基于证据理论的齿轮故障诊断

针对传统方法在齿轮故障诊断中可靠性不高的问题,提出了基于证据理论的混合诊断算法.根据齿轮故障特征向量,采用两个并行的BP神经网络进行局部故障诊断,获得彼此独立的证据.再用证据理论对各证据进行融合,最终实现对齿轮的故障诊断.实例结果表明,该方法可充分利用各种故障的冗余和互补信息,有效地提高诊断的可信度.     

基于稀疏注意力机制的齿轮早期磨损故障诊断研究

在齿轮故障诊断领域中，对齿轮早期磨损故障实现有效诊断具有重要意义。然而，早期磨损故障特征弱，诊断难度大。针对该问题，提出了一种基于稀疏注意力机制的齿轮早期磨损故障诊断模型，采用一种新的稀疏注意力机制结合卷积神经网络，改进传统分段序列注意力机制，实现了具体故障频率定位。应用齿轮箱故障模拟实验数据进行测试验证，相比其他诊断方法，所提方法能够在同等样本条件与计算代价下，实现更为准确全面的诊断，降低分析成本，获得敏感故障特征频率，为齿轮维护提供数据支撑。     

基于元学习技术的变工况齿轮故障诊断方法

在变工况齿轮故障诊断过程中，存在齿轮运行工况多变、故障样本数据少、数据分布性差异大和故障数据非均衡性等问题，导致传统的深度学习模型通用性差、诊断准确率不高。针对这些问题，提出了一种基于元学习技术的变工况齿轮故障诊断(VWFD)方法(模型)。首先，采用重叠采样技术，对齿轮的原始振动信号进行了重采样，增加了故障样本的数量；其次，对重采样的故障数据进行了短时傅里叶变换(STFT),将其转化为时频特征图，使其数据形式更加符合模型的输入，以便于后续提取更完善的故障特征；然后，将Inception模块引入到基于元学习技术的原型网络中，以提高其特征表达能力，获取更加全面的齿轮故障特征信息；最后，基于优化的原型网络，建立了各类故障的度量类原型，采用度量分类器进行了故障分类，对变工况下的齿轮故障进行了诊断；为了验证VWFD模型结构与Inception模块引入位置和数量的合理性，设计了一系列对比实验，并对实验结果进行了分析。研究结果表明：与采用其他故障诊断方法得到的结果相比，采用VWFD方法所得到的诊断精度更高，如在相同负载、不同转速变工况类型下的5-way 5-shot实验组中，VWFD的平均诊断精度高...     

齿轮故障诊断技术的应用

简述了齿轮故障诊断的原理，并通过冷轧厂开卷机齿轮故障的诊断实例，阐述了齿轮故障诊断的方法，并进一步说明了齿轮故障诊断技术在现场中的应用。     

基于神经网络的齿轮故障诊断专家系统

基于齿轮典型故障机理及其信号特征,采用时域、幅值域与频谱分析相结合的诊断方法,建立了齿轮故障诊断神经网络模型,试验验证模型诊断结果具有较高准确性。基于Windows平台和Visual C＋＋语言,开发了基于神经网络的齿轮故障诊断专家系统,将传统的时频信号分析理论与现代小波分析、神经网络和专家系统技术融入齿轮故障诊断之中,形成一个更加完善基于神经网络的齿轮故障诊断专家系统。     

基于BP神经网络对减速箱齿轮副的故障诊断与仿真研究

齿轮故障诊断的基本方法是利用振动信号,通过提取特征信息,比较各次测量中的差异进行诊断。根据BP神经网络诊断方法,运用虚拟样机技术建立齿轮模型,模拟各种各种故障,提取振动信号,然后给出BP神经网络训练的特征频率,使其对数据进行分析学习。当输入待诊断样本后,BP网络对数据进行对比分析得出诊断结果。经过仿真检验表明该方法对减速箱齿轮副的故障诊断有效,对其他旋转机械的故障诊断和维修保养也具有一定的实用价值。     

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DNA优化的BP网络在齿轮故障检测中的应用

齿轮是汽车中的一个重要部件,齿轮故障在汽车故障中占有重要比例,因此对齿轮的故障进行早期诊断具有重要意义.文中利用BP网络建立故障诊断模型,然后采用DNA算法来优化BP网络的权值和阈值,最后通过实验证明,这种方法可以对齿轮故障进行成功诊断.     

倒频谱分析法及其在齿轮箱故障诊断中的应用

分析了齿轮传动箱振动特点，介绍了倒频谱分析的定义、诊断特点及该方法在齿轮传动箱故障诊断中的独到优点，并且举出了倒频谱分析方法在齿轮及齿轮传动箱故障诊断中的应用实例。     

基于高阶倒谱熵的齿轮故障诊断

在高阶统计量的基础上提出了高阶倒谱的概念,利用信息熵作为其结果的量化指标,应用于齿轮的故障诊断中。由于高阶倒谱同时具备了高阶统计量和倒谱的优点,因此在进行齿轮的故障诊断中具有其独特的优越性,对齿轮的故障反应灵敏,可以用于实现齿轮的早期故障识别;结合其他诊断方法,能够更好地获得齿轮的在线运行状态和故障分析结果。     

Gear fault diagnosis under variable conditions with intrinsic time-scale decomposition-singular value decomposition and support vector machine

The gear vibration signal is nonlinear and non-stationary, gear fault diagnosis under variable conditions has always been unsatisfactory. To solve this problem, an intelligent fault diagnosis method based on Intrinsic time-scale decomposition (ITD)-Singular value decomposition (SVD) and Support vector machine (SVM) is proposed in this paper. The ITD method is adopted to decompose the vibration signal of gearbox into several Proper rotation components (PRCs). Subsequently, the singular value decomposition is proposed to obtain the singular value vectors of the proper rotation components and improve the robustness of feature extraction under variable conditions. Finally, the Support vector machine is applied to classify the fault type of gear. According to the experimental results, the performance of ITD-SVD exceeds those of the time-frequency analysis methods with EMD and WPT combined with SVD for feature extraction, and the classifier of SVM outperforms those for K-nearest neighbors (K-NN) and Back propagation (BP). Moreover, the proposed approach can accurately diagnose and identify different fault types of gear under variable conditions.     

Multiclass fault diagnosis in gears using support vector machine algorithms based on frequency domain data

As a dominant machine learning method, the support vector machine is known to have good generalization capability in its application of the multiclass machine–fault classification utility. In this paper, an application of the SVM in multiclass gear–fault diagnosis has been studied when the gear vibration data in frequency domain averaged over a large number of samples is used. It is established that the SVM classifier has excellent multiclass classification accuracy when the training data and testing data are at identical angular speeds. However, this method relies on the availability of both the training and testing data at that particular angular speed of the gear operation. But the training data may not always be available at all angular speeds of the gear. Hence, two novel techniques, namely the interpolation and the extrapolation methods, have been proposed; these techniques that help the SVM classifier perform multiclass gear fault diagnosis with noticeable accuracy, even in the absence of the training data at the testing angular speed. This method is based on interpolating and extrapolating the training data at angular speeds near the speeds of the test data. In this study effects of choice over different kernels and parameters of SVM on its overall classification accuracy has been studied and optimum values for these are suggested. Finally, the effect on length of training data and data density on the SVM accuracy is also presented.     

基于小波包的齿轮故障检测与分析

在齿轮故障的监测诊断中,利用小波包对信号的高分辨率把信号分解到不同频段,然后选择有效频段来提取齿轮传动的故障信息特征。实验表明,该方法能对齿轮的故障特征进行有效的监测。     

OLAP技术在齿轮故障特征分析中的运用

在Microsoft的SQ Server2000平台上，对从实验室采集的4对不同齿轮副的故障信号建立数据库，由此建立一个齿轮故障情况数据仓库，采用OLAP技术构造一个判断齿轮故障类别的决策模型，并利用该模型去分析未知故障的齿轮信号，支持齿轮箱的诊断决策。诊断结果有较高的可信度，说明OLAP技术在机械设备故障的诊断决策中有实用价值。     

风电齿轮箱故障诊断的SVM参数优化

针对风电齿轮箱易出现齿轮断齿、点蚀、磨损等故障问题,提取风电齿轮箱非平稳非线性振动信号的提升小波包能量熵,利用支持向量机(SVM)进行故障诊断。为提高算法的分类精度,利用遗传算法对参数进行优化处理,试验结果表明,优化后获得的最佳参数能够提高SVM测试样本的预测精度。     

基于LCD和KNNCH分类算法的齿轮故障诊断方法

提出了一种基于局部特征尺度分解(LCD)和核最近邻凸包（KNNCH）分类算法的齿轮故障诊断方法。该方法采用LCD对齿轮原始振动信号进行分解得到若干内禀尺度分量(ISC),然后提取包含主要信息的ISC分量的能量作为特征向量输入到KNNCH分类器,根据其输出结果来判断齿轮的工作状态。实验分析结果表明,所提出的方法能有效地提取齿轮故障特征信息,而且在小样本的情况下仍能准确地对齿轮的工作状态进行识别。同时,与支持向量机(SVM)算法的对比分析结果表明,KNNCH算法能取得与SVM算法相当或更高的正确识别率。     

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。     

基于SVM和BP神经网络的轴系故障诊断

阐述SVM（support vector machine）和BP（back propagation）两种神经网络的基本原理和算法,将其应用于柴油机轴系的故障诊断与识别,建立轴系故障的SVM故障诊断模型,并与BP神经网络进行对比分析研究。结果表明,SVM和BP神经网络都具有精度较高的故障识别能力,但SVM整体性能优于BP神经网络,具有较快的训练速度和较强的非线性映射能力,非常适用于轴系的状态监测和故障诊断。     

VMD能量熵与随机森林相结合的齿轮故障诊断

针对齿轮故障的非线性、非稳定性特点和单个分类器在故障诊断中准确率低的问题,提出了一种基于变分模态分解(VMD)和随机森林(RF)的齿轮故障识别方法。首先,采用变分模态分解将振动信号分解成有限个本征模态函数(IMFs),并与总体平均经验模态分解对比其分解效果;其次,计算各模态函数的能量熵,将能量熵作为评判齿轮状态的标准,构建特征向量;最后,将特征向量输入随机森林进行故障分类。结果表明,与支持向量机(SVM)识别方法对比,该方法具有较强的学习能力以及较高的诊断精度。     

基于奇异值分解和支持向量机的转子故障诊断

为了准确识别转子不平衡、不对中、碰摩和油膜涡动等故障,利用小波分析对转子故障信号进行4层分解,将频率由高到低的5个分支信号作为奇异值分解（Singular Value Decomposition,SVD）矩阵的行向量,经奇异值分解后得到信号的故障特征值。通过支持向量机（Support Vector Machine,SVM）在选择不同的核函数和结构参数下比较其对转子故障诊断结果的影响。结果表明在选择最优SVM模型和参数的基础上,对SVD获得的故障特征值进行诊断,得出了准确的诊断结果。