工作状态在机械工业中具有举足轻重的作用，也正如此，一直以来轴承故障诊断技术是学者们的研究热点，及时发现工作中的轴承故障，以便可以减少故障带来的损失。

但是，该方法是一种轴承出现故障之后的被动措施。

与此相对应的是性能退化评估技术，并不是简单地判断某个时刻是否发生故障，而是监测轴承全寿命阶段的性能退化程度[1]，随时掌握轴承工作过程中的性能状态，可以有针对性地制定轴承维护计划，是一种在轴承故障之前能够降低生产损失的主动维护模式[2]。

轴承声信号是一种非平稳信号，其中包含着轴承工作状态的重要信息，可以从中得出轴承工作是否正常的结论。

声信号采集设备非常简单，只需要将声传感器置于轴承邻近，便可以将声信号输入到计算机进行分析处理，即具有安装简单成本低廉的特点，又不会影响到轴承的正常工作。

基于SVDD的航空发动机主轴轴承性能退化状态评估

基于SVDD的航空发动机主轴轴承性能退化状态评估
（ １ ） 将 原始数 据 矩 阵 Ｘ 一（ Ｘ ， Ｘ ， …， Ｘ ） 进 行标 准化 处 理 。
ｘ 一
Ａ — — — — — √ｓ — ＿ ＝ ＝ ｔ 二 ｄ 二 二 （ 二 Ｘ 二 二 二 ） 一 ，
， （ ｉ ＝ １， ２ － ． －ｎ ）
（ １ ）
， ¨ １ 、
并计 算 ｘ 的协 方差 矩 阵 ｙ ； （ ２ ） 由特征 方程 （ 一ｙ × ） × 一０求 出 ｙ 的各特征 值 和相应 特 征 向量 ， ｕ ｉ （ ｉ 一１ ， ２ ， …， ” ） ；
（ ３ ） 计算主成分Ｚ 一 ×Ｘ （ 一１ ， ２ ， …， ” ） ， 主成分Ｚ 的贡献率为 ／ ∑Ａ ， 主成分Ｚ （ 是 二 ） 的累
研 究设 备 的性能退 化评 估 ， 能 够使 维修 计划 的制 订从 事后 维修 、 视 情 维修 、 定 期 维修转 变 为预测 维修 ， 不 仅
能 有效 提高 经济效 益 和社会 效益 ， 更 能大 大 节 省人 力 物 力 的开 支 ， 对促 进 国 民经 济 发展 有 重 要 的实 际 意 义 。通 过性 能退 化评估 可 以有效 确定 整体性 能 的退化 ， 并 在 评估 的过程 中获得 同一 对象 的多 维特 征 信 息 并加 以融合 ， 得 到更为 可靠 的 、 准备 的性 能 退化状 态 Ⅲ 】 ］ 。
网络 出版 地 址 ： ｈ ｔ ｔ ｐ ：／ ｗ ｗｗ ． ｃ ｎ ｋ ｉ ． ｎ ｅ ｔ ／ ｋ ｃ ｍｓ ／ ｄ ｏ ｉ ／ １ ０ ． １ ３ ４ ８ ６ ／ ｊ ． ｃ ｎ ｋ ｉ ． １ ６ ７ ３ —２ ６ １ ８ ． ２ ０ １ ４ ． ０ ３ ． ０ ０ ３ ． １
基金项 目： 国家 自然 科 学 基 金 与 民航 联 合 基 金 重 点 项 目 （ ６ ０ ９ ３ ９ ０ ０ ３ ） 第一作者简介 ： 佟佩声 （ １ ９ ８ ６ 一） ， 男， 黑龙江哈尔滨人 ， 硕 士， 主要从事载运工具运用工程研究 。

【CN110207987A】一种滚动轴承性能退化衰退节点的判定方法【专利】

【CN110207987A】一种滚动轴承性能退化衰退节点的判定方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910394803.2(22)申请日 2019.05.13(71)申请人 中国民航大学地址 300300 天津市东丽区津北公路2898号(72)发明人 赵慧敏　刘浩东　邓武　(74)专利代理机构 西安铭泽知识产权代理事务所(普通合伙) 61223代理人 俞晓明(51)Int.Cl.G01M 13/045(2019.01)(54)发明名称一种滚动轴承性能退化衰退节点的判定方法(57)摘要本发明公开了一种滚动轴承性能退化衰退节点的判定方法，涉及轴承性能检测技术领域，该方法包括获取不同监测周期的振动加速度数据，并对该数据进行希尔伯特变换，求功率谱密度最大值，生成功率谱密度最大值曲线，生成功率谱密度最大值一阶导数曲线，定义衰退期节点，确定可预测区间。

本发明在整个轴承寿命周期中，能够使得提取的不同轴承的性能退化特征量变化趋势呈现一致性，并可以根据趋势曲线判定轴承的工作阶段及进入衰退期的节点，进而确定可预测区间。

此外，该方法能够有效提高滚动轴承剩余寿命预测的精度，这为确保系统的安全性、可用性与高效工作，降低维修费用，实现状态修提供方法基础。

权利要求书1页 说明书6页 附图8页CN 110207987 A 2019.09.06C N 110207987A权　利　要　求　书1/1页CN 110207987 A1.一种滚动轴承性能退化衰退节点的判定方法，其特征在于，该方法的具体步骤是：步骤1：获取不同监测周期的振动加速度数据，对轴承全寿命数据集bi中的数据样本Dataij进行希尔伯特变换后获得Dataij的功率谱密度PSD_Dataij；步骤2：求数据Dataij的功率谱密度曲线PSD_Dataij的最大值PSD_MAX_Dataij，并构成功率谱密度最大值集合PMDi＝{PSD_MAX_Dataij|i＝1,2,…,n,j＝1,2,…,Ni}，n为轴承全寿命数据集bi中包含的轴承个数，Ni为bi中数据样本个数；步骤3：采用四次多项式拟合对功率谱密度最大值集合PMDi进行曲线拟合，获得拟合曲线PPMDi；步骤4：对拟合曲线PPMDi进行求导，得到拟合曲线的求导曲线DPPMDi，即为特征量变化趋势；步骤5：求DPPMDi曲线的拐点，并将第一个拐点定义为轴承进入正常工作状态的节点，第二个拐点定义为轴承进入性能衰退阶段的节点，确定可预测区间。

基于自适应数学形态学的滚动轴承故障诊断方法

基于自适应数学形态学的滚动轴承故障诊断方法

基于自适应数学形态学的滚动轴承故障诊断方法自适应数学形态学是一种常用的图像处理技术，可用于滚动轴承故障诊断。

该方法基于图像的自适应滤波和形态学操作，可以对滚动轴承的振动信号进行滤波和形态学处理，从而提取出滚动轴承故障的特征信息。

具体步骤如下:
1. 振动信号的采集和处理：使用传感器采集滚动轴承的振动信号，并将其转换为数字信号进行处理。

2. 图像的预处理：将采集到的振动信号转换为灰度图像，并对图像进行去噪处理，以减少噪声对故障诊断的影响。

3. 形态学处理：使用形态学操作，如膨胀、腐蚀、开运算、闭运算等，对灰度图像进行处理，以提取出滚动轴承故障的特征信息。

4. 故障分类：使用机器学习算法，如支持向量机、神经网络等，对形态学处理的图像进行分类，以判断滚动轴承是否存在故障。

基于自适应数学形态学的滚动轴承故障诊断方法具有以下优点: 1. 高可靠性：该方法能够提取出滚动轴承故障的特征信息，具有较高的诊断准确率。

2. 高效率：该方法不需要对图像进行大规模的处理，因此能够快速地进行故障诊断。

3. 适应性强：该方法能够适应不同型号的滚动轴承，以及对不同强度的故障进行诊断。

总结起来，基于自适应数学形态学的滚动轴承故障诊断方法是一种高效、准确、适应性强的诊断方法，适用于各种类型的滚动轴承故
障诊断。

基于隐马尔科夫模型的滚动轴承性能退化评估

基于隐马尔科夫模型的滚动轴承性能退化评估

基于隐马尔科夫模型的滚动轴承性能退化评估周建民;郭慧娟;张龙【摘要】The running condition of rolling beating is closely related to the degree of its degradation.If the degradation degree of rolling beatings can be assessed online quantitatively,the equipment maintenance strategy will be pertinent.This paper makes the node energy values decomposed of non-faulty samples by wavelet packet,which are taken together with time-domain features as the original characteristics of the signals.The original features are classified into training data and test data after the nonlinear flow-based dimensionality reduction.The HMM model is trained by the non-faulty samples.After the model is stabilized and the model is maintained unchanged,samples to be tested are input into the trained HMM through iterations.Then,the maximum output likelihood is obtained as performance degradation index,which is adopted to evaluate the performance of rolling bearings.The proposed method is verified by fatigue life test of the bearing and the envelope demodulation.Results of performance degradation method are in agreement with those obtained from the accelerated fatigue tests of bearings.%滚动轴承的运行状态与退化程度息息相关,若能对轴承的退化程度进行在线定量评估,则可使设备维护策略的制定具有针对性.本文对无故障样本进行小波包分解得到能量值并将其和时域值作为原始特征.对原始特征进行降维后分为训练和待测数据,用无故障样本训练HMM模型,稳定后保持模型不变通过迭代的方式将待测样本输入到训练好的HMM,获得最大输出似然概率作为性能退化程度指标,用轴承加速疲劳试验和包络解调对本文的结论进行验证.本文提出的性能退化方法得到的结论与轴承加速疲劳试验得到的结果一致.【期刊名称】《华东交通大学学报》【年(卷),期】2017(034)004【总页数】7页(P110-116)【关键词】隐马尔科夫;滚动轴承;小波包分解;时域特征;性能退化评估;包络解调【作者】周建民;郭慧娟;张龙【作者单位】华东交通大学机电与车辆工程学院,江西南昌330013;华东交通大学机电与车辆工程学院,江西南昌330013;华东交通大学机电与车辆工程学院,江西南昌330013【正文语种】中文【中图分类】TN91;TH17轴承是旋转机械的重要组成部分，旋转机械的失效多数是由轴承故障引起的，轴承的状态监测和故障诊断成为近年来的研究热点[1]。

基于逻辑回归的滚动轴承性能退化评估

基于逻辑回归的滚动轴承性能退化评估

ｌ ——事件发生 ； 事件未发生 ； Ｐ ｜ 第ｉ ＿一 个事件发生的概率（ 取值在 ０到 １ 之间 ） ； 回归截距 ； ｐ ， 一Ｂ 一 回归系数 。 可以利用历史数据， 根据通过极大似然估计法得到。 二、 基于逻辑回归的滚动轴承性能退化评估方法 基 于逻辑 回归的滚动 轴承性能退 化评估方法 整体流 程如 图 １ 所 Fra bibliotek况。 一
（ ） 测试样本代人模 型当 中， 到性能评估指 数——ｃ （ ｏ ｆ ４将 得 Ｖ ｃｎ— ｉ ｄｎ ａ Ｖ ｌ ）它在数值上等于公式 （ ） ｅｔ ａ ｅ ， ｉ ｌ ｕ １ 中的 ， 以此为根据进行性 能 并 退 化的评估 ； （） ５ 将利用模型计算出的 Ｃ Ｖ评估结 果与实际状态进行对 比， 而 从
科技信息
高校 理科研 究
基 于逻辑回归晌滚动轴承性雒退化评估
北京化 工 大学 钟 鑫 刘文彬 杨剑锋
［ 摘 要］ 设备运行状 态从正常运行到发生故障通 常要经过一 系列不 同程度的， 可以量化的性能退化状态 ， 如果能对这些状 态进行实
时监 测 评 估 ， 以帮 助 实现 设备 的智 能 维修 。 文 以滚 动 轴 承 为研 究对 象 ， 出基 于逻 辑 回 归 的性 能退 化 评 估模 型 ， 用 美 国凯 斯 西 可 本 提 并 储 大学 轴 承 中 心数 据 进 行 了验 证 ， 果 表 明 ， 方 法取 得 了 良好 的评 估 效 果 。 结 该
验 证 模 型 的 有效 性 。
三 、 Ｗ ＲＵ数 据 验证 Ｃ
美国凯斯 西储大学 （ ａｅＷｅｔ ｅｅｖ ｎｖｒｉ， ＷＲ 轴承数 Ｃ ｓ ｓ ｒ Ｒ ｓｒｅＵ ｉｅｓｙＣ Ｕ） ｅ ｎ ｔ 据 中心的研 究人员 利用加 速度传 感器 获取 了不 同状 态下 Ｓ Ｆ６ ０ — Ｋ ２ ５ ２ Ｓ轴 承数据 ， Ｒ 并在互 联网上免 费下载 （ 网址 ：ｔ ：ｗ ｗｅｅ． ｓ． ｕ ｈｔ ／ ｗ ． ｓ ａｅｅ ／ ｐ／ ｅ ｃ ｄ ｌ ｏａｏｙ ｅｒ ｇ ｏ ｎｏｄｈｍ） 根据轴承 中心的介绍 ， ａ ｒｔ ／ ａｉ ／ ｗ ｌａ．ｔ 。 ｂ ｒｂ ｎ ｄ 该轴承的转速约 为 １０ ｍ。采样频率为 １ ｚ ８０ｒ ／ ２ＫＨ 。根据轴承在其 内圈人工划痕 的直径 、 深浅 ， 可以细分为轻微损 伤（ 直径 ７ ｌ， 度 １ ｍｌ） 较重损伤 （ ｍｉ 深 ｓ Ｉｉ ， ｓ 直径 １ｍｌ， ４ ｉ 深度 １ｍｉ ） 严重 损 伤 （ 径 ２ ｍｌ， ｓ １ ｌ和 ｓ 直 １ ｉ 深度 １ｍ ）本 研 究 的 目 ｓ １ ， 的就是验 证逻辑 回归模 型能否恰 当地评估 出三种不 同的 内圈损 伤程

滚动轴承故障程度评估的AR_GMM方法_龙铭_文章_黄文艺_周建民_周继慧

滚动轴承故障程度评估的AR_GMM方法_龙铭_文章_黄文艺_周建民_周继慧

8728（ 2016） 08118306 文章编号： 1003-
Assessment of Ｒolling Bearing Fault Degree Using AＲGMM
Long Ming ，Wen Zhang ，Huang Wenyi，Zhou Jianming ，Zhou Jihui
（ School of Mechatronics ＆ Vehicle Engineering，East China Jiaotong University，Nanchang 330013，China）
（ 4）
利用 AＲ 模型对滚动轴承振动信号进行特征提 取能够有效降低数据维数， 采用 AＲ 建模方法提取 特征供后续故障程度评估使用。 1． 2 高斯混合模型（ GMM） 当多维变量 X 服从高斯分布时， 可用单一高斯 概率密度函数 N（ X ，μ，∑） 来对其进行描述。 其分 布在二维空间内呈近似于椭圆形。对于非椭球形分 GSM 无 法 对 其 概 率 密 度 分 布 进 行 精 确 描 述。 布， GMM 将若干个 GSM 进行加权平均如下式 p（ X） = μk， ∑ w k p k（ X ） = ∑ w k N ( X ， ∑k)
Abstract： A new method called AＲGMM is proposed based on autoregressive model （ AＲ） and Gaussian mixture model （ GMM） for fault degree assessment． Bearing vibration signals are represented by the parameters and residual of the AＲ model． A GMM is then obtained by training data from bearing faultfree． The data to be tested are fed to the baseline GMM to measure the similarity between the tested bearing condition and normal ones． Consequently ，a bearing fault degree assessment indicator called AＲLLP （ autoregressive loglikelihood probability ） is formulated based on the similarity measure． Experiment results on bearing fatigue test demonstrate that the proposed method can detect bearing fault at early stage and can track the trend of deterioration of rolling bearings． Keywords： fault degree assessment； conditionbased maintenance ； Gauss mixture model 滚动轴承广泛应用于国民经济和国防事业各个 领域， 其运行状态直接影响着设备整体系统的工作 状态、 性能及寿命， 保证滚动轴承正常运行是设备维 ［1 ］ 护工作中的重要内容 。 由于滚动轴承工作时的 损伤 振动信号能够反映出不同的故障模式或退化 、 程度， 对其进行提取分析能有助于发现早期损伤 ， 从 而制定故障解决方案， 为视情维修奠定基础

滚动轴承性能退化的时序多元状态估计方法

滚动轴承性能退化的时序多元状态估计方法

第41卷第6期2021年12月振动、测试与诊断Vol.41No.6Dec.2021 Journal of Vibration，Measurement&Diagnosis滚动轴承性能退化的时序多元状态估计方法∗张龙1，吴荣真1，周建民1，易剑昱1，徐天鹏1，王良1，邹孟2（1.华东交通大学机电与车辆工程学院南昌，330013）（2.中国铁路南昌局集团有限公司南昌车辆段南昌，330201）摘要滚动轴承性能退化评估是预诊断的提前和基础，对在役滚动轴承实施在线状态监测和性能退化评估具有重要意义。

针对概率相似度量评估方法存在模型复杂、容易过早饱和等现象，提出一种基于自回归时序（autoregressive model，简称AR）模型和多元状态估计（multivariate state estimation technique，简称MSET）的滚动轴承性能在线评估方法，其中AR模型用于提取轴承振动信号的状态特征，MSET模型用于重构AR模型系数。

首先，提取正常运行状态下振动信号的AR模型系数构建MSET模型的历史记忆矩阵；其次，将待测信号的AR系数作为观测向量输入MSET模型中得到重构后的估计向量；最后，由原始AR系数和重构AR系数分别构造自回归模型，并各自完成对待测信号的时序建模，将两自回归模型所得残差序列的均方根值之差作为性能劣化程度指标。

离散实验数据和全寿命疲劳实验数据分析结果表明，该方法能够有效检测早期故障，且具有与轴承故障发展趋势一致性更好等优点。

关键词AR模型；多元状态估计；滚动轴承；性能退化评估中图分类号TH133引言实现接近零的停机时间和减少停机时间成本是预诊断的最终目标［1］。

然而，在实际发生故障之前，如果没有对剩余使用寿命的准确预测，就不可能实现预诊断的根本优势。

性能退化评估是实现预诊段的前提与基础。

滚动轴承是旋转机械的关键部件，一旦其发生故障，将直接影响到机械设备的正常安全运行甚至造成重大安全事故［2］。

基于gaf-drsn的滚动轴承故障诊断方法

基于gaf-drsn的滚动轴承故障诊断方法

基于gaf-drsn的滚动轴承故障诊断方法滚动轴承是常见的机械设备中的关键组件之一。

由于长时间的工作和不断的负载，滚动轴承容易出现故障。

故障的及时诊断对于确保设备的正常运行和提高设备的可靠性至关重要。

GAF-DRSN（基于Gabor 滤波器和自适应维纳滤波器的多尺度深度残差网络）是一种新的滚动轴承故障诊断方法，具有很高的准确性和可靠性。

基于GAF-DRSN的滚动轴承故障诊断方法包括以下几个步骤：第一步是数据获取。

通过传感器获取滚动轴承的振动数据。

这些数据包含了轴承在运行过程中的振动信号，可以用于分析和诊断轴承的工作状态。

第二步是数据预处理。

由于振动数据可能包含噪声和干扰，需要对数据进行滤波和去噪处理，以提高后续分析和诊断的准确性。

常用的方法包括低通滤波、中值滤波和小波去噪等。

第三步是特征提取。

通过Gabor滤波器提取滚动轴承振动信号的时频特征。

Gabor滤波器是一种能够提取时频信息的滤波器，可以将时域和频域信息有效地结合起来，提取出具有代表性的特征。

第四步是特征选择和降维。

通过对提取到的特征进行选择和降维，去除冗余信息和噪声，提高分类和诊断的准确性。

常用的方法包括主成分分析（PCA）和线性判别分析（LDA）等。

第五步是故障诊断。

通过自适应维纳滤波器进行残差网络的深度学习，实现滚动轴承的故障诊断。

自适应维纳滤波器可以自动学习和调整滤波器的参数，适应不同故障模式和工况条件下的振动信号。

最后一步是结果分析和评估。

根据故障诊断的结果，对滚动轴承的工况和健康状况进行评估和分析。

如果存在故障，需要及时采取修复或更换措施，以确保设备的正常运行。

该方法具有很高的准确性和可靠性。

通过Gabor滤波器和自适应维纳滤波器的联合使用，能够提取出具有代表性的特征，并对振动信号进行有效的滤波和去噪处理。

由于采用了深度学习的方法，可以自动学习和调整滤波器的参数，适应不同故障模式和工况条件下的振动信号。

因此，该方法可以实现对滚动轴承的准确故障诊断，提高设备的可靠性和运行效率。

一种自适应调整滤波参数的轴承故障诊断方法

一种自适应调整滤波参数的轴承故障诊断方法

统的信号处理方法无法得到满意的结果。 近几年来不少学者在形态学滤波器 [1–3]上做了 大量研究， 李扬等基于零频到故障特征频率是否出 现干扰和冲击特征比值的大小实现了对故障特征频 率的提取 [1]。EMD 提出以后， 可以自适应地从信号 中分离出调频信号 [4–5]。程军圣等利用 LMD 提取出 了齿轮故障信息， 且在避免欠包络和迭代次数方面 优于 EMD [6]。马辉等在分析失稳故障时采用了三 维谱图、 重排小波尺度图等方法对故障特征进行提 取
An Adaptive Method for Fault Diagnosis of Bearings based on Adjusting Filter Parameters
WANG Jian-dong , MA Zeng-qiang , LI Yan-zhong , WANG Meng-qi
( School of Electrical and Electronic Engineering, Shijiazhuang Railway University, Shijiazhuang 050000, China )
（ 石家庄铁道大学 电气与电子工程学院，石家庄 050000 ）
摘 要： 针对机械振动信号中存在大量噪声和形态学滤波中结构元素长度不能自适应调整的问题， 提出一种可自 适应调整结构元素长度的滚动轴承故障诊断新方法。结构元素长度的不同会导致对信号特征提取效果的不同， 该方 法通过以峭度值为指标， 找寻出使峭度值较大的一系列结构元素长度。然后通过计算不同长度滤波后信号的故障特 征频率能量比值， 找寻出使故障特征最突出、 最明显的结构元素长度。以此长度为最优长度对信号进行滤波， 能够较 好地提取出滚动轴承的故障特征， 找到故障特征频率。 关键词 ： 振动与波； 形态学滤波； 自适应； 峭度值； 故障特征频率能量比值 中图分类号 ： TH165 文献标识码 ： A DOI 编码 ： 10.3969/j.issn.1006-1335.2017.01.030

一种风电机组齿轮箱轴承性能退化状态评估方法[发明专利]

一种风电机组齿轮箱轴承性能退化状态评估方法[发明专利]

专利名称：一种风电机组齿轮箱轴承性能退化状态评估方法专利类型：发明专利
发明人：雍彬,胡号鹏,冉军,刘冰冰,吴艳灵
申请号：CN202010860574.1
申请日：20200825
公开号：CN112001632A
公开日：
20201127
专利内容由知识产权出版社提供
摘要：本发明提供的一种风电机组齿轮箱轴承性能退化状态评估方法，包括如下步骤：分别采集齿轮箱轴承的SCADA性能监测参数数据和CMS特征数据；对采集的SCADA性能监测参数数据预处理，对采集的CMS特征数据构建多域特征集；对预处理后的SCADA性能监测参数和CMS多域特征集进行数据优选；基于数据优选结果构建SCADA与CMS决策融合状态评估模型；基于SCADA与CMS决策融合状态评估模型输出齿轮箱轴承状态评估结果。

本发明，在变工况下有效利用CMS和SCADA数据，多角度多侧面反应风电机组齿轮箱轴承的退化趋势，从而实现了齿轮箱轴承健康状态的精准融合评估。

申请人：中国船舶重工集团海装风电股份有限公司
地址：401122 重庆市北部新区经开园金渝大道30号
国籍：CN
代理机构：重庆棱镜智慧知识产权代理事务所(普通合伙)
代理人：李兴寰
更多信息请下载全文后查看。

面向轴承剩余寿命预测的自适应退化阶段辨识方法

面向轴承剩余寿命预测的自适应退化阶段辨识方法

面向轴承剩余寿命预测的自适应退化阶段辨识方法
邬世龙
【期刊名称】《组合机床与自动化加工技术》
【年(卷),期】2022()12
【摘要】针对滚动轴承剩余寿命预测中的退化阶段难以辨识的问题,提出了基于互信息卷积神经网络的退化特征提取方法和基于自适应超阈值波峰与失效概率逻辑回归预测的退化阶段辨识方法。

引入了以轴承自监测数据为驱动的互信息卷积神经网络对轴承性能退化特征进行深度提取,并结合支持向量数据描述进行退化指数(degradation indicator,DI)构建。

针对环境工况对DI造成的波动干扰影响,引入了极值理论中的超阈值波峰法进行了退化阈值的更新设置。

结合失效概率统计信息,采用正常状态与退化状态的逻辑回归二分类法对个体轴承失效阈值进行了客观估计,并利用全阶时间幂灰色预测模型对轴承剩余寿命进行了预测。

实验结果表明,在退化阶段自适应辨识的基础上进行轴承剩余寿命的预测,能得到更准确更客观的预测结果。

【总页数】5页(P31-35)
【作者】邬世龙
【作者单位】重庆大学机械与运载工程学院
【正文语种】中文
【中图分类】TH133.3;TG659
【相关文献】
1.基于随机退化数据建模的设备剩余寿命自适应预测方法
2.基于多阶段-随机维纳退化过程的产品剩余寿命预测方法
3.多阶段随机退化设备剩余寿命预测方法
4.考虑随机效应的两阶段退化系统剩余寿命预测方法
5.多退化变量灰色预测模型的滚动轴承剩余寿命预测
因版权原因，仅展示原文概要，查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第 2第6 卷26第卷第2 期2 期 ２0 1 8 年 2 月
文章编号：员园园缘原员圆圆愿（圆园18）园2原园园09原04
吴电家菊等脑：交互与式电子信技术手息册的技技术发术展与应用研究 悦燥皂责怎贼藻则 葬灶凿 陨灶枣燥则皂葬贼蚤燥灶 栽藻糟澡灶燥造燥早赠
灾燥造援26 晕燥援2 Apr援 圆园18
一种自适应报警的轴承性能退化评估新方法
轴承故障是旋转机械故障的重要原因之一，其工 作状态在机械工业中具有举足轻重的作用，也正如此， 一直以来轴承故障诊断技术是学者们的研究热点，及 时发现工作中的轴承故障，以便可以减少故障带来的 损失。但是，该方法是一种轴承出现故障之后的被动措 施。与此相对应的是性能退化评估技术，并不是简单地 判断某个时刻是否发生故障，而是监测轴承全寿命阶
段的性能退化程度[1]，随时掌握轴承工作过程中的性能 状态，可以有针对性地制定轴承维护计划，是一种在轴 承故障之前能够降低生产损失的主动维护模式[2]。
轴承声信号是一种非平稳信号，其中包含着轴承 工作状态的重要信息，可以从中得出轴承工作是否正 常的结论。声信号采集设备非常简单，只需要将声传感 器置于轴承邻近，便可以将声信号输入到计算机进行
A new Method for Evaluating of the Bearing Performance Degradation Based on AdaptN Chao2
(1. Xiangnan University School of Software and Communication Engineering袁 Chenzhou 423000袁China; 2. University of South China School of Computer Science and Technology袁 Hengyang 421001袁China) Abstract：LPCC is introduced to the feature extraction of bearing acoustic signal for the first time in this paper, and a new Method for Evaluating of the Bearing Performance Degradation Based on Adaptive Alarm is proposed. First, the normal HMM model is established through training Hidden Markov Model (HMM) with normal sound signals. Then the output probability of the current evaluation data under the normal HMM model condition is calculated. When the output probability exceeds the threshold range, it is found that the bearing performance state is in the degenerate grade I. HMM is retrained with degraded I sound signal at the same time of starting the alarm, then this new HMM is used to evaluate the performance degradation of the bearing running at the next time, until bearing performance occurs the degradation level II, degradation level III or more serious degradation. The adaptive performance degradation evaluation function is achieved. Experiments on bearing accelerated fatigue life show that the proposed adaptive degradation evaluation method can describe the whole performance degradation process of bearings, and it has good application prospects. Key words: Adaptive; Performance Degradation; Alarm; Evaluation; Sound Signal
陆汝华 1，范 超 2
（1．湘南学院软件与通信工程学院，湖南 郴州 423000；2．南华大学计算机科学与技术学院，湖南 衡阳 421001）
摘 要：论文首次将线性预测倒谱系数（LPCC）引入到轴承声信号特征提取，并提出了一种自适应报警的轴承声信号性能 退化评估新方法：首先使用正常状态下的声信号进行隐马尔可夫模型 （Hidden Markov Model，HMM） 训练，建立正常 HMM 模型；然后计算当前评估数据在正常 HMM 模型条件下的输出概率，当输出概率超出阈值范围时，即认定轴承性能 状态处于退化Ⅰ级。在启动报警的同时采集退化Ⅰ级声信号重新训练 HMM，使用新的 HMM 对下一时刻运行的轴承进 行性能退化评估，直到依次出现退化Ⅱ级，退化Ⅲ级或更严重的退化状态，实现了自适应性能退化评估功能。轴承加速疲 劳寿命实验表明，论文提出的自适应性能退化评估方法能够描述轴承整个性能退化过程，具有良好地应用前景。 关键词：自适应；性能退化；报警；评估；声信号 中图分类号：TH133.33 ,TP391.42 文献标识码：A