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.     

面向轴承智能诊断的多领域深度对抗迁移网络

针对不同工况下轴承监测数据分布差异性导致的诊断精度下降问题,基于深度学习与迁移学习,提出一种多领域深度对抗迁移网络,用于变工况下轴承的智能诊断。将不同工况下的样本集视作属于不同的领域,在特征提取时利用深度残差网络将轴承源域的训练数据与目标域的测试数据映射到高维特征空间,提取监测数据高层抽象的特征表示;设计多领域对抗模块,以支持多故障模式的轴承样本在不同领域对抗模块上进行对抗迁移训练,保障源域与目标域数据在特征空间中的分布有效对齐;在利用源域数据训练故障分类器时引入标签平滑约束,增强故障识别的泛化能力,将源域故障诊断知识迁移到目标域数据的故障信息识别,实现变工况下的轴承智能诊断。利用变工况下的齿轮箱轴承故障数据集与电机轴承数据集对提出方法进行验证,结果表明：相比其他方法,提出的新方法考虑了轴承监测数据的多故障模式结构,更好地提取了领域不变特征,提升了变工况下轴承故障的识别精度。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

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。     

最小生成树SVM的模拟电路故障诊断方法

提出最小生成树的支持向量机模拟电路故障诊断方法,通过小波分解提取电路故障特征,在特征空间中以故障类的可分性测度为权值构造最小生成树,得到具有聚类属性的故障子类划分,从而优化故障决策树节点的分布。按照最小生成树的结构建立具有较大分类间隔的多分类支持向量机,能够有效地提高模拟电路故障诊断的正确率。该方法简化支持向量机的结构,在实例电路的故障诊断中获得更高的诊断精度和效率,其性能优于常用的支持向量机方法。     

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.     

Diagnosis Method for the Train＇s Bearing Frequency Spectrum-varying Fault

为了解决常规谱分析技术在列车轴承故障诊断中的误诊和漏诊问题,分析了列车轴承频带变化类故障的振动机理,研究了一种基于数据插值重采样分析的诊断方法;通过脉冲触发式整周期采样技术以及等角度重采样、特诊谱提取技术等信号处理方法,实现列车频带变化类故障的精确诊断.仿真分析与实验结果表明,该诊断方法能准确、有效地识别列车轴承早期故障.     

列车轴承频带变化类故障的诊断方法

为了解决常规谱分析技术在列车轴承故障诊断中的误诊和漏诊问题,分析了列车轴承频带变化类故障的振动机理,研究了一种基于数据插值重采样分析的诊断方法;通过脉冲触发式整周期采样技术以及等角度重采样、特诊谱提取技术等信号处理方法,实现列车频带变化类故障的精确诊断.仿真分析与实验结果表明,该诊断方法能准确、有效地识别列车轴承早期故障.     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

基于EMD和包络谱分析的轴承故障诊断研究

提出了一种基于经验模态分解(EMD)和包络谱分析的轴承故障诊断的新方法．EMD是把时间序列信号，分解成不同特征时间尺度的固有模态函数(IMF)，具有自适应的分析能力，然后通过选取表征轴承故障的IMF分量进行包络谱分析，就可提取轴承故障信号的特征．轴承故障实验信号的研究结果表明：该方法能有效地识别轴承故障．