基于小波去噪和EMD的齿轮箱故障诊断研究

提出小波去噪和EMD相结合的齿轮箱故障诊断的新方法。该方法首先对原始信号进行小波阈值去噪,将去噪信号利用EMD方法分解为多个IMF分量,计算各IMF分量和原信号的互相关系数,选择互相关系数较大的IMF分量进行Hilbert包络谱分析,提取故障频率。以互相关准则提取IMF分量避免了IMF分量选择的盲目性。对实测齿轮箱故障信号进行了分析,结果表明该方法能够有效地识别齿轮箱故障频率。     

基于SOM网络的带式输送机齿轮箱混合故障诊断研究

针对带式输送机齿轮箱故障信号成分复杂、故障识别难的问题,提出了基于自组织映射(SOM)网络的故障诊断方法。首先使用融入Shannon熵的小波降噪方法对齿轮箱振动信号进行预处理;然后利用齿轮箱不同状态的信号通过高斯混合分布模型对其参数使用最大期望算法进行估计,获得反映不同运行状态的特征向量;最后使用SOM网络对齿轮箱不同工况振动信号的特征进行分类识别,进而诊断出相应故障。结果表明:该方法可以有效地识别齿轮箱混合故障,总识别正确率达90%,其中有6种工况的识别正确率达100%。     

基于HHT变换和SVM的齿轮箱故障诊断

提出了基于HHT变换和SVM结合的齿轮箱故障诊断方法,介绍了固有模态函数、EMD分解和Hilbert谱以及支持向量机(SVM)理论。先对各种工况信号消噪,再利用EMD分解将信号分解为IMF分量,求出Hilbert谱和边际谱,再利用边际谱求出各信号的故障特征信息,最后利用支持向量机判别齿轮箱的故障类型。该实验证明了此方法诊断齿轮箱故障的有效性。     

基于Hilbert-Huang变换的齿轮箱故障诊断

针对齿轮箱故障振动信号的非平稳特征,提出一种基于Hilbert-Huang变换的齿轮箱故障诊断方法。使用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,再对IMF分量进行FFT变换,实现在频域的分析,得到故障特征信号。依据IMF分量的频谱图和时域信号的边际谱图,判别齿轮箱的故障类型。实验证明是一种有效地处理齿轮箱故障诊断方法。     

基于EMD分解的齿轮箱故障诊断研究

提出了基于EMD分解的齿轮箱故障诊断方法,介绍了EMD理论及其算法,完成了齿轮箱齿面磨损故障及正常状态实验,对故障信号进行EMD分解后所得IMF中清晰地表达了故障信息,说明了该方法的可行性和有效性。     

平行及行星齿轮箱局部故障诊断方法

平行齿轮箱及行星齿轮箱是机械设备的重要传动部件,也是故障频发部件。基于实验分析,对比研究平行齿轮箱和行星齿轮箱局部故障的特征提取方法。应用Compact-RIO采集齿轮箱的实时振动信号,运用共振解调技术,成功提取平行齿轮箱齿轮断齿故障的特征频率。对于行星齿轮断齿故障,其振动传递路径复杂,信号非平稳、非线性程度严重,共振解调技术提取不到其故障特征频率。对此,应用EEMD技术对故障信号进行分解,避免了传统的EMD技术带来的模式混叠,成功提取故障的特征频率。     

EMD与能量算子解调在提升机齿轮箱故障诊断中的应用

提升机齿轮减速箱一旦发生故障,其振动信号表现出强烈的非平稳性,表现为复杂的调制现象,因强烈的噪声干扰,给故障特征提取带来了困难。介绍了基于经验模态分解(Empirical Mode Decomposition, EMD)与Teager-Kaiser能量算子（Teager-Kaiser Energy Operator,TKEO）解调相结合的提升机齿轮箱故障诊断方法,该方法结合了EMD自适应滤波和Teager-Kaiser能量算子非线性故障特征提取的优点。EMD方法可将齿轮箱振动信号分解成若干个局部频率从高到低不同频段的IMFs（Intrinsic Mode Functions）,各个IMF突出了原始信号的某些局部特征,再对相对高频段且含有齿轮啮合频率及谐频的IMFs进行能量算子解调,成功提取了提升机齿轮箱中间轴旋转频率fr2的故障特征频率,诊断出了提升机齿轮箱中间轴上齿轮Z2和Z3的点蚀故障。分析结果表明,该方法能有效诊断出提升机齿轮箱的故障。     

基于改进的HHT边际谱齿轮箱故障诊断

针对信号经验模态分解(EMD)过程中存在波形混叠现象,提出一种基于聚合经验模态分解(EEMD)和Hilbert边际谱相结合的方法对齿轮箱故障进行故障诊断。首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理,提高EEMD分解的精确度;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对2种工况信号进行Hilbert变换并计算得到边际谱,确定故障信号的故障频率。研究表明该方法在避免EMD分解带来的模态混叠现象方面具有可行性,能提高齿轮箱故障诊断的准确率。     

基于EEMD的齿轮箱故障诊断

主要介绍了集合经验模态分解方法(EEMD),利用EEMD的自适应恒比例带通滤波器特性,以及分解后的噪声信号与故障信号在各阶IMFS中的不同特性,将齿轮箱故障信号进行整体的EMD分解,解决了EMD的频谱混叠问题,提取出了齿轮箱的故障特征。研究结果表明EEMD优越于EMD方法,是一种很有效的齿轮箱故障诊断方法。     

基于小波双谱的矿用齿轮箱故障诊断

针对矿用齿轮箱振动信号的非平稳、非高斯等特点,提出了一种小波双谱分析的齿轮箱故障诊断方法。利用小波分解可将齿轮箱的振动信号分解到对应不同特征频率的频带,以提高频率分辨率和信噪比,然后有针对性地选择故障特征频率较明显的频带信号进行重构,并做双谱分析,以实现齿轮箱的有效故障诊断。实例表明,小波双谱分析是一种十分有效的齿轮箱故障诊断方法,它更能揭示故障齿轮箱振动信号的非平稳和非线性相位耦合特点。     

基于希尔伯特变换和小波包节点能量法的齿轮箱故障诊断研究

故障齿轮箱的振动信号中可能包含周期性的振幅和相位调制信号,在齿轮箱故障诊断中,解调成为一个重要的问题。在分析了齿轮振动信号的基础上,提出了一种基于希尔伯特变换和小波包节点能量法的故障诊断方法。通过一个包含调幅调相信息的仿真信号进行了验证,结果表明该方法能够有效提取调制信号,比使用小波包变换更有效。     

基于WT特征增强的cICA带式输送机齿轮箱故障诊断

约束独立分量分析对于测量信号中的传感器噪声(测量噪声)具有很强的免疫能力,但对源噪声的免疫性却很差。针对这个问题,提出了小波变换特征增强的约束独立分量分析的齿轮箱故障特征提取方法。通过对测量信号小波分解,有针对性地选择某子频段小波系数重构,有利于提高信噪比,增强信号的统计独立性和非高斯性,从而增强约束独立分量分析方法提取齿轮故障特征的效果;而未经小波变换除噪时,约束独立分量分析的效果不佳。通过仿真分析和在矿用带式输送机齿轮箱故障诊断的应用结果综合表明,该方法能有效降低源噪声的影响,准确提取出齿轮故障特征,尤其是微弱低频故障特征。为矿用齿轮箱多通道振动状态监测与故障诊断提供了一种新的有效手段和途径。     

基于平移不变多小波相邻系数的矿用齿轮箱故障诊断

矿用齿轮箱工作环境恶劣,发生故障时,故障信号常淹没在背景噪声中,直接做频谱分析,很难提取其故障特征。平移不变多小波能够有效地消除信号中的Gibbs现象,相邻系数降噪法充分考虑了小波系数之间的相关性,克服了传统阈值降噪的不足。论文将平移不变多小波相邻系数降噪方法应用到仿真加噪冲击信号,提取出隐藏在噪声中的冲击特征。然后将该方法应用于煤矿提升机齿轮箱的诊断中,诊断结果表明,平移不变多小波相邻系数降噪方法能够有效提取出齿轮箱的故障特征频率,为故障诊断提供了准确依据。仿真与工程应用验证了平移不变多小波相邻系数降噪方法在故障诊断中的有效性。     

基于EMD的提升机齿轮箱故障诊断

介绍了EMD算法和EMD能量熵理论,并且运用此理论实现了提升机齿轮箱故障诊断。对振动信号进行EMD分解并求出各IMF分量的能量占总能量的百分比,由EMD能量熵的定义求出熵值,根据不同的熵值实现对齿轮箱正常状态和断齿故障的判别。     

基于EMD-AR模型的齿轮箱故障诊断

对基于EMD-AR模型的齿轮箱故障诊断进行了研究。对齿轮箱故障振动信号采用EMD方法进行分解,得到有限个平稳的IMF(本征模式函数),对其建立AR模型,将建立的每个AR模型残差的方差和自回归参数建立Mahalanobis距离判别函数,最后进行模式特征综合,确定齿轮箱的工作状态以及故障类型。研究表明,采用EMD-AR模型进行齿轮箱故障诊断是可行有效的,提高了齿轮箱故障检测的准确性。     

基于邻域属性重要度的齿轮箱故障特征优选方法

为有效降低齿轮箱故障特征的维数并提高诊断效率,提出了基于邻域属性重要度的齿轮箱故障特征优选方法,并结合支持向量机和BP神经网络对诊断的准确率和时间进行对比分析。以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征。构造基于邻域模型的前向贪心数值属性约简算法进行特征优选,提取属性重要度较大的9个特征组成最优特征子集,数据压缩量达到75%,并输入支持向量机分类器中进行分类识别,用BP神经网络分类器进行结果的比较分析。结果表明,采用基于邻域属性重要度的齿轮箱故障特征优选方法,既可以在降低特征维数的情况下有效地表征齿轮箱的运行状态,又可以提高诊断的精确度和诊断效率。     

基于GA-BP算法的齿轮箱故障诊断研究

为了解决BP算法的缺陷,建立了GA-BP相结合的故障诊断模型。利用GA算法优化BP神经网络权值和阈值,改善故障诊断性能。GA-BP网络对齿轮箱的工作状态进行故障诊断,仿真表明:该算法可以高效、可靠地运用于齿轮箱故障诊断中。