HHT和Morlet小波变换在齿轮故障信息提取中的对比研究

文章描述了基于振动信号的Morlet小波变换和HHT(Hilbert-Huang变换)齿轮故障信息提取方法,并分别用来对四类齿轮进行故障信息提取,得到各状态齿轮振动信号的Morlet小波谱和Hilbert谱。实验研究表明:Morlet小波变换和HHT都可用于齿轮故障信息提取,但Hilbert谱分析比Morlet小波谱分析在时间和频率域都有较高的分辨率,且HHT比Morlet小波变换有更高的计算效率,更适用于故障信号微弱、振动信号数据量大的齿轮故障信息提取。     

高斯线调频小波变换与齿轮故障边频带分析

提出了基于高斯线调频小波变换的功率谱齿轮故障诊断方法.利用高斯线调频小波变换对齿轮振动信号作了谱分析,进而对齿轮故障进行分析.对实验数据的分析结果表明:该方法优于经典的自功率谱估计和一般的小波分析方法对齿轮局部故障诊断;该方法可突出齿轮的边频带结构,适用于齿轮的局部故障诊断.     

基于多传感数据融合的变速运行齿轮异常振动故障诊断

变速运行齿轮异常振动故障诊断性能过差会增加汽车维护成本,缩短齿轮使用寿命。为了及时识别齿轮故障,保证汽车变速器总成具有良好的振动特性,提出基于多传感数据融合的变速运行齿轮异常振动故障诊断方法。通过分析多传感器数据融合技术,掌握变速运行齿轮异常振动故障诊断的理论框架,并以此为基础,参考传感器融合模块、特征级并行多神经网络局部诊断模块和终端分类模块,结合变分模态分解、多通道加权融合和单隐层前馈神经网络训练算法,从信号采集、信号特征提取和信号特征分类3个步骤实现变速运行齿轮异常振动故障诊断。实验结果表明：在齿轮发生轻度磨损时,磨损振动信号的幅值在20~40 mV之间,磨损振动信号的频率在0~4 000 Hz区间;中度磨损时,信号的幅值在30~55 mV之间,信号频率在3 000~7 000 Hz区间;重度磨损时,信号幅值在50~70 mV之间,信号频率在6 000~12 000 Hz区间,且各阶段诊断结果均与故障程度的实际转折点吻合。由此可知在各样本数量均相同的情况下,提出的故障诊断方法预测值与真实值均相同,故障程度和故障类型的诊断性能均较好。     

复解析小波变换在齿轮故障诊断中的应用

提出了一种基于复解析小波变换的相位诊断齿轮故障的方法。复解析小波变换将Hilbert变换与小波分析紧密结合在一起，具有自适应分析能力。利用复解析小波变换得到齿轮振动信号的相位，其功率谱图上可提取调制边频带结构来识别故障模式，试验结果表明这种方法可有效应用于齿轮局部故障诊断中。     

基于特征信息融合的离散小波SVM齿轮故障诊断方法研究

针对齿轮振动信号故障特征微弱及故障样本不足,提出基于特征信息融合的小波-SVM(支持向量机)故障诊断方法,用于多类齿轮故障诊断。该方法采用离散小波变换对齿轮的振动信号进行处理来构造特征向量,将多路信号融合后输入到SVM的多故障分类器中进行故障识别。实验结果表明:该方法能够在训练样本数量少的情况下,快速获得良好的分类结果,且其故障诊断准确率在96.67%以上;峰值和峰值因子对齿轮故障最敏感,以峰值或峰值因子为特征量的多传感器信息融合,其诊断准确率达95%。该方法更适合于实际齿轮故障诊断应用,并为多类齿轮故障快速诊断的进一步创新研究提供了理论基础。     

基于经验模态分解法和Hilbert谱的齿轮箱故障诊断

将经验模态分解法(Empirical Mode Decomposition,简称EMD)和Hilbert谱引入到齿轮箱故障诊断,提出了一种新的齿轮箱故障诊断方法.通过运用该方法和连续小波变换分别对某齿轮箱齿轮齿根裂纹故障振动信号进行分析,结果表明,该方法能更有效地提取齿轮故障信息,提高了齿轮故障诊断的准确性.这种自适应的信号处理方法非常适合分析非线性、非平稳过程.     

基于排列熵和CHMM的齿轮故障诊断

针对齿轮故障特征提取和状态识别困难的问题,提出一种基于排列熵和连续隐马尔可夫模型(CHMM)的齿轮故障诊断方法。首先对提取的目标齿轮啮合信号作降噪处理,再采用排列熵算法进行分析,提取排列熵均值、方均根、最大值、最小值作为特征量输入到CHMM中训练和识别,通过对比最大对数似然概率值来确定齿轮的故障。最后在变速箱齿轮故障模拟试验台上,对正常、轻微磨损、严重磨损和断齿4种齿轮状态进行试验验证,结果表明该方法能有效地对齿轮故障进行诊断。     

基于提升小波变换与EEMD的神经网络齿轮故障诊断方法

针对单一的信号处理诊断方法难以实现齿轮故障准确诊断的局限性,文章将提升小波变换、集成经验模态分解(ensemble empirical mode decomposition,EEMD)与相关系数相结合,提出一种新的信号消噪方法,并在此方法的基础上,分别利用BP、Elman和RBF神经网络完成了齿轮故障诊断。首先采用提升小波变换对故障信号进行初步消噪,然后对其作EEMD分解,得到一组固有模态函数(intrinsic mode function,IMF)分量;然后计算各分量的相关系数,剔除相关性较小的伪分量后进行重构,完成二次消噪;最后计算剩余分量的能量特征,并将其作为神经网络的输入向量,进而完成齿轮断齿、裂纹和磨损状况下的故障诊断。仿真分析和应用实例表明:基于提升小波变换与EEMD分解并结合相关系数筛选的消噪方法,比仅用提升小波方法消噪的效果更好。三种神经网络均成功辨别出了齿轮的故障类型,但不同方法各有优劣之处;就诊断效率和准确性而言,BP神经网络的诊断效果最好。     

机床传动系统的故障诊断

机床传动系统故障往往会影响到机床的加工精度.正确选择故障诊断方法、准确提取典型故障的特征是机床传动系统故障诊断的关键,文中介绍了几种常用故障分析方法和机床传动系统常见故障的特征,包括传动齿轮的齿形误差、齿轮均匀磨损、箱体共振、轴轻度弯曲、断齿、轴不平衡、轴向窜动、轴承疲劳剥落和点蚀等故障发生时其振动信号的时域和频域特征,并结合实例介绍故障诊断方法的应用,可供有关工程技术人员参考.     

变转速变载荷工况下的齿轮智能故障诊断北大核心

针对变转速变载荷工况下的齿轮故障检测、识别和分类问题,提出一种基于最大重叠离散小波包变换和人工神经网络的智能故障诊断新方法。研究自相关谱峭度图中的最大重叠离散小波包变换,并采用它将复杂的齿轮故障振动信号分解为频带和称为节点的中心频率。推导出每个节点的平方包络的自相关,以便计算每个节点在每个分解层次上的峭度,减少了非周期性脉冲和噪声的影响。将上一步得到的特征矩阵作为径向基函数神经网络的输入,从而实现齿轮状态的自动分类。并在变转速变载荷(16种)工况下对健康状态和5种不同类型齿轮故障的齿轮箱进行了具体测试分析。结果表明:该方法可以更好地提取特征信息,为齿轮故障诊断定位合适的解调频带,提高了所有工况下齿轮故障诊断的准确率。     

基于SSA-VMD和2.5维谱的齿轮箱磨损故障诊断

针对行星齿轮箱实际工况中存在多种频率耦合无法直接提取故障特征频率的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合2.5维谱的故障诊断方法。运用SSA优化VMD的参数;运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用2.5维谱对重构信号中的频率耦合进行解耦运算。搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用提出的方法解耦出参与耦合的故障频率成分,揭示了行星齿轮箱磨损故障演化规律。研究结果表明：随着磨损故障程度的加深,磨损故障特征频率明显增多。     

基于VMD能量熵和HMM的行星齿轮箱故障识别方法

针对行星齿轮箱振动信号成分复杂、非平稳、非线性的特点，提出一种基于变分模态分解(VMD)能量熵和隐马尔科夫模型(HMM)的故障识别方法。利用VMD算法对不同故障类型的齿轮振动信号进行分解，提取经信号分解得到的各阶本征模态函数(IMF)的能量熵。基于不同故障类型的各IMF分量能量熵在分布上的各异性，将其集合作为故障识别的特征向量。利用不同故障类型的特征向量组成的训练集训练HMM，计算最大对数似然概率值，用于判断测试样本的故障类型。利用该方法对一定转速下行星轮的3种故障进行识别，结果表明：当载荷不同时，它对行星轮齿根裂纹、断齿和齿面磨损3种故障的平均识别率可达到95.83%     

基于容积效率的液压齿轮泵状态监测与故障诊断

阐述了容积效率作为特征信息进行液压齿轮泵状态监测与故障诊断的原理,分析了液压齿轮泵中流量信号以及容积效率与齿轮泵工况之间的关系,指出了容积效率是状态信息的丰富载体,讨论了利用容积效率进行液压齿轮泵状态监测与故障诊断的可行性及方法.     

基于正交匹配追踪算法的齿轮箱轴承故障诊断及实验验证

为了提高传动振动过程中齿轮箱轴承内外圈故障诊断能力，采用正交匹配追踪(OMP)算法建立了故障诊断模型，并开展仿真分析及实验验证。研究结果表明：通过OMP算法对轴承外圈故障仿真加噪信号进行处理，能够看到信号呈周期性波动，通过频率及其倍频呈现逐步衰减，故障特征明显；经过OMP算法处理的轴承内圈故障仿真纯净信号呈周期性波动，能够看到滚动轴承的故障，轴承内圈通过频率和倍频以及边频带呈现逐步衰减，故障特征明显。为了进一步验证OMP算法处理齿轮故障的有效性，搭建封闭式功率流齿轮箱试验台，OMP重构故障信号谱图中啮合频率360 Hz峰值较低，边频带被完全掩盖，不存在大量的干扰成分。经OMP算法处理过的故障信号的谱图能很好地体现故障特征。     

基于双谱特征的行星齿轮箱故障诊断方法

为了研究行星齿轮箱齿面磨损全生命周期实验的退化过程,使用了可以抑制高斯噪声和对信号中产生的频率耦合进行解耦的双谱方法去进行故障特征提取,提出了两个基于双谱的特征指标,双谱熵以及非高斯强度,并通过特征指标评价方法去检验其指标性能。结果表明基于双谱熵具有良好的指标性能,而且对于行星齿轮箱齿面磨损的早期微弱故障十分敏感,适用于行星齿轮箱齿面磨损的故障诊断。