细化和倒谱分析在坦克齿轮箱故障诊断中的应用

为有效诊断坦克齿轮箱齿轮故障，建立了以微机为主体的频谱分析系统，对某坦克齿轮箱的振动信号进行分析．根据齿轮振动信号频谱具有调制边频的特点，提出了用细化谱分析与倒频谱分析相结合的方法来对齿轮振动信号进行频谱分析和故障诊断，实验结果表明此方法是可行的，为坦克齿轮传动箱的故障诊断提供了有效的途径．     

基于阶次倒双谱分析的滚动轴承故障诊断方法

针对齿轮箱升降速过程中振动信号非平稳的特点,将常规的阶次分析与倒双谱技术相结合,提出了基于阶次倒双谱的轴承故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域采样,再对时域非平稳信号进行等角度重采样,转化为角域平稳信号,最后对角域重采样信号进行倒双谱分析,就可提取滚动轴承振动信号的故障特征.通过对滚动轴承内圈、外圈故障实验信号的分析.表明阶次倒双谱分析能有效地诊断滚动轴承故障.     

兆瓦级风力发电机故障诊断

为确保能及时发现风力发电机故障,避免因故障而造成巨大损失,提出采用对兆瓦级风力发电机主轴和齿轮箱振动信号进行频谱分析的方法.从风力发电机采集到的频谱信号若超过设定的报警限,则对实时处理信号与数据库存储信号进行比较,通过LabVIEW图形化编程语言,将采集的信号进行小波变换和频谱分析,获得信号频谱图,可以准确判断出风力发电机产生的故障及位置,为齿轮箱和主轴的故障诊断寻找依据.现场试验证明,该方法可准确、有效地诊断出风力发电机故障,具有可行性.     

轨道车辆齿轮箱故障诊断系统研究与开发

对传感器采集的齿轮箱监测数据信号进行数学处理,先进行特征因子计算,如峰值、均值、均方、偏度、峭度、峰值因子等,再进行高级分析,如傅立叶变换、希尔伯特变换、小波变换、倒频谱变换等,通过这些处理后的数字图形可以帮助更好的进行故障诊断.通过振动诊断的时域分析方法、频域分析方法、模糊诊断方法等识别和诊断故障,并建立故障诊断专家系统,用以实现智能故障诊断.     

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。     

齿轮箱故障诊断中的正交匹配追踪算法

为通过齿轮箱的振动信号进行故障诊断,应用正交匹配追踪算法对振动信号进行处理.齿轮箱的振动信号包含了齿轮箱运行状态特征,但同时也掺杂了大量噪声信号,总体呈现出非平稳性.齿轮箱故障诊断的关键是从齿轮箱的振动信号中剔除冗余信息,用少量特征信息准确的表达信号,完成对信号中故障特征的提取.传统的频域分析法,只能从频域图上定性的判断故障,无法做到定量判断.正交匹配追踪算法是一种定量提取特征的方法,在傅里叶正交基下对振动信号进行时域向频域的映射,在频域上定量的得到主要特征,再根据主成分分析思想,提取出3组主要特征点,将已知故障分类的信号特征与待检测信号的特征进行对比,通过频域的位置和幅值的两次比较,判断故障状态,实验证明该方法可以准确的判断出齿轮箱从正常状态到100%磨损的5个不同形态的特征,完成对齿轮箱的故障诊断和分类.     

基于盲源分离的齿轮箱状态检测与故障诊断

针对高背景噪声的影响及混合故障诊断困难这一问题，采用盲源分离技术作为信号预处理与故障特征提取的主要工具，并应用这一新技术解决了故障曝气机WA5齿轮箱振动信号的故障诊断问题.通过盲源分离得到准确的故障信号，并根据故障振动信号频谱诊断出故障.利用盲源分离技术可以有效地去除外来干扰，提高故障诊断精度 ，解决了现实工作中的故障定位、早期故障诊断率低等难题.     

小波包变换在齿轮箱螺栓拉断故障诊断中的应用

针对齿轮箱运转异常时,经小波包变换的信号某一频带振动能量值会有较大变化的特征,探讨了小波包变换在齿轮箱故障诊断中的应用．通过对测取的齿轮箱振动信号进行小波包变换,可有效提取齿轮箱螺栓拉断的故障信息．分析表明,旋转机械的振动信号有稳定的频带分布,通过结合故障特点,把每一故障的频带特征提取出来,能为故障诊断提供很好的征兆．     

频谱分析法在齿轮箱故障诊断中的应用

利用各种频谱分析手段(细化功率谱和倒频谱)对某轧钢厂齿轮箱振动信号进行了全面分析,发现整个传动装置产生的不平衡导致齿轮箱振动异常,经过装配调整,并做了动平衡试验,有效地解决了这一问题.     

齿轮箱起动信号的倒阶次谱分析方法

研究旋转机械非稳态信号的分析方法．对等时间间隔采样的齿轮箱振动信号,利用插值算法实现角域重采样,得到等角度采样的插值点,分别对原始信号和重采样信号进行传统的频谱分析和阶次分析．结果显示出阶次分析法在处理转速变化信号时的优越性：阶次谱分析能够有效地避免传统频谱方法所无法解决的“频率模糊”现象．将倒频分析引入阶次分析中,成功的识别了齿根裂纹故障．     

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.     

11/2维倒谱在滚动轴承故障诊断中的应用

从三阶累积量的概念出发,提出了1(1/2)维倒谱的概念,并从理论上推导出其能抑制噪声、提高信噪比.将其应用于实际的滚动轴承故障特征提取中,分析表明,与其他一般的信号处理方法相比1(1/2)维倒谱能有效地从复杂的信号成分中提取出特征信号来,且计算量小、精度高.     

面向齿轮箱故障诊断的序贯概率比检验理论和方法

提出了一种基于序贯概率比检验的齿轮裂纹故障诊断方法,并选用了无裂纹和有裂纹的齿轮模拟故障模式.实验中提取的振动信号夹杂着噪声等干扰,运用具有良好去噪效果的小波包方法对齿轮箱振动信号进行预处理.采用时域分析法提取预处理后信号的特征值,提取对冲击性振动非常敏感的峭度值作为特征值.将序贯概率比检验算法应用于齿轮箱故障模式的检验和识别.为了验证所提出方法的诊断能力,本文选用均方根误差的方法来计算同种故障之间,以及不同种类故障之间的识别误差,结果表明了所提出的方法是有效且强大的.     

Diagnosis of Gearbox Typical Fault in Rolling Mills Based on the Wavelet Packets Technology

The early impulse fault diagnosis of the gearbox in rolling mills is often difficult and labour intensive because the gearbox of that high speed machine is multi-shafting transmission system, in which many gearsets and rolling bears work together at the same time and there are much complex frequency structure and various disturb. A new time-frequency method based on the wavelet packets technique was developed and used to extract the impact feature from signals collected from faulty data of one rolling mills gearbox. The method improves the signal to noise ration so that results obtained using this method represents features with fine resolution in both low-frequency and the high frequency bands. The results of analysis indicate the validity and the practicability of the method proposed here.     

基于小波变换的汽车齿轮箱振动信号故障分析

本文利用小波变换和能量特征值对汽车齿轮箱振动信号进行特性分析。利用小波变换的分解和重构算法,对小波系数进行系数-能量计算,提取系统的特征信息,对汽车齿轮箱的故障进行诊断,及时发现齿轮箱的早期故障,提高汽车运行的安全性。仿真研究结果表明用小波变换在故障信息诊断方面是可行的和有效的,提高了故障检测的可靠性。     

基于纵横交叉算法优化BP神经网络的风机齿轮箱故障诊断方法

风电机组齿轮箱的运行工况比较复杂,容易发生故障. 针对常规BP（Back Propagation）神经网络故障诊断容易陷入局部最优的问题,提出一种基于纵横交叉算法（Crisscross Optimization Algorithm,CSO）优化BP神经网络的风电齿轮箱故障诊断新方法. 考虑到风电齿轮箱振动信号的波动性和非线性,首先从信号中提取故障特征参数,建立带评价因子的误差分析模型,然后通过纵横交叉算法优化BP的权值和阈值对神经网络进行训练,最后用训练好的神经网络对样本进行测试. 经实验仿真并与其他方法的对比,验证了本文方法用于风电机组故障诊断有效性及优越性.     

Diagnosis of Gearbox Typical Fault in Rolling Mills Based on the Wavelet Packets Technology

The early impulse fault diagnosis of the gearbox in rolling mills is often difficult and labour intensive because the gearbox of that high speed machine is multi-shafting transmission system,in which many gearsets and rolling bears work together at the same time and there are much complex frequency structure and various disturb.A new time-frequency method based on the wavelet packets technique was developed and used to extract the impact feature from signals collected from faulty data of one rolling mills gearbox.The method improves the signal to noise ration so that results obtained using this method represents features with fine resolution in both low-frequency and the high frequency bands.The results of analysis indicate the validity and the practicability of the method proposed here.     

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.