基于ELM的齿轮钢淬透性预测模型

利用极限学习机(ELM)研究了20Cr齿轮钢端淬硬度曲线和化学成分的预测,并将其预测结果与传统预测模型进行比较。结果表明,ELM可以根据齿轮钢的化学成分预测其淬透性,计算精度明显优于传统线性拟合及神经网络模型,同时ELM也能通过齿轮钢淬透性硬度曲线反测化学成分,元素含量误差在5%以内。     

滚动轴承和齿轮故障的时频域识别

本文描述了振动信号分析的时频域方法,证明了时频域方法是识别滚动轴承和齿轮故障的有效方法。研究表明短时Ｆｏｕｒｉｅｒ谱和Ｗｉｇｎｅｒ分布都能用于将时域信号变换到时频域,但是对于时变信号,应用Ｗｉｇｎｅｒ分布更为适宜。     

基于EEMD和低相干K-SVD的齿轮故障诊断方法研究

针对传统K-SVD算法在训练字典过程中,容易受到噪声干扰以及字典原子间相干性较大不足以表示信号内部结构的问题,文章提出了基于集合经验模态分解(EEMD)和低相干K-SVD相结合进行齿轮故障特征提取的方法。该方法利用EEMD对原始信号进行分解,通过峭度准则选取最优模态分量作为训练样本,以降低噪声的干扰;采用低相干K-SVD算法对训练样本进行学习,构造出低相干字典;最后,采用正交匹配追踪(OMP)算法求解稀疏系数,重构得到稀疏信号;通过仿真及实验数据进行验证,结果表明,EEMD和低相干K-SVD相结合的方法可以准确构建出匹配信号特征成分的字典,提高了信号重构性能。     

基于EEMD与CPSO-ELM的车削机床刀具磨损故障检测与识别

鉴于数控车床刀具在机械加工系统中占有重要的地位,故数控车床刀具磨损故障的在线检测与识别具有重要意义。以华中数控车床为研究对象,提出了以平均经验模态分解(EEMD)、混沌粒子群(CPSO)以及核极限学习机(ELM)等方法对车床刀具磨损故障进行诊断。介绍了EEMD、CPSO以及ELM的基本原理和过程;对采集得到的刀具磨损信号进行前期预处理,经EEMD分解后得到IMF分量,以峭度、峰值、均方根值作为一种选取标准,选择包含较多故障信息的几个IMF进行信号重组并计算;将计算结果组成特征向量输入CPSO-ELM、SVM以及BP神经网络等分类器进行故障识别和对比。实验结果表明:对比传统的BP神经网络和SVM分类器,CPSO-ELM分类器具有快速、精确、有效的识别特性,能够有效检测和识别刀具磨损故障。     

基于EEMD和IMF能量分布的刀具破损识别

针对铣削过程中声发射信号非平稳的特点,提出了一种基于噪声辅助经验模态分解(EEMD)和本征模函数(IMF)能量分布的刀具破损识别方法.首先对经过滤波后的原信号进行EEMD分解,抽取本征模函数组(IMF),后计算每一阶模函数能量及总体能量分布,最后提取特征向量,通过特征向量的变化识别刀具破损.利用该方法,在立式铣削加工中心上对稳定切削中刀具破损和变参数铣削加工进行了系统的分析,结果表明此方法能够剔除切削参数变化的影响,准确的识别刀具破损,具有很高的稳定性和准确性.     

基于改进小波阈值-SVM的齿轮故障信号识别

针对在齿轮疲劳试验中需要多次停机拍照的问题,提出基于改进的小波域阈值降噪方法,对采集的齿轮啮合的声发射信号分析,并提取特征矢量作为支持向量机的输入特征向量,识别出故障信号,根据齿轮旋转周期,确定缺陷轮齿。与开箱拍照的记录进行对比,计算得出的问题轮齿和照片记录吻合。该方法减少了因停机拍照造成的齿轮工作数据采集不准确的问题,同时也减少了工作人员的工作量,在后续的实验中该方法得到了有效的应用。     

基于改进EEMD的滚动轴承故障特征提取技术

在对集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)进行研究之后,提出了一种利用改进的EEMD进行滚动轴承故障特征提取的方法。该方法根据EEMD的分解过程中信号和加入的白噪声的特点来选择EEMD的参数,并且对分解后所得到的的固有模态函数(IMF)分量进行阈值处理后再重构,以降低噪声的干扰。对重构后的信号进行包络谱分析,提取其故障特征,最后将该方法与通用的EEMD方法进行对比,研究结果表明EEMD是一种很有效的滚动轴承故障特征提取方法。     

齿轮传动系统齿根裂纹早期故障识别

建立齿轮系统动力学模型,分析不同深度的齿根裂纹齿轮系统的振动响应和裂纹的故障特征,采用经验模式分解EMD(Empirical Mode Decomposition)方法与频域分析对齿轮早期裂纹故障实验中振动加速度传感器获取的齿轮箱振动信号进行分析。用EMD方法分别将0 mm、2 mm、4 mm的齿轮齿根裂纹故障信号分解为本征模式IMF(intrinsic mode function),对各IMF分量进行频域分析并与仿真信号对比。结果表明:仿真结果可清晰得到齿轮早期裂纹故障的特征频率,通过频谱分析,齿轮裂纹故障其对啮合频率的幅值影响不大,但随裂纹深度增加,啮合频率及其倍频附近的边频带幅值增加;与实验信号进行对比,现象均符合裂纹故障特征。由此可以看出EMD方法可以有效的实现齿轮裂纹早期故障的识别。     

基于改进EEMD和香农熵的铣刀磨损状态监测研究

为了分析铣削加工中复杂的声发射信号和克服EMD方法的模态混叠缺陷,在原始集合经验模态分解(EEMD)的基础上,提出一种改进的EEMD方法应用于铣刀磨损的状态监测。通过引入白噪声准则和中值滤波优化EEMD的算法,并基于香农熵从分解得到的IMF分量中提取有效分量,剔除虚假分量。最后将有效IMF分量的能量作为特征向量输入支持向量机(SVM)分类器来识别铣刀的磨损状态。经过在立式铣削加工中心上进行实验,结果表明此方法在识别铣刀磨损状态方面具有更高的准确性。     

基于EEMD的滚动轴承故障特征主元分析和PNN建模

利用滚动轴承各种工作状态下测量得到的声发射信号,建立了一种基于总体平均经验模态分解(EEMD)与概率神经网络(PNN)的滚动轴承故障特征提取和诊断方法。通过EEMD对信号进行自适应时频分解,在不同频段上分析本征模态函数(IMF)分量;计算IMF的能量值并做能量贡献分析,确定主元分量以组成故障特征向量;利用PNN网络实现故障特征向量与故障模式之间的函数映射,进行故障诊断。仿真结果和试验数据的对比证明了提出方法的有效性。     

基于EEMD的特征提取及其在齿轮裂纹故障诊断中的应用

为了提取齿轮裂纹故障的特征参数并识别不同裂纹深度齿轮的类型,以单级齿轮箱中的圆柱齿轮为实验对象,采集3种不同裂纹深度齿轮的振动信号。对采集到的信号进行时频域分析和EEMD分解,分别提取时域特征参数和EEMD能量特征参数,分析和构造齿轮裂纹故障特征向量,选用基于径向基核函数的支持向量机分类方法进行不同裂纹深度齿轮的识别。结果表明：结合时域特征参数和EEMD能量特征参数构造的齿轮裂纹故障特征向量能准确识别不同裂纹深度齿轮的类型。     

基于提升小波变换与EEMD的神经网络齿轮故障诊断方法

针对单一的信号处理诊断方法难以实现齿轮故障准确诊断的局限性,文章将提升小波变换、集成经验模态分解(ensemble empirical mode decomposition,EEMD)与相关系数相结合,提出一种新的信号消噪方法,并在此方法的基础上,分别利用BP、Elman和RBF神经网络完成了齿轮故障诊断。首先采用提升小波变换对故障信号进行初步消噪,然后对其作EEMD分解,得到一组固有模态函数(intrinsic mode function,IMF)分量;然后计算各分量的相关系数,剔除相关性较小的伪分量后进行重构,完成二次消噪;最后计算剩余分量的能量特征,并将其作为神经网络的输入向量,进而完成齿轮断齿、裂纹和磨损状况下的故障诊断。仿真分析和应用实例表明:基于提升小波变换与EEMD分解并结合相关系数筛选的消噪方法,比仅用提升小波方法消噪的效果更好。三种神经网络均成功辨别出了齿轮的故障类型,但不同方法各有优劣之处;就诊断效率和准确性而言,BP神经网络的诊断效果最好。     

基于CEEMD-MPE和ELM的齿轮箱故障诊断研究

考虑到齿轮箱振动信号存在非平稳性和非线性等特点导致故障特征提取困难的问题,提出了一种基于互补集合经验模态分解(CEEMD)和多尺度排列熵(MPE)相结合的故障特征提取方法。首先对齿轮箱振动信号进行互补集合经验模态分解,并根据相关系数原则对各模态分量进行筛选,再利用多尺度排列熵对筛选出的模态分量进行特征提取;最后将提取出的故障特征输入到极限学习机(ELM)中进行分类识别,并与传统的径向基(RBF)神经网络进行对比,实验结果表明:采用CEEMD和MPE相结合的办法能够有效提取齿轮箱振动信号的故障特征,极限学习机能够准确、快速地进行齿轮箱故障识别。     

基于KPCA和优化ELM的齿轮箱故障诊断

针对齿轮箱的故障表征不明显且传统分类方法精度低等问题,提出一种基于核主成分分析(KP-CA)特征提取和蚁群算法优化极限学习机神经网络(ACA-ELM)分类识别相结合的齿轮箱故障诊断方法.首先,从齿轮箱的原始信号中提取时域与频域特征构成特征矩阵,利用KPCA方法降低维度,剔除冗余信息,提取有效的特征指标;其次,利用蚁群算...     

基于CEEMDAN-MPE的滚动轴承故障识别

针对滚动轴承振动信号的非平稳特性,实际工况下难以采集大量的样本信号分析故障状态,提出基于自适应噪声的完备经验模态分解(CEEMDAN)与多尺度排列熵(MPE)相融合的故障识别方法。首先,对振动信号进行小波阈值去噪,利用CEEMDAN算法对去噪后的非平稳振动信号自适应分解,对分解后的若干个固有模式分量(IMF)计算互相关系数;然后,重构信号,计算其MPE并组成故障特征向量;最后,把特征向量输入到支持向量机(SVM)中,以识别滚动轴承的故障类型。通过对仿真信号以及实际实验数据的对比验证分析,有效证明了该方法的识别准确率比基于EMDMPE的故障识别方法提高5%,结果表明:基于CEEMDAN-MPE的滚动轴承SVM故障识别方法可以更准确地提取轴承的特征,并识别轴承的故障状态,有更强的实用性和有效性。     

基于最佳小波包分解和HMM的齿轮故障模式识别

齿轮故障模式识别的关键问题在于对故障振动信号的特征提取.为了快速准确识别齿轮故障模式,提出了一种基于最佳小波包分解(OWPD)和隐马尔可夫模型(HMM)的识别方法.该方法对采集的振动信号进行小波包分解,再利用OWPD自动选择提取最佳小波包能量构造特征向量,输入HMM中进行训练与测试,实现了齿轮故障模式识别.实验结果表明该方法在齿轮故障模式识别方面的有效性和准确性.     

基于PCA和SVM的微铣刀磨损状态识别

刀具磨损的状态识别精度对机床加工的质量和生产效率至关重要,为了提高刀具磨损状态的识别度,提出了一种能够有效识别微铣刀磨损状态的方法.首先对采集到的振动信号进行时域和频域分析,提取多个时域特征和频域特征,然后应用主成分分析法对提取的特征进行信息融合,再以融合后的特征向量作为支持向量机的样本输入,避免由于支持向量机初始参数...     

基于改进滤波及峭度原则EEMD的转子故障特征识别方法

针对转子运转时的振动冲击和噪声较大从而容易掩盖振动信号中的故障特征的问题,提出了一种基于小波阈值去噪的EEMD故障特征识别方法。采用改进后小波阈值滤波方法对振动信号进行降噪预处理,对处理结果进行集合经验模态分解(EEMD),再依据峭度原则筛选分解得到的本征模态函数(IMF)。分析重构信号的频谱特征以识别故障。结果表明,该方法有效提高了信噪比且能提取到转子故障特征。     

基于支持向量机的齿轮故障分类

齿轮是旋转机械中的关键元件。提出了一个基于支持向量机的齿轮多故障分类方法。齿轮状态被划分为正常、齿轮磨损和断齿状态。振动信号的均方根和小波包能量被选作为分类器的特征参数。分类器选用支持向量机（SVM）。SVM具有良好的实用性及多分类能力。实验结果表明：提出的方法能很好地区分齿轮故障。     

基于Autogram的齿轮断齿故障特征提取方法

针对复杂生产背景下产生的强噪声淹没齿轮有效故障特征信息的问题,利用Autogram方法对其进行特征提取。该方法利用最大重叠离散小波包变换,对齿轮断齿故障振动信号进行不同层数分解处理,每层得到若干个信号,被称为“node”。为了更加全面地描述故障特征信息,对每个node进行包络谱的3种无偏自相关谱峭度求取,以便选取合适node作为信号源进行下一步分析。最后,对该信号源引入阈值处理,以便加强频谱分析的全面性,实现对齿轮断齿故障特征信息的有效提取。通过对比分析仿真和实测齿轮故障振动信号,验证了该方法的有效性。