变转速变载荷工况下的齿轮智能故障诊断北大核心

针对变转速变载荷工况下的齿轮故障检测、识别和分类问题,提出一种基于最大重叠离散小波包变换和人工神经网络的智能故障诊断新方法。研究自相关谱峭度图中的最大重叠离散小波包变换,并采用它将复杂的齿轮故障振动信号分解为频带和称为节点的中心频率。推导出每个节点的平方包络的自相关,以便计算每个节点在每个分解层次上的峭度,减少了非周期性脉冲和噪声的影响。将上一步得到的特征矩阵作为径向基函数神经网络的输入,从而实现齿轮状态的自动分类。并在变转速变载荷(16种)工况下对健康状态和5种不同类型齿轮故障的齿轮箱进行了具体测试分析。结果表明:该方法可以更好地提取特征信息,为齿轮故障诊断定位合适的解调频带,提高了所有工况下齿轮故障诊断的准确率。     

基于小波包能量分布特征的齿轮故障诊断方法研究

齿轮的裂纹故障不仅影响机械系统的整体性能,还会导致机器损坏,因此,研究了齿轮裂纹长度的故障诊断方法。以多传感振动信号为研究对象,将小波包各个频段的能量比系数作为齿轮裂纹的故障特征,并通过改进的神经网络模型进行特征分类,实现齿轮裂纹长度的故障诊断。研究结果表明:所提出的故障诊断方法识别率高(97.5%),通用性好,能有效辨识不同工况下的齿轮故障。     

基于PSO优化SVM数控机床主轴系统故障诊断的研究

通过分析主轴系统的故障特征和产生机理,提出了一种基于变分模态分解(VMD)与多尺度加权排列熵(MWPE)的故障特征提取方法和粒子群(PSO)优化支持向量机(SVM)的数控机床主轴系统故障分析诊断模型。首先,利用变分模态分解方法对所采集的主轴系统振动信号进行分解,得到若干有效本征模态分量(IMFs);其次,通过多尺度加权排列熵提取故障特征信息,利用SVM模型对故障特征信息进行分类与识别;为了提高模型的识别准确率,将引入粒子群优化算法(PSO)对SVM模型参数进行优化。实验验证表明,所提出的信号特征提取方法和状态识别模型在数控机床主轴系统的故障诊断方面取得了很好的成效,其故障识别准确率最高达99.56%。     

基于参数优化VMD和峭度准则的齿轮故障诊断

针对盾构主减速机齿轮故障特征难以提取的问题，提出了一种基于参数优化变分模态分解(variational mode decomposition, VMD)和峭度准则的故障诊断方法。利用粒子群算法(particle swarm optimization, PSO),以最小平均包络熵为适应度函数来确定VMD算法的模态分量个数K及惩罚因子α的最佳组合；将原始振动信号利用[K,α]参数组合通过VMD分解成若干本征模态(intrinsic mode function, IMF)分量，根据峭度准则筛选出最佳和次最佳IMF分量进行重构，降低噪声干扰；最后，提取重构信号的时域和熵理论特征，利用粒子群优化支持向量机(PSO-SVM)和轻量级梯度提升机(LightGBM)进行故障识别分类。通过使用DDS试验台实测信号数据验证表明，该方法能够有效地提取齿轮故障特征，实现对齿轮故障类型的准确判定，验证了该方法的可行性和有效性。     

基于DWT-DSCNN-SVM的轴承故障诊断

在故障诊断过程中,为了更好地提取特征以及提高故障识别率,提出了一种基于离散小波变换和深度可分离神经网络算法以及SVM分类器的滚动轴承故障诊断方法。首先,模型利用离散小波变换对原始振动信号提取特征,形成多通道样本;然后对样本进行深度可分离卷积神经网络训练,最后在全连接层后接SVM分类器实现对故障信号的分类。实验所用数据来自CTU-2实验平台,故障标签共有10类。实验结果表明,相比较单一使用小波变换提取特征或者CNN卷积神经网络分类的方法,该模型的诊断效果更加优秀。     

基于相空间奇异值分解与AFSA-SVM的齿轮故障诊断方法

针对表征齿轮故障信息的特征难提取与支持向量机的结构参数基于经验选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于相空间奇异值分解与AFSA-SVM的齿轮故障诊断方法。该方法首先将齿轮振动信号进行相空间重构,并对重构矩阵进行奇异值分解得到奇异值特征向量;其次,利用人工鱼群算法优化支持向量机的惩罚系数与高斯核宽度系数,建立AFSA-SVM的齿轮故障分类模型;最后,将奇异值特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明:与基于BP、SVM和PSO-SVM的故障分类方法相比,基于相空间奇异值分解与AFSASVM的齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。     

基于MFCC特征和GWO-SVM的托辊故障诊断

针对目前带式输送机托辊故障诊断方法存在接触式测量、准确率低、井下大范围检测困难等问题,提出了一种基于MFCC特征和参数优化SVM的托辊故障诊断方法。利用变分模态分解(VMD)将采集到的托辊声音信号分解为若干本征模态分量(IMF),并基于包络熵和峭度组成的复合指标优选IMF分量;提取所选分量的梅尔倒频谱系数（MFCC)作为特征,利用灰狼优化算法（GWO）优化SVM参数;将样本特征向量输入GWO-SVM中进行故障分类。结果表明:对于正常托辊、托辊内圈故障、托辊外圈故障、托辊卡死4种工况,该方法故障识别平均准确率在95%以上。与单一指标相比,复合指标提取的IMF分量故障特性代表性更好;与其他优化算法相比,该方法的识别准确率更高,分类速度更快。     

基于WPD-FWEO的轴承故障特征增强方法

用小波包分解(Wavelet Packet Decomposition,WPD)处理低信噪比信号时,常出现残存大量带内噪声的问题,严重影响了后期的故障诊断准确性。针对该问题,提出将频率加权能量算子(Frequency-Weighted Energy Operator,FWEO)作为小波包分解的后处理器,以消除其带内噪声,增强故障特征提取效果。对采样获得的故障数据进行3层小波包分解,得到各频带系数;对每个频带系数进行峭度计算,以峭度最大原则获取最优频带系数;以频率加权能量算子追踪最优频带系数的瞬时能量,从信号能量的角度消除信号中的带内噪声成分,二次增强信号中隐藏的故障脉冲信息;对其进行包络谱分析,得到最终诊断结果。仿真数据、实验室数据和工程数据验证了所提方法的有效性和实用性。     

基于改进型AdaBoost算法的轴向柱塞泵故障特征信息的分类诊断

对轴向柱塞泵故障特征信息的研究有助于辅助完成轴向柱塞泵故障类型的鉴别和分类.从轴向柱塞泵的所有故障中,选出两种典型故障:缸体与配流盘磨损、柱塞滑履松动.从轴向柱塞泵原始振动信号中提取这两种故障特征的数据,经过小波包变换、数学变换以及遗传算法和偏最小二乘回归相结合(GA-PLS)特征选择后,确定最优的故障特征集.为了解决训练时间较长及权重调整过适应等问题,提出一种基于均匀分布权重和指数损失函数的改进型AdaBoost算法.分别使用AdaBoost M1,改进型AdaBoost构建分类模型比较其分类效果.结果表明:改进型AdaBoost使用仅含有少量的特征组成的最优特征集,可以得到较好的分类结果.     

基于希尔伯特-黄变换和等距特征映射的刀具磨损状态监测

为了实现刀具磨损状态监测的自动化与高精度,文章提出了一种基于希尔伯特-黄变换(hilbert-huang transform,HHT)和等距特征映射(isometric feature mapping,Isomap)的刀具磨损状态监测方法。首先采用经验模态分解算法对采集的信号进行降噪处理;然后对降噪后的信号进行Hilbert变换得到Hilbert时频谱,同时计算Hilbert边际谱及其统计特征量;最后利用Isomap算法进行特征融合及优化,将优化后特征向量送入支持向量机(support vector machine,SVM)中,并通过网格搜索法优化SVM的相关输入参数来建立最优分类模型。研究结果表明:Isomap算法具有较好的特征融合及降维效果,且Isomap-SVM分类模型对测试集的识别准确率为95%,文章所提方法可以有效地识别刀具磨损状态。     

基于CEEMDAN-IGWO-SVM的轴承故障诊断研究

为了提高支持向量机(SVM)在轴承故障诊断时的准确率和识别效率,提出了一种基于具有自适应白噪声的完整集成经验模态分解方法(CEEMDAN)、改进灰狼优化算法(IGWO)和支持向量机(SVM)相结合的故障诊断方法。首先用CEEMDAN与Shannon熵对振动信号消噪、分解,获得典型故障的敏感信号;其次,将粒子群算法(PSO)惯性权重w与粒子“飞行”速度v引入灰狼优化算法(GWO),得到IGWO,通过IGWO算法优化SVM得到诊断模型的最优参数,增强SVM的学习能力和泛化能力;最后,利用美国西储大学的轴承试验数据验证优化模型的有效性。结果表明,IGWO算法优化SVM的模型可以准确、高效地对轴承进行故障诊断;与GA、PSO、和GWO算法优化的SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

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。     

基于IWT_SE与GA_SVM的齿轮磨损检测

为了实现齿轮运行过程中的磨损程度准确识别,提出了基于改进小波阈值样本熵(IWT_SE)与遗传算法优化支持向量机(GA_SVM)的齿轮磨损程度检测方法。首先,对齿轮振动信号进行改进小波阈值降噪;其次,计算降噪后信号的样本熵,组成特征向量;最后,将特征向量输入基于GA_SVM建立的分类器进行故障识别分类。通过齿轮实验数据分析了算法中的参数选取问题;将该方法用于齿轮实验数据,并与传统小波阈值函数样本熵分别与BPNN,PNN,SVM,PSO_SVM相结合的方法进行对比分析,结果表明,IWT_SE与GA-SVM相结合时识别准确率最高,达95%,证明文中所提方法对齿轮磨损程度识别具有一定实际应用价值。     

基于小波包和EMD的谱峭度法在滚动轴承故障诊断中的应用

共振解调法是滚动轴承故障诊断中最常用的方法之一,然而确定合适的带通滤波器参数并将高频共振成分提取出来并不容易。谱峭度能够发现故障特征最明显的频带即自动确定带通滤波器的参数。但是滚动轴承的早期故障信号中混有强烈的干扰噪声,单一采用谱峭度法无法确定故障部位。为此提出一种基于谱峭度法和经验模式分解(EMD),以及小波包变换联合应用的滚动轴承故障诊断的新方法,首先采用EMD对原始信号进行自适应性分解,突出高频共振成分,再利用谱峭度法确定最佳带通滤波器参数,然后使用小波包变换提取高频共振成分,最后使用Hilbert变换做包络解调,经过对实际故障信号的研究分析,证实了该方法的有效性。     

基于EMD和SVM的齿轮裂纹故障诊断研究

为了识别不同裂纹深度的故障齿轮,以齿轮传动系统中的直齿圆柱齿轮为研究对象,采集3个已预设不同裂纹深度的齿轮和1个无裂纹齿轮的振动信号。对采集到的振动信号先进行时频域分析和EMD分解,再提取不同维数的能量故障特征向量,采用基于径向基核函数的算法分别建立SVM模型并进行不同裂纹深度齿轮的识别和识别率比对。结果表明：选择合适维数的能量故障特征向量,结合EMD信号分解和SVM模式识别方法能准确识别不同裂纹深度齿轮的类型,为齿轮裂纹故障的早期诊断提供参考。     

基于改进EWT-SVD的轴承故障特征提取

文章针对轴承早期故障特征的提取,提出了基于改进EWT-SVD的算法。首先,改进的经验小波(EWT)提出了模态分解数量确定的思路,自适应地将预处理信号分解到合适数量的模态分量,通过相关度系数验证了分解模态的信号有效性;其次,通过计算各分量的峭度值确定最优的特征提取模态分量,并通过变阈值奇异值分解(SVD)对模态信号进行去噪;最后,通过对重构特征信号进行Hilbert变换包络处理提取振动信号频率特征。实验证明了文章算法的可行性,同时,算法还具有计算速度快、以数据为主要驱动的特点。     

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。     

高维小样本数据环境下基于SOA-SVM的机械故障分类研究

针对现有SVM分类算法在高维小样本故障特征分类、适应度函数选择及核心参数优化方面存在的不足,提出一种基于SOA-SVM的机械故障分类算法。利用小波阈值函数对原始故障信号做降噪预处理,基于SOA算法模拟人群的几种随机行为,选择故障数据点最优的移动方向和移动步长,最后寻找到距离SVM分类器超平面几何距离最佳的位置,提升经典SVM分类器的故障数据分类性能。仿真结果表明：提出的故障分类算法具有更强的参数优化性能,在对多个高维小样本数据集的分类中可以获得更高的分类精度。     

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。     

基于特征信息融合的离散小波SVM齿轮故障诊断方法研究

针对齿轮振动信号故障特征微弱及故障样本不足,提出基于特征信息融合的小波-SVM(支持向量机)故障诊断方法,用于多类齿轮故障诊断。该方法采用离散小波变换对齿轮的振动信号进行处理来构造特征向量,将多路信号融合后输入到SVM的多故障分类器中进行故障识别。实验结果表明:该方法能够在训练样本数量少的情况下,快速获得良好的分类结果,且其故障诊断准确率在96.67%以上;峰值和峰值因子对齿轮故障最敏感,以峰值或峰值因子为特征量的多传感器信息融合,其诊断准确率达95%。该方法更适合于实际齿轮故障诊断应用,并为多类齿轮故障快速诊断的进一步创新研究提供了理论基础。