强干扰下基于TMD-SVD和POS-BP网络的变速箱状态识别

针对车辆变速箱工作环境恶劣、故障模式难以识别的问题,在现有方法基础上,提出了一种基于经验模态-小波包结合的二次模态分解(Two-layer-mode decomposition,TMD)和奇异值分解(Singular value decomposition,SVD)特征值提取方法,并结合粒子群(POS)-BP神经网络应用于变速箱故障诊断中.首先,在自行搭建的实验台上采集变速箱正常、滚动体故障、外圈裂纹、齿轮磨损4种典型状态下的振动信号;然后,用EMD分解提取信号前5个IMF分量,由于IMF1频谱依然较复杂,采用小波包继续进行2层分解;最终,由二次模态分解得到8个子序列,构建信号分量矩阵,再提取分量矩阵的奇异值作为特征值,将特征值输入构建好的POS-BP神经网络诊断模型中,根据输出识别变速箱故障类型.分析结果表明,该方法能有效应用于特种车辆变速箱故障诊断,诊断正确率达到92％,为复杂工况下变速箱状态识别提供了一种有效的参考途径.     

基于改进LMD与BP神经网络的变速箱故障诊断

针对军用装甲车变速箱工作环境恶劣、故障模式难以识别的问题,在现有方法基础上,将噪声辅助分析方法、局部均值分解(LMD)方法和BP神经网络方法相结合,应用于装甲车变速箱故障诊断中。首先,在自行搭建的实验台上采集变速箱正常、轴承间隙故障、外环压痕、齿轮断齿4种典型状态下的振动信号;然后,采用噪声辅助LMD方法对信号进行分解,将信号前8个PF分量进行能量特征值提取,将提取的特征值作为BP神经网络的输入量,根据输出结果识别变速箱的故障类型。结果表明,该方法能有效应用于军用装甲车变速箱故障诊断,诊断正确率达到92. 5%。研究为其他特种变速箱诊断提供了一种有效的参考途径,有一定工程实用价值。     

基于小波变换-模糊聚类的变速箱齿轮故障诊断

在对车辆变速箱齿轮振动加速度信号进行小波变换的基础上，提出了基于尺度-能量谱的特征提取和模糊聚类相结合的车辆变速箱齿轮故障诊断方法。该方法应用于LC5T81变速箱齿轮的故障诊断中，能够比较准确地识别与诊断出变速箱齿轮的走合运行状态、磨损运行状态和故障运行状态，具有一定的实用价值。     

基于EMD-AR谱和GA-BP的滚动轴承故障诊断研究

为了提高滚动轴承振动信号的故障特征提取能力,快速有效地诊断出轴承的故障类型,提出了一种基于EMD-AR谱和GA-BP神经网络的滚动轴承故障诊断模型,以美国凯斯西储大学轴承数据中心的轴承振动加速度数据为例,对滚动轴承各种状态进行了理论分析和实验测试研究。首先,通过经验模态分解,将采集到的轴承振动信号进行了分解,获得了不同阶次的固有模态函数分量;然后,通过自回归模型对这些分量进行了故障特征提取,并由AR模型的参数和残差的方差组成了故障特征向量矩阵;最后,将故障特征作为遗传算法优化BP神经网络的输入数据和输出数据,分别对该故障诊断模型进行了训练和测试。研究结果表明:基于EMD-AR谱和GA-BP的滚动轴承故障诊断方法可以有效识别不同类型的故障特征;相较于传统的基于BP神经网络、GA-BP神经网络诊断方法,其诊断的效率更高,并且诊断准确率可达到95%。     

基于小波包近似熵和SVM的圆柱滚子轴承诊断

为了解决特种车辆变速箱圆柱滚子轴承由于振动信号的非线性、非平稳特征较为微弱,提取的特征量数值不明显且现实中难以获得大量含丰富特征的典型故障样本而难以对其进行准确诊断的问题,应用小波包近似熵和支持向量机对特种车辆变速箱圆柱滚子轴承进行诊断。首先,在自行搭建的模拟实验台上采集某型特种车辆变速箱圆柱滚子轴承正常、外圈磨损、滚动体故障、点蚀和压痕4种典型状态的振动信号;然后,分别提取4种典型状态振动信号的小波包近似熵值作为支持向量机的输入,根据支持向量机的输出结果来确定圆柱滚子轴承是否发生故障和故障类型。结果表明,该方法能有效对某型特种车辆变速箱圆柱滚子轴承的典型状态进行诊断,为其他相似变速箱圆柱滚子轴承的故障诊断提供一种参考途径,具有一定的工程实用价值。     

基于小波包能量谱和Hilbert包络分析的行星齿轮故障诊断

行星齿轮啮合振动信号噪声干扰大,难以诊断齿轮的故障。提出一种基于扭转振动信号的行星齿轮故障诊断方法。结合小波包能量谱和Hilbert包络分析用于轴系扭转振动信号进行识别行星齿轮的早期故障。将这种方法应用于行星齿轮箱在行星齿轮磨损和行星齿轮出现断齿故障状态下采集到的实际故障行星齿轮扭转振动信号,发现这种方法能识别两种状态下的行星齿轮故障特征。将小波包能量谱和Hilbert包络分析应用于两种故障状态下的横向振动信号,发现行星齿轮磨损故障不能准确识别。实验结果表明新方法对行星齿轮早期故障的识别更敏感、准确。     

基于粒子滤波和自回归谱的液压泵故障诊断

针对飞机轴向柱塞式液压泵的工作状态监控问题,提出了一种基于液压泵振动信号分析处理的故障诊断新方法。通过对加速度传感器的原始数据序列进行信号建模,利用粒子数优化后的粒子滤波算法进行降噪;根据滤波后信号的自回归谱提取特征值,结合液压泵的故障机理分析其工作状态,实现对液压泵的故障分析和诊断。实验及仿真结果表明,粒子滤波可有效跟随原始信号并滤除噪声干扰,基于粒子滤波和自回归谱的液压泵故障诊断方法能有效地提取故障特征值,实现故障诊断和识别。     

基于相关解调法的车辆变速箱故障诊断研究

变速箱是车辆最重要的传动装置,同时也是故障率较高的机构,对其健康状况和故障进行准确评估与诊断具有重要意义。相关解调法是一种既有较好的降噪效果,又能最大限度地保留信号中周期性成分的故障诊断方法。通过全面系统的理论分析,得出的调幅、调频、调幅调频信号经过自相关后各有其特点,但均转化为调幅的形式,且调制频率不变;因此相关解调法适合于提取调幅、调频特征共存的变速箱振动信号的故障特征。最后通过数字信号仿真,验证理论推导的正确性,并将其应用于某特种车辆变速箱的故障诊断,达到较好的效果。     

模糊-灰色关联-神经网络故障诊断方法研究

提出模糊-灰色关联-神经网络这一故障识别方法，通过将模糊理论和灰色关联度相结合，形成所提取故障特征值的模糊关联度，将模糊关联度作为神经网络的输入量进行变速箱故障种类的识别。实现了针对在不同工作状态下的故障识别，为实现故障智能化诊断提出了一和综合性神经网络故障诊断方法。     

基于AR模型的滚动轴承故障诊断

滚动轴承是旋转机械的重要典型零部件，本文将自回归（AR）模型应用于滚动轴承故障诊断，对其时域信号建立自回归模型，计算出其AR功率谱，并和经典功率谱进行比较，进而判断轴承的工作状态。实验结果表明，该方法能简单有效地识别滚动轴承故障。