基于小波变换和优化CNN的风电齿轮箱故障诊断

针对传统故障诊断方法过于依赖人为经验的缺陷,提出小波变换和二维密集连接扩张卷积神经网络(WT-ICNN)的风电齿轮箱智能故障诊断方法. 所提方法将一维振动信号通过连续小波变换(WT)转换成二维故障图像;再将二维故障图像输入ICNN中进行训练和测试. 通过齿轮箱开源数据和风场实测数据验证结果表明,与传统故障诊断方法相比,所提方法采用密集连接的结构自适应特征提取时频图,有效加强了故障特征的利用效率;在对风电齿轮箱的故障诊断中,所提方法具有更好的特征复用能力和更高的诊断精度.     

基于小波理论的故障特征提取

在对齿轮进行故障诊断时,采样信号不可避免地受到各种噪声和干扰的污染,所测信号属于典型的非平稳信号.信号的降噪和特征提取是齿轮状态监测和故障诊断的关键环节.小波理论对于非平稳信号的处理非常有效.在MATLAB环境下,利用小波理论对减速器齿轮箱的采样数据进行去噪实验和分析,提取齿轮大周期故障的特征指标,为进一步进行故障诊断奠定基础.     

基于EEMD和BP神经网络的风机齿轮箱故障诊断方法

根据风机齿轮箱故障信号的非平稳特性,提出一种基于总体平均经验模式分解(EEMD)和BP神经网络的风机齿轮箱故障诊断方法。首先,对原始信号进行小波去噪。然后,对故障信号进行EEMD分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,选取若干含有主要故障信息的IMF分量做进一步分析。最后,从各IMF分量中提取故障信号能量特征参数,将归一化后的能量特征参数作为BP神经网络输入参数进行故障诊断。实测结果表明:该方法故障诊断准确率达到了99%左右。可以准确、有效的对风机齿轮箱进行故障诊断。     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析(WPA),经验模态分解(EMD)和快速傅里叶变换(FFT)的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数(IMF);最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于Hilbert-Huang变换的提升机齿轮箱故障诊断研究

Hilbert-Huang变换是用经验模式分解方法(EMD)将信号分解为有限个固有模态函数(IMF),然后再利用Hilbert变换获得时频分布特征的分析方法.介绍了该方法的基本原理,并将Hilbert-Huang变换应用于齿轮箱的故障诊断中,对IMF分量进行边际谱分析,并判断齿轮的故障.研究结果表明,Hilbert-Huang变换是一种有效的齿轮箱故障诊断方法.     

基于相关向量机的风机齿轮箱故障诊断方法

提高风机齿轮箱的故障诊断准确率可以有效减少风机的停机时间、提高风电场的经济效益,因此,结合相关向量机(Relevance Vector Machine,RVM)和遗传算法(Genetic Algorithm,GA)的优点,提出了一种风机齿轮箱的故障诊断方法。利用RVM建立风机齿轮箱的故障诊断模型,并利用GA获得其最优参数,弥补设置参数不良造成准确率过低的不足;采用小波包分解方法提取表征齿轮箱故障的能量向量,作为样本的特征向量;采用"一对多"的多分类方法建立多个两类分类器,实现齿轮箱的多类故障分类。通过实验数据证明了该方法的有效性,并且与反向传播神经网络(Back Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine,SVM)两种方法相比,该方法的诊断效果更好。     

小波降噪和局域均值分解的齿轮故障特征提取技术

针对齿轮系统非线性、非平稳性特点及传统时频分析方法的局限性,提出一种将小波和局域均值分解(Local mean decomposition,LMD)相结合进行齿轮故障特征提取的方法。该方法将原始信号通过小波分解再重构进行处理,以降低噪声的干扰,然后对重构信号进行LMD分解,并且对分解后所得到的乘积函数(PF)分量进行筛选。对筛选后的乘积函数进行包络谱分析,提取其故障特征进行研究。结果表明,两者相结合是一种很有效的故障特征提取方法,减弱了噪声对信号的干扰,可以实现对其振动信号故障特征的提取和诊断。     

状态参数识别在齿轮箱故障诊断中的应用

针对计算机辅助某齿轮箱厂检测线上工人对齿轮箱故障状态类型的诊断,以齿轮箱中齿轮、轴、轴承等主要零件为研究对象,对采集到的齿轮箱振动信号进行细致分析,在敏感特征参数提取上采用聚类分析的方法,有效地消除了冗余参数的干扰,为下一步支持向量机(SVM)模式识提高了参数训练的精确度,建立与检测线工人所定义故障类型相一致的故障状态模式识别模型,从而进一步提高了计算机辅助工人对齿轮箱智能故障诊断的准确性和诊断结论一致性.     

基于Alaph稳定分布与多重分形分析的齿轮箱故障特征提取方法研究进展

齿轮箱工作环境恶劣,齿轮与滚动轴承等关键部件易发生疲劳故障。将目前常用的故障特征提取方法应用于齿轮箱实际诊断时,其结果具有不稳定性。Alpha稳定分布与多重分形分析被逐渐应用于故障诊断领域,这2种方法各具优点且相互关联。文章对Alpha稳定分布及多重分形分析应用于齿轮箱齿轮或滚动轴承故障特征提取的已有成果进行详细梳理,分别从基于Alpha稳定分布的故障特征提取方法、基于多重分形的故障特征提取方法及基于Alpha稳定分布与多重分形的特征融合方法3方面进行评述, 并指出今后可进一步在特征筛选、特征融合等方面开展研究。     

CS-VMD与Teager包络谱在齿轮故障特征提取中的应用

针对传动系统中齿轮故障特征不明显、难以准确提取以及在进行模态分解时VMD输入参数需要人为设定的问题,提出一种CS-VMD与Teager包络谱相结合的齿轮故障特征提取方法。首先,使用CS算法对VMD方法的模态分解个数、二次惩罚因子和时间延迟进行参数自适应确定;其次,使用参数自适应确定的CS-VMD方法对齿轮故障仿真信号和实测信号进行模态分解;最后,对分解得到的各模态分量进行Teager包络谱分析,进而提取各模态分量中的齿轮故障特征。仿真与实测信号分析结果表明:所提出的方法可以有效地分解齿轮故障非平稳信号和提取齿轮故障特征频率,验证了该方法在齿轮故障特征提取中的可行性。