基于熵权优化的轴承故障诊断方法研究

合集下载

基于改进多尺度排列熵的列车轴箱轴承诊断方法研究

的缺陷会导致熵值精度低、稳定性差,提出了改进多尺度排列熵。通过仿真信号与传统多尺度排列熵方法比较发
现,在不同尺度下改进多尺度排列熵方法估计的熵值结果更加稳定,且误差减小。结合马氏距离特征选择与遗传
算法优化的支持矢量机模式识别算法,提出了一种智能化的轴承故障诊断方法。通过列车轴箱轴承实验数据进
a
i
nAx
l
eBoxBe
a
r
i
ng
Ba
s
e
don Mod
i
f
i
e
d Mu
l
t
i
s
c
a
l
ePe
rmu
t
a
t
i
onEn
t
r
opy
LIYong
i
an1 2 , SONG Hao1 , LIUJ
i
hua1 , ZHANG We
i
hua3 , XIONG Qi
ng2 4
j
,
,(Biblioteka 1.Schoolo
fRa
i
lTr
行验证,结果表明该方法可准确识别出不同类型的故障轴承。
关键词:多尺度排列熵;马氏距离;特征提取;支持矢量机;故障诊断
中图分类号:U279.
323
文献标志码:A
do
i:
10.
3969/
.
s
sn.
1001
8360.
2020.
01.
005
ji
AS
t
udyonFau
l
tDi
agno
s
i

滚动轴承故障诊断系统优化的开题报告

滚动轴承故障诊断系统优化的开题报告一、选题背景滚动轴承广泛应用于各个领域，如工业设备、机床、汽车等。

但在运行过程中，由于多种因素的影响，滚动轴承易受损坏，可能导致系统失效。

同时，由于其他因素的干扰，滚动轴承的损坏也不容易直接发现。

因此，开发一种滚动轴承故障诊断系统非常必要。

二、研究内容本研究将以滚动轴承的损坏状态为切入点，开发一种基于机器学习的滚动轴承故障诊断系统，通过数据采集和分析，准确快速的识别出轴承的损坏状态。

在数据采集方面，将采用传感器获取滚动轴承在运行时的振动、声响等数据。

在数据分析方面，将利用神经网络、遗传算法等机器学习技术，对采集到的数据进行分析处理，不断对系统进行优化调整。

三、研究目标本研究的主要目标是开发出一种准确快速的滚动轴承故障诊断系统。

具体目标如下：1.建立准确的滚动轴承损坏的模型和数据处理模型，能够根据模型和处理模型来区分滚动轴承的不同状态。

2.归纳滚动轴承在不同损坏状态下的关键振动和声响信息，在数据采集方面加以考虑，并对信息进行有效的提取和分析。

3.对所选用的神经网络或其他机器学习方法进行优化和改进，到达更好的预测精度和诊断结果。

4.在实验室内进行较为完整、准确的试验，以验证所研发系统的可靠性和实际效果。

四、研究方法本研究将采用如下研究方法：1.研究相关技术文献，掌握滚动轴承故障诊断领域的发展现状、研究思路和关键问题。

2.进行实验数据的采集和处理，利用传感器等设备获得滚动轴承在不同状态下的振动、声响、温度等数据，采集到的数据包括不同负荷、不同转速、不同环境温度下的数据。

3.通过对采集到的数据进行处理，提取振动、声响等特征，建立滚动轴承故障的模型，对模型进行理论分析和实验优化，并对不同故障模型进行合并考虑，充分识别滚动轴承的损坏状态。

4.采用不同的机器学习算法，如神经网络、遗传算法、逻辑回归等，进行滚动轴承故障诊断系统的开发与优化。

五、预期结果通过以上的研究方法和过程，本研究预计能够取得如下结果：1.建立出一种基于机器学习的滚动轴承故障诊断系统，能够在精准和快速的识别出轴承的损坏状态。

基于阶次跟踪和改进STFT的变转速滚动轴承故障诊断研究

基于阶次跟踪和改进STFT的变转速滚动轴承故障诊断研究基于阶次跟踪和改进STFT的变转速滚动轴承故障诊断研究摘要：随着工业自动化水平的不断提高，滚动轴承作为旋转机械设备中最常见的重要零部件之一，其健康状态的诊断和故障预测对于保障设备的安全运行和提高运行效率具有重要意义。

本文基于阶次跟踪和改进短时傅里叶变换（STFT）的方法，对变转速滚动轴承的故障诊断进行了研究。

通过实验采集的滚动轴承振动信号，首先利用阶次跟踪技术提取阶次分量，然后利用改进STFT方法对阶次分量进行频谱分析，最后根据频谱特征进行故障诊断。

关键词：滚动轴承；故障诊断；阶次跟踪；短时傅里叶变换；振动信号Ⅰ.引言滚动轴承作为旋转设备的重要部件之一，在工业生产中起着至关重要的作用。

然而，由于长期运行或工作条件不理想，滚动轴承可能会出现磨损、裂纹、松动等故障，这些故障如果不及时检测和修复，将导致设备的停机、性能下降甚至事故的发生。

因此，滚动轴承的故障诊断和预测对于设备的可靠运行和提高工业生产效率具有重要意义。

Ⅱ.阶次跟踪方法阶次是指转子旋转一周时间内的等分数，在滚动轴承故障诊断中，通过分析阶次分量可以获得与故障有关的特征信息。

阶次分量的提取是阶次跟踪方法的核心。

一种常用的阶次跟踪方法是包络分析法，它可以通过分析信号的包络线提取阶次分量。

另一种方法是高阶相关法，它通过对信号进行相关分析，提取阶次分量。

Ⅲ.短时傅里叶变换（STFT）传统的傅里叶变换将整个信号进行频域分析，但是对于非平稳信号来说，传统傅里叶变换的分辨率不够高。

为了解决这一问题，将傅里叶变换应用于局部信号，就形成了短时傅里叶变换（STFT）。

STFT可以在时间和频率上同时分析信号，能够较好地反映信号在时域和频域的变化。

Ⅳ.基于阶次跟踪和改进STFT的滚动轴承故障诊断方法本文将阶次跟踪和改进STFT相结合的方法应用于滚动轴承故障诊断中。

具体步骤如下：1. 采集滚动轴承振动信号，并对信号进行预处理，如去除噪声和滤波。

基于VMD和排列熵的滚动轴承故障诊断研究

nerring failure, ouherring failure, and ro ling Dueho hhe2pecialoperahing characherihic2ofro ling bear
ings, the failure mechanlm of rolling bearings is analyzed, and the permutation entropy (PE) feahre vec-
No.6 Jun.2021
基于VMD和排列癇的滚动轴承故障诊断研究!
杨云】，张昊宇】，薛元贺1!2，丁磊1
(1.华东交通大学电气与自动化工程学院"南昌330033 ；2.中国铁路南昌局集团有限公司"南昌
330033)
摘要:针对难以识别的轴承运行振动信号中的状态特征，提出变分模态分解% VMD)和基于峭度准则排列熵结合的滚动轴承故障诊断方法。VMD分解算法受限于分解参数，分析参数对结果的影
horcon2hruchion mehhod ba2ed on hhekurho2icriherion iobhained, and hhe2upporhvechormachineiu2ed
ho co rechThefour2hahe2arecla2ified, and hhefaulhdiagno2iifinaly realieed.
1.2参数设置对分解结果的影响
变分模态分解算法包含的参数有分解尺度 +、惩罚因子a、噪声容限和判别精度，研究发现，噪声容限和判别精度对变分模态分解的结果影响较小，本小节
通过定一求二法分析确定变分模态分解参数，介绍+ 和-对分解的影响。
本小节采用西储凯斯大学轴承数据库数据进行分析,以采样频率为12 kHz下的驱动端轴承的滚动体故障数据做分析，图1为该故障信号的时域图，横坐标为时间，纵坐标为幅值。

基于改进一维卷积神经网络的滚动轴承故障智能诊断方法

基于改进一维卷积神经网络的滚动轴承故障智能诊断方法基于改进一维卷积神经网络的滚动轴承故障智能诊断方法摘要：滚动轴承是旋转机械中常用但容易受损的零部件之一。

准确诊断滚动轴承的故障情况对于确保机械设备的正常运行和预防故障具有重要意义。

为了解决传统滚动轴承故障诊断方法的问题，本文提出了一种基于改进一维卷积神经网络的滚动轴承故障智能诊断方法。

该方法将滚动轴承振动信号转化为时域数据，通过一维卷积神经网络对其进行特征提取和故障分类，实现对滚动轴承故障的智能诊断。

1. 引言滚动轴承是各种旋转机械中常见的核心部件之一，其工作稳定性和可靠性直接影响着机械设备的运行效果。

然而，由于工作环境的复杂性和长时间使用的磨损，滚动轴承容易出现各种故障，如疲劳裂纹、滚珠脱落等。

因此，准确诊断滚动轴承的故障情况对于预防机械故障、提高设备可靠性具有重要意义。

2. 传统滚动轴承故障诊断方法的问题传统滚动轴承故障诊断方法主要依赖于专家经验和信号处理技术。

然而，这些方法存在着以下几个问题：（1）对于大规模滚动轴承数据的处理效率较低；（2）诊断结果依赖于专家的经验；（3）对于不同种类的故障缺乏普适性。

3. 基于改进一维卷积神经网络的滚动轴承故障诊断方法为了解决传统滚动轴承故障诊断方法的问题，本文提出了一种基于改进一维卷积神经网络的滚动轴承故障智能诊断方法。

该方法的主要步骤如下：3.1 数据采集与预处理首先，采集滚动轴承的振动信号，并对其进行预处理。

预处理包括滤波、去除噪声等步骤，以提高信号的质量和清晰度。

3.2 数据转换和特征提取将预处理后的振动信号转换为时域数据，并提取其特征。

本文选取了多种特征参数，包括均值、标准差、峰值等，以全面描述滚动轴承的故障情况。

3.3 改进一维卷积神经网络模型本文在传统的一维卷积神经网络（CNN）模型的基础上，进行了一定的改进。

首先，引入残差连接（Residual Connection）机制，以避免梯度消失和过拟合问题。

复合多尺度散布熵在滚动轴承故障诊断中的应用

V ol 38No.Z1Apr.2018噪声与振动控制NOISE AND VIBRATION CONTROL 第38卷第Z1期2018年4月文章编号：1006-1355(2018)Z1-0653-04复合多尺度散布熵在滚动轴承故障诊断中的应用郑近德，李从志，潘海洋（安徽工业大学机械工程学院，安徽马鞍山243002）摘要：为了提取滚动轴承的非线性故障特征，将复合多尺度散布熵应用于滚动轴承故障特征提取，提出1种基于复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法，并将所提方法应用于滚动轴承实验数据分析。

通过与多尺度散布熵和多尺度熵进行对比，结果表明：论文提出的故障诊断方法不仅能够准确地诊断滚动轴承的故障类型和程度，而且识别率优于所对比的方法。

关键词：振动与波；多尺度熵；复合多尺度散布熵；滚动轴承；故障诊断中图分类号：TH165.+3文献标志码：ADOI 编码：10.3969/j.issn.1006-1355.2018.Z1.141Application of Composite Multi-scale Dispersion Entropy inRolling Bearing Fault DiagnosisZHENG Jinde ,LI Congzhi ,P AN Haiyang(School of Mechanical Engineering,Anhui University of Technology,Ma ’anshan 243002,Anhui China )Abstract :The composite multi-scale dispersion entropy (CMDE)is proposed and applied to extract nonlinear fault features of rolling bearings based on the experimental paring with the multi-scale entropy method,the proposed method can precisely diagnose the type and extent of the faults of the rolling bearings and get much higher identification rate than the other methods.Keywords :vibration and wave;multi-scale dispersion entropy;composite multi-scale dispersion entropy;rolling bearing;fault diagnosis滚动轴承是旋转机械的关键部件，其故障诊断一直是相关学者研究的热点。

基于ssae-svm的滚动轴承故障诊断方法研究

基于ssae-svm的滚动轴承故障诊断方法研究基于SSAE-SVM（Sparse Subspace Autoencoder-Support Vector Machine）的滚动轴承故障诊断方法是一种结合了稀疏子空间自编码器（SSAE）和支持向量机（SVM）的故障诊断技术。

该方法旨在通过对滚动轴承振动信号进行特征提取和分类，实现对轴承故障的准确诊断。

下面是基于SSAE-SVM的滚动轴承故障诊断方法的一般研究步骤：1. 数据采集和预处理：使用合适的传感器采集滚动轴承的振动信号，并进行预处理，如去除噪声、滤波和降采样等。

2. 特征提取：使用稀疏子空间自编码器（SSAE）对预处理后的振动信号进行特征提取。

SSAE 是一种无监督学习方法，可以自动学习数据中的潜在特征表示。

它通过逐层训练多个稀疏自编码器来构建一个深度神经网络，从而实现高效的特征提取。

3. 特征选择和降维：根据所提取的特征，使用适当的特征选择和降维方法，如主成分分析（PCA）或线性判别分析（LDA），选择最具有区分性和信息丰富度的特征。

4. 故障分类：使用支持向量机（SVM）或其他分类器对选定的特征进行训练和分类。

SVM 是一种监督学习方法，能够有效地进行二分类和多分类任务。

在训练阶段，使用已标记的故障数据和正常数据对SVM进行训练；在分类阶段，对新的未知样本进行分类，以判断轴承是否存在故障。

5. 性能评估：对所建立的故障诊断模型进行性能评估。

常用的评估指标包括准确率、召回率、精确度和F1分数等。

通过与实际故障数据进行比对和验证，评估方法的有效性和可靠性。

需要注意的是，实施基于SSAE-SVM的滚动轴承故障诊断方法需要适当的数据集和专业的机器学习知识。

此外，还应考虑诊断模型的泛化能力和实际应用的可行性。

因此，在具体研究中，还需要针对具体的滚动轴承故障场景和实际需求进行进一步的优化和改进。

轴承故障诊断技术的应用与发展

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。

基于EMD和信息熵的滚动轴承故障诊断

再判断ｈ，否满足Ｉ＝ｈ一ｍ是ＭＦ的条件，如不满
各ＩＦＭ分量的信息熵如下：设信号ｔ经ＥＤ后（）Ｍ得到ｎ个ＩＭＦ分量ＩＦ，ＭＦ，，ＭＦ。将个Ｍ１Ｉ２… Ｉ
ＩＦ分量中的所有数据归一化到［一１１区间，Ｍ，］并将［一１１区间分为个等长区间：，］［一１ａ］，，［ａ］… ，ａ一，］ａ，：，［１。对于第ｎ个ＩＭＦ分量落
适应性，提出基于ＥＤ和信息熵的滚动轴承故障Ｍ诊断方法，以提取轴承故障特征频率。
１ＥＭＤ方法和Ｈｉｅｔ包络谱ｌｒｂ
１１Ｅ．ＭＤ方法一
作者简介：瑜，，士研究生，究方向为状态监测与朱男硕研故障诊断。Ｅ—ｍｉ：ｏｇｕｎ＠１６ｃｍ。ａｙｎ＇ａｚ２．ｏｌｙ
络谱相结合的方法提取滚动轴承故障频率，取得了一定效果。该方法通过ＥＭＤ将轴承故障信号
分解为多个本征模态函数（ｎｒｓｄｕｃＩｔｎｉＭｏｅＦｎ．ｉｃｔｎＩＦ分量，ｉ，Ｍ）ｏ再对故障特性明显的ＩＭＦ分量进行包络谱分析。然而，障特征明显的ＩＦ依然故Ｍ通过经验获得，少理论依据。文献［］出一种缺５提基于小波包系数熵阈值的增强型共振解调方法，利用小波包将轴承故障信号进行分解，算各个计小波包系数的信息熵，取信息熵较大的小波包选系数重构信号，对重构信号进行解调处理，并取得了一定的效果。但合适的小波包分解层数以及小波基较难确定。鉴于ＥＭＤ在分解信号过程的自

一种基于复合多尺度排列熵的滚动轴承故障诊断方法

一种基于复合多尺度排列熵的滚动轴承故障诊断方法
基于复合多尺度排列熵的滚动轴承故障诊断方法主要通过以下流程实现：
信号采集：利用传感器等测试设备对滚动轴承的振动信号进行采集，得到时域振动信号。

信号分解：将时域振动信号分解为不同尺度的小波分量，得到小波变换系数（即频谱信息）。

排列熵计算：针对每个尺度下的小波分量进行排序，并计算其排列熵。

排列熵是指排序后的序列在一定条件下的不确定性和复杂性的度量。

复合多尺度排列熵计算：将所有尺度下的排列熵组合成复合多尺度排列熵（CMPSE），作为特征参数。

特征参数提取：在一段时间内收集到的CMPSE数据中，提取特征参数并进行归一化处理，以便后续处理。

故障诊断：根据特征参数进行模式识别和分类，从而实现对滚动轴承故障状态（如正常状态、内圈故障、外圈故障等）的诊断。

轴承故障诊断的机器学习算法研究

轴承故障诊断的机器学习算法研究一、引言机器学习技术在工业领域中的应用越来越广泛。

机器学习可应用于故障诊断、控制以及优化等领域，其中轴承故障诊断是一个重要的应用场景。

随着工业设备使用的不断加剧，轴承故障诊断的重要性也变得越来越突出。

在传统的故障诊断方法中，人工诊断存在时间长、成本高、准确性低等缺陷。

因此，本文将探讨机器学习算法在轴承故障诊断中的应用研究。

二、轴承故障诊断方法在轴承故障诊断领域，传统的方法主要包括声学、振动和温度分析等。

在这些常规方法中，振动诊断是最常用的一种。

其原理是通过振动传感器采集信号，分析信号的频率和振幅等特征，以此来判断轴承的运行状态。

虽然传统的振动诊断能够在一定程度上诊断出轴承的故障，但准确性和鲁棒性有待提高。

三、机器学习算法在轴承故障诊断中的应用近年来，机器学习技术在轴承故障诊断领域中的应用得到了广泛关注。

常用的机器学习算法包括支持向量机（SVM）、随机森林（RF）、神经网络（NN）等。

这些算法通过对轴承振动数据进行机器学习模型训练，以提高轴承故障诊断的准确性和鲁棒性。

1.支持向量机算法SVM是一种二分类器，旨在找到一个特征空间中的超平面，可将不同类别的数据区分开。

SVM常用于解决小样本、非线性、高维的模式识别问题。

在轴承故障诊断中，SVM可以通过振动信号特征提取，训练模型，并实现轴承状态的诊断。

2.随机森林算法RF是一种集成学习方法，能够在解决分类和回归问题中表现出色。

在RF中，将多个决策树组合成一个更强大的分类器或回归器，以提高预测准确性。

在轴承故障诊断中，RF可利用振动信号特征，提取轴承状态参数，训练模型，实现轴承状态诊断。

3.神经网络算法NN是一种模拟生物神经网络的信息处理方法，其模型可以通过训练来识别模式和关系。

在轴承故障诊断中，NN可以利用振动信号特征，提取轴承状态参数，训练模型，并实现轴承的状态诊断。

四、结论在工业生产领域中，轴承被广泛应用于各种设备中。

随着设备的使用寿命不断延长，轴承故障的发生频率也不断增加。

关于滚动轴承故障检测的改进包络分析

关于滚动轴承故障检测的改进包络分析
滚动轴承是机械设备中常见且重要的部件之一，其运转状态的监测和故障检测对于保障机械设备的正常运行和预防故障具有重要意义。

目前，滚动轴承故障检测中的一种常用方法是包络分析。

包络分析方法通过提取振动信号中的包络谱，能够有效地诊断出滚动轴承的故障类型和程度。

传统的包络分析方法在某些情况下存在着一些问题，为了进一步提高滚动轴承故障检测的准确性和可靠性，一些改进的包络分析方法被提出和研究。

一种改进的方法是基于小波变换的包络分析。

传统的包络分析方法是通过在时域中提取信号的包络，并进行频谱分析。

当滚动轴承受到复杂载荷或多种故障影响时，信号的包络在时域中可能变得模糊，导致包络分析结果不准确。

小波变换能够提供更好的时频分析能力，能够准确地提取信号的包络，从而改善了滚动轴承故障检测的准确性。

另一种改进的方法是基于多尺度包络谱的包络分析。

传统的包络分析方法只能提取信号的一个包络谱，无法同时获得不同尺度下的包络谱信息。

在滚动轴承故障检测中，不同故障类型对应的特征频率可能存在不同的尺度。

基于多尺度包络谱的包络分析方法能够同时获得不同尺度下的包络谱信息，从而更好地识别出不同故障类型。

一种改进的方法是基于自适应包络分析的包络分析。

传统的包络分析方法是通过提前设定好的包络线来判断信号的包络，滚动轴承在运行过程中受到多种因素的影响，其振动信号的包络可能在不同工况下有所不同。

基于自适应包络分析的包络分析方法能够根据实际信号的特点自动调整包络线，从而更具适应性和准确性。

基于多尺度熵的滚动轴承故障程度评估

基于多尺度熵的滚动轴承故障程度评估
张龙;黄文艺;熊国良
【期刊名称】《振动与冲击》
【年(卷),期】2014(000)009
【摘要】轴承故障严重程度评估是实现视情维修的基础。

滚动轴承出现故障时，其振动信号将表现出非平稳性和非线性。

基于多尺度熵方法，构建了一个同时考虑多个尺度上熵值均值大小和熵值变化趋势的轴承故障程度描述新指标---多尺度熵均偏值（PMME ）。

仿真实验和轴承疲劳实验数据分析表明该指标能够较早地发现轴承早期故障，并且能很好地跟踪故障发展趋势。

【总页数】5页(P185-189)
【作者】张龙;黄文艺;熊国良
【作者单位】华东交通大学机电工程学院，南昌 330013;华东交通大学机电工程学院，南昌 330013;华东交通大学机电工程学院，南昌 330013
【正文语种】中文
【中图分类】TH165.3;TN911;TH17
【相关文献】
1.基于多尺度熵和距离评估的滚动轴承故障诊断 [J], 谢平;江国乾;武鑫;李小俚
2.基于CEEMDAN多尺度熵和SSA-SVM的滚动轴承故障诊断研究 [J], 李怡;李焕锋;刘自然
3.基于EEMD多尺度模糊熵与BP神经网络的滚动轴承故障表征诊断 [J], 巴頔;张宏斌;张文华
4.基于层次多尺度散布熵的滚动轴承智能故障诊断 [J], 鄢小安;贾民平
5.基于精细复合多元多尺度加权排列熵与流形学习的滚动轴承故障诊断 [J], 刘武强;申金星;杨小强
因版权原因，仅展示原文概要，查看原文内容请购买。