基于小波能量法的变速箱齿轮故障诊断技术研究

利用小波包分析并结合小波包能量谱尺度图的方法,通过小波包分解利用各频带范围信号能量的改变,进行了变速箱齿轮故障的诊断。按此方法准确地识别了某汽车H型变速箱的故障。研究表明,对变速箱齿轮故障诊断是一种行之有效的方法。     

小波分析在车辆故障诊断中的应用

车辆变速箱振动信号可用小波分析法预处理后，再用小波包能量尺度图分析法识别故障，按此法对BJ212变速箱准确地进行了故障识别，结果表明利用小波分析进行变速箱故障诊断的方法行之有效。     

滚动轴承故障特征的时间—小波能量谱提取方法

振动信号中的周期性冲击现象是诊断滚动轴承各元件故障的重要依据之一,针对滚动轴承故障特征,在小波变换理论基础上提出一种时间—小波能量谱信号处理方法,它能够有效地提取出振动信号中冲击成分的时域和频域特征。利用时间—小波能量谱方法分析正常、外圈故障、内圈故障、滚珠故障等四种状态下滚动轴承的振动信号,并与传统的包络解调分析方法进行对比分析。时间—小波能量谱不仅可以有效提取出冲击特征明显的滚动轴承外圈故障,还能提取出内圈、滚珠等信号特征微弱的滚动轴承故障,而包络解调分析方法只能提取出外圈故障特征而不能提取出滚珠故障、内圈故障特征。结果表明,时间—小波能量普比包络解调分析方法更能有效地提取出振动信号中的冲击信号成分。     

基于Morlet小波与最大似然估计方法的降噪技术

采用与冲击信号匹配的Morlet小波作为小波基对信号进行小波变换,利用冲击信号的概率密度特征,结合最大似然估计的阈值方法进行降噪,以提取周期性的冲击信号。通过对减速箱故障信号进行降噪,提取出周期性的故障特征信号,表明该方法可以有效地去除强噪声干扰,提取振动冲击信号     

基于重分配小波尺度图的转子系统支座松动故障的研究

介绍了重分配小波尺度图，并通过分析仿真信号将传统小波尺度图与重分配小波尺度图进行比较，结果发现重分配小波尺度图可在一定程度上提高尺度图的聚集性，减少干扰项。通过建立转子松动故障的仿真实验台，把实验采集到的发生松动故障的振动信号，利用重分配小波尺度图和三维谱振图进行分析，结果表明，三维谱振图可以大体上显示频谱信息，重分配小波尺度图可以进一步对松动故障信号进行细化分析，两者结合可以更好地识别转子支座松动故障。     

基于矩不变量与SVM的滚动轴承故障诊断

针对滚动轴承故障识别问题,提出了基于矩不变量和支持向量机的智能诊断方法。该方法采用连续小波变换对滚动轴承信号进行分析,然后提取出小波灰度图的7个矩不变量作为故障特征,最后将特征向量输入到支持向量机中,以实现对不同的滚动轴承故障类型的识别。试验结果表明,该方法能有效地提取故障特征,同时可获得较好的分类效果。     

基于Modet小波的滚动轴承故障信号奇异性分析

针对滚动轴承故障信号分析中单一频域表征的问题，提出了将Morlet连续小波变换应用于故障信号奇异性提取和分析的新方法。在分析了滚动轴承故障信号的奇异性特征和奇异性信号小波检测机理的基础上，将Morlet连续小波用于对滚动轴承故障信息的提取与分析。试验证明，该方案能有效地对滚动轴承故障信号在时间和尺度平面进行分析，可以同时表征奇异性信号的时间和频率信息。     

基于小波—Hilbert解调的齿轮故障诊断方法

提出了一种小波分析与Hilbert解调谱相结合的分析方法,并应用于齿轮故障特征的提取。依据齿轮箱故障机理和频谱特征,采用小波变换将信号分解后在不同频带进行分析,实现齿轮故障中的非线性耦合特征频率的提取,然后对特征频率进行Hilbert解调以得到准确的故障信息。将其应用于汽车领域,结果表明提出的方法可以有效提高频率分辨率,实现故障特征的准确提取,对于汽车变速箱的齿轮故障诊断具有一定的价值。     

矿井提升机变速箱机械故障特征提取与诊断

煤矿井内提升机变速箱发生故障时,传动轴上信号的传播路径复杂,导致振动信号中故障特征提取困难加大,针对利用常规振动信号处理方法从振动信号中将故障特征提取难的问题,提出一种先广泛布置检测点,再分时段检测的方法。首先通过分析检测点的振动烈度逐步缩小故障范围,再利用谐波小波分解方法对小范围内的可疑检测点的振动信号进行三层次分解,最后通过分析a2和a3层信号的频谱,可从振动信号中提取出故障特征。试验结果表明,利用谐波小波信号分解方法分离出振动信号的故障特征信息,判定出Z1或Z2齿轮出现磨损,这与故障真实情况Z1齿轮发生磨损相一致,实现了变速箱机械故障的特征提取与诊断。     

基于IEWT和MCKD的滚动轴承故障诊断方法

针对经验小波变换（Empirical wavelet transform,EWT）对强噪声环境中滚动轴承微弱故障诊断的不足,主要是傅里叶频谱分段不当的问题。提出一种基于最大相关峭度解卷积（Maximum correlated kurtosis deconvolution,MCKD）降噪与改进EWT相结合的滚动轴承早期故障识别方法。首先采用最大相关峭度解卷积算法以包络谱的相关峭度最大化为目标对原信号进行降噪处理、检测信号中的周期性冲击成分,然后根据信号Fourier频谱的包络极大值进行分段,通过分析各频段平方包络谱中明显的频率成分来诊断故障。新方法能有效降噪、增强信号中周期性冲击特征、降低单次偶然冲击的影响、抑制非冲击成分。通过对含外圈、内圈故障的滚动轴承进行试验分析,结果表明,相比于快速谱峭度图和小波包络分析方法,该方法提取出的特征更加明显,能有效实现滚动轴承早期微弱故障的识别。     

基于Hilbert-Huang变换时频谱特征的齿轮箱故障模式分类

针对现有的齿轮箱故障模式分类方法的缺陷,提出了一种基于Hilbert-Huang变换(HHT)时频谱特征的齿轮箱故障模式分类方法.首先通过HHT算法获得齿轮箱的故障信号时频谱图,然后依据不同故障时谱图的不同特征,成功地对齿轮箱的故障模式进行了分类.对于时频谱图相似的故障模式,可以借助有效值和峭度系数的大小来区分不同的故...     

Gearbox Deterioration Detection under Steady State, Variable Load, and Variable Speed Conditions

Multiple dominant gear meshing frequencies are present in the vibration signals collected from gearboxes and the conventional spiky features that represent initial gear fault conditions are usually difficult to detect. In order to solve this problem, we propose a new gearbox deterioration detection technique based on autoregressive modeling and hypothesis testing in this paper. A stationary autoregressive model was built by using a normal vibration signal from each shaft. The established autoregressive model was then applied to process fault signals from each shaft of a two-stage gearbox. What this paper investigated is a combined technique which unites a time-varying autoregressive model and a two sample Kolmogorov-Smirnov goodness-of-fit test, to detect the deterioration of gearing system with simultaneously variable shaft speed and variable load. The time-varying autoregressive model residuals representing both healthy and faulty gear conditions were compared with the original healthy time-synchronons average signals. Compared with the traditional kurtosis statistic, this technique for gearbox deterioration detection has shown significant advantages in highlighting the presence of incipient gear fault in all different speed shafts involved in the meshing motion under variable conditions.     

基于小波包近似熵和SVM的圆柱滚子轴承诊断

为了解决特种车辆变速箱圆柱滚子轴承由于振动信号的非线性、非平稳特征较为微弱,提取的特征量数值不明显且现实中难以获得大量含丰富特征的典型故障样本而难以对其进行准确诊断的问题,应用小波包近似熵和支持向量机对特种车辆变速箱圆柱滚子轴承进行诊断。首先,在自行搭建的模拟实验台上采集某型特种车辆变速箱圆柱滚子轴承正常、外圈磨损、滚动体故障、点蚀和压痕4种典型状态的振动信号;然后,分别提取4种典型状态振动信号的小波包近似熵值作为支持向量机的输入,根据支持向量机的输出结果来确定圆柱滚子轴承是否发生故障和故障类型。结果表明,该方法能有效对某型特种车辆变速箱圆柱滚子轴承的典型状态进行诊断,为其他相似变速箱圆柱滚子轴承的故障诊断提供一种参考途径,具有一定的工程实用价值。     

免疫优化盲源分离算法在故障诊断中的应用

将人工免疫算法用于盲源分离算法,阐述了盲源分离过程,提出了免疫优化盲源分离算法(AIS-ICA算法),针对4组特定信号的混合与分离进行了仿真试验。仿真试验结果表明,该算法具有收敛速度快、分离精度高和稳定性好等优点。将该算法用于齿轮箱振动信号的盲源分离及其故障诊断,增强了振动信号所携带的故障信息,结果表明该算法用于齿轮箱振动信号分离可增强故障信息,降低齿轮箱故障诊断难度。     

基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法

针对齿轮箱复合故障的故障特征分离,提出了一种基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法。该方法先根据振动信号中各组成成分形态的差异,采用形态分量分析方法构建不同形态的稀疏表示字典进行故障成分分离,将齿轮箱复合故障信号分解为包含齿轮故障信息的谐振分量、包含轴承故障信息的冲击分量和噪声分量,然后分别对谐振分量和冲击分量进行能量算子解调分析,最后根据各解调谱诊断齿轮和轴承故障。算法仿真和应用实例表明该方法能有效地分离齿轮箱复合故障振动信号中齿轮与轴承的故障特征。     

基于LMD的包络谱特征值在齿轮箱故障诊断中的应用研究

针对齿轮箱故障振动信号大多是多分量的调幅-调频信号,而传统包络分析法又太依赖经验值选取参数的问题,对齿轮箱振动信号的分解方法、包络分析方法以及提取特征值等方面进行了研究,提出了一种基于局部均值分解(local mean de-composition,LMD)的包络谱特征值的方法。该方法首先利用局部均值分解对齿轮箱信号进行了处理,获得了包含有不同频率特征的PF(product function)分量,最后对包含有主要故障信息的第一级PF分量进行了包络分析,提取了包络谱的特征频率,以此来判别齿轮箱的工作状态和故障类型。利用齿轮箱正常状态、局部损伤、磨损故障3种齿轮箱振动信号的实例进行了验证。研究结果表明,利用LMD分解后求取包络谱特征频率的方法能够较为准确地判别齿轮箱的工作状态和故障类型。     

Thermal analysis MLP neural network based fault diagnosis on worm gears

The importance of fault diagnoses, in any kind of machinery, can’t be over stated. Any undetected small fault in machinery will most probably rise with time and will cause machinery to shut down thus resulting in both mechanical and more importantly economical loss for the industry. In recent years, researches have been done for the faults diagnosis through the analysis of their vibration and sound signatures. The extraction of those characteristic signatures is a complicated process because complexities in modern day machineries can results in many vibration and sound generating sources. This paper presents a condition based fault diagnoses technique to detect the condition of gear. An experimental setup, consisting of a worm gear driven by an electric motor, was setup to conduct tests under different working conditions. The vibration and sound signature signals of worm gear were examined for normal and faulty conditions under different speeds and oil levels. The collected data was then used for feature extraction, by using Fast Fourier Transform to filter background noise signals and to collect only the signature of the gearbox vibration and sound signals. An MLP (Multilayer Perceptron) Artificial Neural Network Model has been developed to classify the signature signals. A thermal camera is also used to observe the heating patterns for all those working conditions. With the help of MLP Artificial Neural Network it is possible to predict the speed and oil level of the gearbox and hence a possible fault diagnoses is also feasible.     

一种基于EMD与多特征支持向量机(SVM)故障诊断方法

针对齿轮箱故障振动信号的不平稳非线性冲击行为,本文提出了一种基于经验模态分解的特征值提取及多特征支持向量机的智能诊断方法。在电机频率分别取30 Hz、35 Hz、40 Hz;载荷分别取0 N∙M、15 N∙M、30 N∙M;采样频率为1500 Hz条件下,进行齿轮正常状态、齿面磨损和齿轮裂痕故障模拟实验。试验结果表明:该创新方法在有限样本数据分析中可以准确、有效地对齿轮箱的工作状态和故障类型进行分类,且支持向量机在故障诊断中使用方便,可以提高诊断的精确性,在齿轮箱故障诊断或类似振动信号的检测应用中具有很强的实用性。     

基于量子计算的独立分量分析算法及应用

将量子优化原理应用于独立分量分析中,提出了量子独立分量分析算法(quantum independent component analysis,简称QICA),针对3组特定信号进行了混合与分离的仿真实验,得到了较好的分离效果。将该算法用于齿轮箱振动信号的源分离及其故障诊断中,实验结果表明,该算法用于齿轮箱振动信号分离可以明显增强故障信息,降低齿轮箱故障诊断难度。     

一种基于支持向量机的齿轮箱故障诊断方法

提出了一种基于多分类支持向量机(简称MSVM)的齿轮箱故障诊断方法。先根据齿轮箱故障机理和振动特点,探讨了齿轮箱故障诊断试验方案。再测取齿轮箱振动信号,并提取了能反映齿轮箱运转信息的时频域特征参数。通过结合投票法和决策树的基本思想,有针对性地构造了多分类支持向量机决策结构并将其应用于齿轮箱故障诊断。实际齿轮箱故障诊断试验结果表明,该决策结构较好地解决了小样本学习问题,避免了人工神经网络进行诊断时出现的过学习、收敛速度慢、泛化能力弱等缺点,能有效应用于齿轮箱故障诊断。