基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断

在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明：SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。     

基于函数型数据时间序列建模的齿轮破损图像识别

当前齿轮破损图像识别未拟合周期性动作捕捉数据,导致齿轮破损图像的识别效率较低,图像边缘轮廓中细节信息丢失,造成识别误差较大、识别效果较差。提出基于函数型数据时间序列建模的齿轮破损图像识别方法,通过小波变换方法提取齿轮破损图像中存在的低频成分,做双直方图均匀化处理,采用高斯高通滤波器提取齿轮破损图像中存在的高频成分,增强齿轮破损图像中存在的细节信息,利用函数型数据分析方法拟合动作捕捉数据,根据获取的数据构建周期时间序列,获得隐马尔可夫模型,通过最大似然估计函数,计算获得测试模型与样本之间的匹配度,实现齿轮破损图像的识别。实验结果表明,所提方法的识别误差较小,识别效果较好,能够有效提高齿轮破损图像的识别效率。     

基于变分模态分解和ANFIS的齿轮故障诊断

针对齿轮振动信号的传递路径复杂,噪声污染严重,故障特征信息微弱等问题,提出了基于变分模态分解和自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)的故障诊断方法。将原始振动信号利用变分模态分解得到不同尺度的本征模态函数后,通过提取各模态函数的排列熵,构造出表征模态分量信息的特征向量,并将提取的特征向量输入自适应神经模糊推理系统进行训练,建立齿轮故障诊断模型。最后通过齿轮实验故障数据对模型进行验证,并与支持向量机(Support Vector Machine,SVM)识别方法进行对比,结果表明,提出方法具有很强的学习能力,能够有效地对齿轮故障进行诊断,提高故障识别的准确率,识别效果明显优于SVM。     

基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.     

EEMD与HMM在齿轮故障诊断方法中的研究

为了解决EMD方法存在的模态混叠的问题,更加精确有效的利用振动信号进行齿轮的故障识别和诊断,提出一种将总体平均经验模态分解(EEMD)和隐马尔科夫模型(HMM)结合的齿轮故障诊断方法。首先对采集到的原始齿轮振动信号进行EEMD处理,获得包含主要故障信息的各阶固有模态函数(IMF)分量,以能量为元素,提取并构造特征向量,对特征向量进行HMM模型训练和诊断测试,来识别齿轮的工作状态和故障类型,实验结果表明,该方法可以有效提高齿轮的故障诊断准确率和精度。     

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ELMD能量熵与PSO-SAE的齿轮故障诊断研究

齿轮发生不同的故障会导致不同频带内的信号能量值发生改变,因此可通过计算不同振动信号的能量熵判断齿轮是否发生故障,而针对复杂多变的工况和噪声的干扰而导致的齿轮振动信号的非线性、非平稳性且由于数据量大等问题。传统的信号分析方法,已无法表征丰富,海量的信号信息与复杂的多元非线性信号关系。故本文提出基于ELMD能量熵与PSO-SAE的齿轮故障诊断研究。该研究首先对原始信号进行ELMD分解,得到若干个乘积函数(PF);其次,对ELMD分解结果的前7个PF进行求取能量熵作为特征样本。最后进入一个经粒子群优化后的深度学习网络即堆叠自动编码机网络(PSO-SAE)对特征样本分类。实验中,将PSO-SAE与两类常用支持向量机分别进行识别精度与运行时间的对比。实验结果证明,所提研究方案可很好地应用在齿轮故障诊断研究中。