一种有效的齿轮故障识别方法

针对齿轮故障特征信息往往被信号中的噪声淹没的问题,提出了一种基于谐波小波包、样本熵和灰色关联度的齿轮故障识别方法。首先,采用顺序形态滤波器,并结合实际选用最简单的直线结构元素,对实测齿轮振动信号进行顺序形态滤波降噪预处理。然后,采用谐波小波包将不同故障的齿轮振动信号分解到3层共8个频带上,并计算各频带的样本熵。最后,以样本熵为元素构造特征向量,通过计算标准故障模式特征向量与待识别样本的灰色关联度来判断齿轮的工作状态和故障类型。试验结果表明,该方法能够有效地应用于齿轮系统的故障诊断。     

自适应局部迭代滤波在齿轮故障识别中的应用

针对齿轮实测信号因受噪声干扰而不能准确反映故障特征的问题,提出将自适应局部迭代滤波应用到齿轮故障识别中,与样本熵、灰色关联度相结合实现齿轮的故障识别。利用自适应局部迭代滤波将齿轮非平稳信号分解为有限个平稳的本质模态函数,通过计算各本质模态函数的样本熵,发现以齿轮系统的转频信号对应的本质模态函数的样本熵为界,前几个本质模态函数的样本熵能表征不同故障类型的特征;计算齿轮系统正常、齿面轻度磨损、齿面中度磨损和断齿4种工况下多个训练样本的样本熵的平均值,将其作为对应工况标准故障模式的参考值;计算待检测样本的样本熵与各状态下训练样本的样本熵平均值之间的灰色关联度,与待识别样本灰色关联度最大的标准故障模式即被认为是待识别样本的故障类型。实例分析结果表明,通过自适应迭代滤波能有效抑制模态混叠现象,发现明显的齿轮转频信号,而采用集合经验模式分解(EEMD)方法进行信号分解后,模态混叠现象比较明显,且在EEMD的分解结果中基本看不出齿轮的转频分量;4种工况的样本熵曲线形状存在明显差异,说明样本熵能有效表征齿轮故障特征的变化;灰色关联度方法能有效地将4种不同的故障类型进行分类识别,分类识别性能优于BP神经网络,对小样本数据具有较好的分类识别能力。     

基于小波分析的高速列车车体运行状态估计

基于监测数据评估高速列车空气弹簧和横向减振器等关键部件的运行状态, 针对车体垂向加速度振动信号, 提出了小波包能量矩的列车状态估计方法。首先分析车体垂向振动特征, 对不同工况和不同速度下的信号进行小波包分解, 并重构能量较大的频带信号, 再计算各频带的小波包能量矩特征, 不同频带信号的小波包能量矩变化反映了列车运行状态的改变。将不同频带的小波包能量矩组成特征向量, 最后用支持向量机进行故障识别。实验数据仿真分析表明, 列车空簧失气故障和横向减振器失效故障识别率为100%, 说明该方法能很好地估计出高速列车的故障状态。     

基于小波与小波包的变速器故障特征提取

本文结合自适应小波变换滤波去噪方法与小渡阈值去噪方法,提出了一种可用于变速器故障振动信号去噪的双层滤波去噪算法.该算法的滤波过程分为两层,第一层滤波采用自适应小波变换滤波算法;第二层滤波采用经典的小波阈值去噪算法对信号进行二次去噪.最后,将去噪后的故障信号采用小波包进行了分解,并提取了小波包频带能量作为故障特征向量.     

改进粒子滤波在汽轮机故障诊断中的应用

针对汽轮机的振动信号容易受到较为复杂的随机噪声污染,提出了一种改进粒子滤波的振动信号降噪方法;首先建立采集振动信号的数学模型,将其作为粒子滤波的状态方程;然后利用小波分析提取采集振动信号的背景噪声,将其和状态信号一起作为观测信号,得到观测方程,把降噪问题转化成在状态空间模型下的滤波问题;由于采用序贯重要性采样的粒子滤波存在着样本退化问题,在重采样阶段采用了一种权值排序、优胜劣汰的重采样算法,就是对各粒子的归一化权值从小到大的排列顺序,并根据权值方差大小淘汰粒子,从而得到了改进的粒子滤波算法,在一定程度上解决了标准粒子滤波的退化问题;进而运用改进粒子滤波算法对振动信号进行降噪处理,降噪前信号和降噪后信号分别通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征向量浓缩了汽轮机振动故障的全部信息,对提取的故障特征向量应用诊断识别算法进行故障模式识别;通过对比降噪前信号和降噪后信号的故障诊断识别率,证明了改进粒子滤波在汽轮机故障诊断中的应用效果更佳。     

基于谐波小波包和IAGA-SVM的滚动轴承故障诊断

传统方法在诊断滚动轴承故障时受人为因素影响,故障成因复杂,因此在已有理论上提出一种基于谐波小波包和自适应支持向量机相结合的捣固车故障诊断方法。谐波小波包对不同故障下的振动信号展开分解及重构后所提取的频带能量即为特征向量,再把特征值输入支持向量机(SVM)模型中训练并对核函数和惩罚系数进行优化。用自适应支持向量机构建从特征向量到故障类型间的对应,从而完成滚动轴承故障的诊断。该方法能高效准确地诊断出故障类型且有实用价值。通过与GA-SVM及AGA-SVM对比,证明此方法在故障诊断领域中的卓越性。     

基于多小波包的齿轮故障诊断方法研究

提出了一种全新的基于多小波包的齿轮箱故障诊断方法。在机械故障诊断领域,小波分析已经被应用在利用齿轮振动信号进行的故障诊断中。由于小波函数空间在高尺度上频带较宽,因此隐藏在信号中的在较高频段发生的窄带故障信号的频率成分不能被精确地诊断。提出的多小波变换,通过划分小波变换不同层的频带克服了单小波(标量小波)系统的这种缺陷。通过多小波包变换,可以自动并精确地划分不同小波包结点的频率段,从而对频率段较窄的瞬变故障信号进行精确的诊断。对齿轮箱的仿真实验结果表明,应用多小波包系统,不但可以对齿轮系统中包含瞬变现象的故障信号进行诊断,而且可以精确确定齿轮中坏齿的位置。     

电机故障诊断的仿真研究

研究电机故障诊断问题.针对电机信号具有非平稳和随机性特点,为保证电机运行的安全性,准确进行故障诊断,传统方法不能有效识别故障信号特征,导致故障识别准确率低,现提出一种基于小波分析和神经网络相结合的电机故障诊断方法.采用小波包变换技术对电机故障振动信号进行去噪处理,然后利用小波包分解系数计算各子频带能量值,根据能量值的变化构建故障特征向量,利用将特征向量作为RBF神经网络的输入进行故障识别,并在Matlab仿真平台上进行仿真.仿真结果表明方法提高电机故障诊断的准确率,有效克服了传统方法存在不足,同时缩短了电机故障诊断的时间.     

基于小波包能量谱的往复式隔膜泵故障诊断研究

针对往复式隔膜泵故障的多元性、不确定性和并发性的特点,提出了基于小波包能量谱的往复式隔膜泵故障诊断方法。小波包能将振动信号分解到不同子频带,通过各子频带信号的能量变化反映设备运行状况。通过采集往复式隔膜泵振动信号,进行小波包分解为多个子频带,求出各频带的能量和能量比例,然后对比故障振动信号和正常振动信号的频带能量谱比例图,找出发生故障的频带,进而找出往复式隔膜泵的故障特征频率,诊断出故障。实验表明:通过小波包能量谱对往复式隔膜泵进行故障诊断是有效可行的。     

基于多小波包的齿轮故障诊断方法研究

提出了一种全新的基于多小波包的齿轮箱故障诊断方法.在机械故障诊断领域,小波分析已经被应用在利用齿轮振动信号进行的故障诊断中.由于小波函数空间在高尺度上频带较宽,因此隐藏在信号中的在较高频段发生的窄带故障信号的频率成分不能被精确地诊断.提出的多小波变换,通过划分小波变换不同层的频带克服了单小波(标量小波)系统的这种缺陷.通过多小波包变换,可以自动并精确地划分不同小波包结点的频率段,从而对频率段较窄的瞬变故障信号进行精确的诊断.对齿轮箱的仿真实验结果表明,应用多小波包系统,不但可以对齿轮系统中包含瞬变现象的故障信号进行诊断,而且可以精确确定齿轮中坏齿的位置.     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

Hilbert-小波变换的齿轮箱故障诊断*

采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。     

基于参数优化VMD和样本熵的滚动轴承故障诊断EI北大核心CSCD

针对滚动轴承故障特征提取不丰富而导致的诊断识别率低的情况,提出了基于参数优化变分模态分解(Variational mode decomposition,VMD)和样本熵的特征提取方法,采用支持向量机(Support vector machine,SVM)进行故障识别.VMD方法的分解效果受限于分解个数和惩罚因子的选取,本文分析了这两个影响参数选取的不规律性,采用遗传变异粒子群算法进行参数优化,利用参数优化的VMD方法处理故障信号.样本熵在衡量滚动轴承振动信号的复杂度时,得到的熵值并不总是和信号的复杂度相关,故结合滚动轴承的故障机理,提出基于滚动轴承故障机理的样本熵,此样本熵衡量振动信号的复杂度与机理分析的结果一致.仿真实验表明,利用本文提出的特征提取方法,滚动轴承的故障诊断准确率有明显的提高.     

基于小波和支持向量机的光纤微振动传感器模式识别

为实现对双M-Z型光纤传感器的振动信号进行识别,提出一种基于小波能熵和支持向量机(SVM)的光纤传感信号模式识别方法。该方法对小波分解得到的各频段系数求解其能量信息熵,归一化后得到特征向量。其作为SVM的输入,通过选用合适的核函数和多类的分类方法,对SVM多类分类器进行建模。在多种振动信号的条件下,用测试样本对SVM分类器模型进行测试,测试结果表明:该方法对双M-Z型光纤微振动传感器的振动信号的分类达到了较高的识别率。     

Fault gear identification and classification using discrete wavelet transform and adaptive neuro-fuzzy inference

In this paper, an intelligent diagnosis for fault gear identification and classification based on vibration signal using discrete wavelet transform and adaptive neuro-fuzzy inference system (ANFIS) is presented. The discrete wavelet transform (DWT) technique plays one of the important roles for signal feature extraction in the proposed system. The abnormal transient signals will show in different decomposition levels and can be used to recognize the various faults by the DWT figure. However, many fault conditions are hard to inspect accurately by the naked eye. In the present study, the feature extraction method based on discrete wavelet transform with energy spectrum is proposed. The different order wavelets are considered to identify fault features accurately. The database is established by feature vectors of energy spectrum which are used as input pattern in the training and identification process. Furthermore, the ANFIS is proposed to identify and classify the fault gear positions and the gear fault conditions in the fault diagnosis system. The proposed ANFIS includes both the fuzzy logic qualitative approximation and the adaptive neural network capability. The experimental results verified that the proposed ANFIS has more possibilities in fault gear identification. The ANFIS achieved an accuracy identification rate which was more satisfactory than traditional vision inspection in the proposed system.     

小波包在旋转机械故障振动信号处理中的应用

根据旋转机械故障振动信号的特点,提出了应用小波包分解、重构技术进行消噪处理及频带能量故障特征提取的方法,实验分析结果表明该方法可以有效地提高故障诊断的抗干扰能力和故障诊断的准确性。     

基于DAGSVM的轴系扭振故障诊断方法

针对船舶轴系扭振故障小样本事件,基于小波包Shannon熵与二叉决策树支持向量机(DAGSVM)理论建立一种轴系扭振故障诊断模型.首先通过船舶轴系扭振实验平台提取轴系扭振四种模式信号;然后利用小波包变换提取Shannon熵值,作为故障输入特征向量;最后利用K-CV交叉验证法提升支持向量机,对故障进行建模识别.试验表明,...     

基于径向基神经网络的新型齿轮故障诊断方法

非平稳工况下的齿轮故障检测是一项非常困难的工作,由于齿轮振动信号的复杂性,导致故障特征提取和故障诊断困难.针对这些问题,基于径向基(radial basis function, RBF)神经网络,提出一种在变速条件下齿轮的故障诊断方法 CIHDRFD.首先利用自适应白噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),将原始振动信号分解为多个固有的模态函数(intrinsic mode function, IMF),并通过计算其信息熵(information entropy, IE)筛选出IE最小的4个IMF作为特征IMF;然后利用希尔伯特变换(hilbert transform, HT)处理特征IMF并求出Hilbert包络谱,利用Hilbert包络谱构建故障特征向量;最后利用改进的双RBF神经网络进行故障检测.通过搭建齿轮故障检测平台验证CIHDRFD方法的有效性,实验结果表明, CIHDRFD方法适用于齿轮故障诊断,在速度波动为3%的情况下,诊断准确率...     

基于小波与GBDT的无人机传感器故障诊断

相对于有人飞行器,确保无人机传感器的正常工作更为重要.针对无人机传感器的故障诊断,提出了一种将小波特征提取与梯度提升决策树(GBDT)算法相结合的故障诊断方法.采用基于多层小波包分解的特征提取方法,将小波包分解系数与频带能量熵组合构成特征向量,相比单一的能量特征提取方法,有效提升了故障的可分性.采用梯度提升的策略对弱分类器进行迭代优化和线性组合,构成强分类器,使故障分类精度得到显著提高.仿真结果表明,该方法能有效进行特征提取和故障类型识别,且有较高的诊断精度和较强的泛化能力.     

Fault diagnosis of spur bevel gear box using discrete wavelet features and Decision Tree classification

The wavelet transform (WT) is used to represent all possible types of transients in vibration signals generated by faults in a gear box. It is shown that the transform provides a powerful tool for condition monitoring and fault diagnosis. The vibration signal of a spur bevel gear box in different conditions is used to demonstrate the application of various wavelets in feature extraction. In present work, a discrete wavelet, Daubechies wavelets (db1–db15) is used for feature extraction and their relative effectiveness in feature extraction is compared. The major steps in pattern classification are feature extraction and classification. This paper investigates the use of discrete wavelets for feature extraction and a Decision Tree for classification. J48 Decision Tree algorithm has been used for feature selection as well as for classification. This paper illustrates the powerfulness and flexibility of the discrete wavelet transform to decompose linear and non-linear processing of vibration signal.