基于改进形态分量分析的齿轮箱轴承多故障诊断研究

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号和图像处理方法,其主要目标是根据信号组成成分的形态差异性,选择合适的字典来分离信号。针对传统形态分量分析的字典选择和阈值选择的缺陷,提出了基于自适应字典选择和TH-MOM (Hard Threshold-MOM)的阈值更新策略,通过仿真信号和齿轮箱轴承多故障振动实验信号的研究结果表明：该方法不仅能将形态各异的多分量信号进行有效分离,提高了信噪比,而且提高了从强噪声环境中提取瞬态冲击特征的能力,能有效地识别轴承的故障类型和部位。     

基于独立分量分析与包络阶比分析的齿轮箱多振源特征提取

包络阶比分析是常用的旋转机械变速运行过程齿轮箱振动分析技术之一,但其易受干扰的影响而失效。独立分量分析是最近发展起来的一种混合信号按源分离方法,但其使用中通常要求传感器通道数目不少于独立振源数目,而齿轮箱中的独立振源数目一般并不能预先确定,因此直接应用独立分量分析方法往往并不能实现对混合信号的有效分离。本文提出了一种基于独立分量分析技术的包络阶比分析方法,其首先利用包络提取实现对原信号中振源数的降维,然后对包络波形进行阶比跟踪等角度采样,对等角度采样信号应用独立分量分析进行按源分离和包络阶比分析,提取出各振源的振动特征。仿真和试验分析结果验证了本方法的有效性。     

基于核形态成分分析的齿轮箱复合故障诊断研究

形态成分分析（MCA）是最新提出的一种基于稀疏表示的信号和图像分解(分离)方法,该方法的主要思想是利用信号组成成分的形态差异性（可以由不同的字典稀疏表示）进行分离。结合核函数把基于MCA的线性盲分离方法拓展到非线性混叠情况,给出了一种非线性混叠信号盲分离算法。该算法通过非线性映射将混叠信号投影到高维特征空间,将样本空间的非线性混叠问题转化成高维特征空间的线性混叠问题,然后应用MCA算法对高维特征空间中的混叠信号进行分离。通过对齿轮齿根裂纹、轴承内圈、外圈复合故障的实验信号的分析,表明该方法能有效地分离出齿轮箱的复合故障。     

自适应局部独立分量分析

提出一种自适应局部独立分量分析降噪算法。该算法先将一维时间序列重构到高维相空间,用聚集模糊K均值聚类和聚类评价函数求取高维数据集的聚类个数和聚类中心位置,然后利用K均值聚类寻找局部投影区间,对每个聚类进行独立分量分析并投影到低维空间,将低维空间数据排列并重构成一维时间序列。与使用聚类的局部独立分量分析相比,该算法具有自适应性和稳定性。使用数值仿真试验和齿轮故障信号对该算法进行验证,结果表明该算法对此类信号具有良好的降噪效果。     

基于核独立分量分析的PET图像处理

随着医学成像和计算机辅助技术的发展,从二维医学图像到三维可视化技术,医学图像处理技术已经是目前医学技术中发展最快的领域之一。PET/CT系统因为同时具有多层螺旋CT和PET的临床特点,可以同时提供结构和功能方面的信息,在临床上有着广泛的应用前景。对它的图像处理也成了研究热点。因此本文对处理PET图像进行研究。本文研究了基于核独立分量分析的去噪应用于PET图像处理,实验结果表明,相对于医学图像处理中传统ICA去噪算法,本文所采用的去噪算法更适合于PET图像的处理。因此,可以判定Kernel-ICA在PET图像的去噪处理中是一种非常实用而且有效的算法,进而也可以推断出在PET图像处理中,基于Kernel-ICA的去噪算法具有很好的发展前景。     

基于相空间重构与独立分量分析的局部独立投影降噪算法

针对故障分析信号中存在噪声问题,提出一种将相空间重构与独立分量分析相结合的局部独立投影降噪算法。其中相空间重构的目的在于从高维相空间中恢复混沌吸引子,独立分量分析能够找到信号的主流形,选择邻域是为了将特征相近的相点结合在一起。使用该方法对正弦仿真信号和Lorenz仿真信号进行降噪处理,结果表明局部独立投影降噪算法的降噪效果与局部独立分量分析算法降噪效果接近,但优于全局投影降噪算法。运用该方法对低速重载轴承振动信号进行分析,准确判断出轴承故障。     

基于广义形态分量分析的降噪技术研究

针对强噪声环境中有用信号提取的难题,提出了基于广义形态分量分析的降噪方法。通过引入虚拟观测信号,将一维观测信号扩展为多维虚拟观测信号,再通过广义形态分量分析,实现观测信号的盲源分离,从而达到降噪的目的。通过仿真信号和齿轮磨损故障振动实验信号的研究结果表明：广义形态分量分析技术能有效分离强背景噪声中的微弱信号,有效提取故障特征,其降噪性能优于传统的独立分量分析。     

基于约束独立成分分析的滚动轴承故障诊断

用新的理论和方法丰富和提高机械故障诊断技术是机械故障诊断学的重要内容之一。本文用约束独立成分分析方法把研究对象的先验信息作为独立成分分析算法的约束条件,使新的算法仅仅收敛于感兴趣的故障信号。这样可以提高故障诊断的针对性和效果。该方法可以从传感器信号中快速诊断设备中是否发生了某种故障,并以滚动轴承的仿真和实验验证了该方法的适用性和有效性。     

基于快速独立分量分析的模态振型识别方法研究

摘要：快速、准确地识别出结构的模态参数,特别是结构的振型是结构损伤精确识别与健康监测的重要前提。大多的模态参数识别时域方法都是从曲线拟合的角度或解算特征值的过程来实现。振型向量通过求解各阶模态的留数获得,这些方法依赖于模态频率与模态阻尼的识别。本文提出一种模态振型的直接提取方法,该方法基于快速独立分量分析技术,以模态响应之间的独立性构造目标函数,通过优化目标函数寻求振型向量的最优解,直接从结构自由响应或脉冲响应的数据矩阵中提取结构的振型向量。三自由度数值算例表明该方法有效,具有很高的识别精度且对测量噪声具有很好的鲁棒性。     

基于NIC-DWT-WOASVM的齿轮箱混合故障诊断

由于齿轮箱中振动信号的复杂性和非平稳性,致使齿轮箱混合故障诊断工作具有一定难度。针对这一问题提出基于NIC-DWT-WOASVM的齿轮箱混合故障诊断方法。首先通过窄带干扰消除(Narrow Band Interference Canceller, NIC)滤除原始信号中齿轮啮合和转轴等窄带干扰信号,接着对信号进行离散小波变换(Discrete Wavelet Transform, DWT),重构小波系数得到小波分量,提取分量的方差作为特征参数构成特征矩阵样本。针对传统优化支持向量机收敛速度慢及容易局部最优等问题,提出鲸鱼算法优化的支持向量机(Whale Optimization Algorithm Support Vector Machine, WOASVM),运用训练样本对WOASVM进行训练得到优化分类模型,将测试样本输入到优化模型中得到诊断结果。为验证方法的有效性,开展了变工况下齿轮箱混合故障实验,通过实验分析及与其他方法的比较,证明方法对于齿轮箱混合故障诊断是有效的。     

基于阶次分析技术的行星齿轮箱非平稳振动信号分析

行星齿轮箱启动、停止和负载发生变化时,转速会发生变化并使得行星齿轮箱的振动信号具有明显的非平稳特性。行星齿轮箱复杂的结构特征导致了振动信号的复杂性,使得常规的频谱和解调分析方法难以识别时变工况下的行星齿轮箱故障特征频率。本文在行星齿轮箱故障特征频率的基础上,考虑转速变化特征,总结了行星齿轮箱太阳轮、行星轮及齿圈的故障阶次特征表。通过对行星齿轮箱变转速工况下太阳轮故障实验信号的阶次分析,实现了变转速情况下行星齿轮箱太阳轮故障诊断,并与传统的频域信号分析方法比较,体现了阶次分析技术在行星齿轮箱变工况故障诊断过程中的优势。     

时变工况行星齿轮箱对数时频脊阶次谱故障特征提取

风电机组齿轮箱工作于强噪声且变转速变载荷的工况下,其振动信号非常复杂。建立了一个时变转速变载荷的行星齿轮箱振动信号模型。提出了时频脊阶次谱故障特征提取方法。对振动信号进行Wigner-Ville时频变换,取对数后进行重排;采用Crazy climber方法提取对数重排时频谱图中的峰值脊线;将脊线转换为时频脊阶次谱。通过仿真信号与转速、载荷连续波动实验数据表明,对数时频脊阶次谱故障特征能够为时变复杂工况行星齿轮箱故障预警提供有效的依据。     

基于VMD-DE的坦克行星变速箱故障诊断方法研究

为了提高坦克行星变速箱齿轮故障模式识别准确率,将变分模态分解(VMD)与散布熵(DE)结合提出故障特征提取新方法。利用波形法确定VMD分解层数,VMD分解振动信号得到一组固有模态分量(IMF);根据归一化互信息准则筛选若干IMF重构信号,计算重构信号的散布熵;将重构信号散布熵作为特征值输入到粒子群优化(PSO)的多分类支持向量机(SVM)中实现故障模式识别。通过对坦克行星变速箱的正常、行星轮故障和太阳轮故障三种状态进行模式识别,分类准确率达到100%,且计算时间较短。与基于原始振动信号DE、VMD-SE(样本熵)、VMD-PE(排列熵)及EMD-DE(经验模态分解与DE结合)等方法比较,综合考虑准确率和计算时间两个因素,基于VMD-DE的方法故障诊断性能最佳。     

参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断

针对行星齿轮箱特征提取困难的问题,提出一种基于参数优化变分模态分解与多域流形学习的故障诊断方法.首先,利用樽海鞘群优化变分模态分解(SSO-VMD)对信号进行分解与重构,降低噪声干扰;然后,从多域提取故障特征,并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)算法进行降维处理,获取低维故障...     

深度置信网络迁移学习的行星齿轮箱故障诊断方法

实际工程中行星齿轮箱受工况、运行情况等因素的影响,获取的数据难以满足训练和测试数据独立同分布且训练数据充足的条件,直接影响故障诊断效果.为此,提出一种深度置信网络(Deep Belief Network,DBN)迁移学习的行星齿轮箱故障诊断方法.首先,将辅助标记数据的原始信号频谱作为DBN网络的输入,逐层更新网络的权重...     

基于DCAE-CNN的自动倾斜器滚动轴承故障诊断

针对直升机自动倾斜器滚动轴承工况复杂、噪声干扰大,造成故障诊断效果不佳的问题,提出一种基于深度卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法。该方法首先采用小波变换方法构造不同状态下振动信号的时频图,然后使用DCAE对时频图进行图像去噪,最后利用CNN对去噪后的时频图进行故障分类。利用课题组和美国凯斯西储大学的滚动轴承故障数据开展诊断实验,并与CNN、堆叠降噪自编码器(Stacked Denoise AutoEncoder,SDAE)两种深度学习方法进行对比,结果表明,该方法在高噪声环境下具有更高的故障识别率。     

基于多传感器信号和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。     

基于变分模式分解的行星齿轮箱齿轮组合故障频率解调分析

行星齿轮箱组合故障振动信号具有多源调制特点,在频域内边带结构复杂,通过常规Fourier频谱分析难以有效提取故障特征;组合故障振动信号的调频部分包含故障信息,且不受传递路径影响。为了准确提取行星齿轮箱组合故障特征,提出基于变分模式分解的频率解调分析方法。根据采样频率和载波频率确定单分量个数,通过变分模式分解将多分量信号自适应地分解为一系列本质模式函数;计算本质模式函数的瞬时频率,根据中心频率和啮合频率的匹配关系选取敏感单分量;通过分析敏感单分量瞬时频率频谱诊断组合故障。通过仿真信号和实验信号分析验证了方法的有效性,诊断了太阳轮与行星轮、太阳轮与齿圈、行星轮与齿圈的组合故障。