齿轮故障诊断的小波分析方法

在齿轮故障监测与诊断中，故障特征提取是诊断的关键，而特征提取的方法也是多种多样的。利用双正交小波基将齿轮的故障振动信号分解到时频域，并提取出齿轮的故障特征。同时结合MATLAB编程语言检验小波在齿轮故障检测中的应用效果。     

基于谱熵的齿轮故障诊断方法研究

齿轮故障诊断中,采用何种有效的方法对随机动态信号进行分析和特征提取是关键所在。在实际工程当中所采集到的系统信号不可避免地受到噪声的污染,所以普通的一些处理方法如功率谱分析法等,对噪声的存在很敏感,检测分析结果往往不很理想,且很难准确区分故障。谱熵方法从统计学理论入手,反映了信号的无序性,对噪声具有一定的鲁棒性。本文将谱熵理论引入到机械齿轮传动系统中,对齿轮发生的裂纹、磨损故障进行了特征提取、区分与诊断,并与正常齿轮进行了对比,分析模拟和实验结果表明,效果良好,识别诊断的精度在90%以上,为机械齿轮传动系统的故障识别与诊断提供了一种有效方法。     

齿轮传动系统故障诊断技术的研究进展

齿轮传动系统是应用最广的运动或动力传递装置,如车辆、机械、航空、航天、冶金、电力、煤炭、石化、核能等许多行业中的关键机械设备。一旦发生故障就将引起机械设备失效。如果对其提前进行诊断就可以有效地避免意外事故发生,消除续发损坏,节约大量维护费用。针对近年来国内外学者在齿轮传动系统故障诊断技术领域的研究成果,重点阐述了其故障特征提取和模式识别方法的研究现状,并对进一步的研究问题进行了展望。     

一种基于SVM和EMD的齿轮故障诊断方法

支持矢量机(Support vector machine,SVM)有比神经网络更强的泛化能力,且能保证找到的极值解就是全局最优解,同时它还较好地解决了小样本的学习分类问题。针对齿轮振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和支持矢量机的齿轮故障诊断方法。首先对原始信号进行经验模态分解,将其分解为多个平稳的固有模态函数(Intrinsic mode function,IMF)之和,然后对每一个IMF分量建立AR模型,最后提取模型的自回归参数和残差的方差作为故障特征矢量,并以此作为SVM分类器的输入参数来识别齿轮的工作状态和故障类型。试验结果表明,在小样本情况下仍能准确、有效地对齿轮的工作状态和故障类型进行分类。     

S能量分布特征和SVM在齿轮故障诊断中的应用

准确提取振动信号特征,是齿轮故障诊断的关键问题。为此,提出了一种基于S变换能量分布特征和SVM的故障诊断方法。首先对齿轮故障信号进行S变换得到时频矩阵,然后利用该矩阵构建能量分布特征。最后建立SVM齿轮故障识别模型,将对应的特征样本输入到模型中进行训练和识别,以达到对齿轮故障的准确分类。将所提出的方法应用于齿轮故障检测和诊断。通过实际故障实验数据对所提方法进行了验证。结果表明,该方法能够有效地降低噪声的影响,能够准确地识别齿轮故障,具有较高的准确率和使用价值。     

基于改进特征选择方法的齿轮故障SVM诊断

为提高齿轮故障诊断的精度,对常用的共享特征选择方法(Share feature selection,SFS)进行改进,提出了改进的特征选择方法(Improved feature selection,IFS).改进的特征选择方法结合齿轮两两故障类型之间的特点,在齿轮两两故障之间建立独立的故障特征集,用以取代所有故障类型的...     

基于EEMD、模糊熵和SVM的齿轮故障诊断方法

齿轮故障信号具有不平稳特性,故障信号特征向量难提取,典型的齿轮故障数据样本少。针对这些问题,提出基于总体平均经验模式分解(EEMD)、模糊熵和支持向量机(SVM)相结合的诊断方法。首先通过传感器采集得到加速度信号,然后,通过EEMD降低模态混叠,并将加速度信号分解成多个稳定的本征模态函数信号(IMFs)。其次,利用模糊熵能够表现信号复杂程度并且稳定的性质,取多个稳定IMFs的前几项计算模糊熵。因为SVM能够在小样本集情况下建立决策规则,所以将IMFs的前几项模糊熵值作为特征向量输入SVM训练。最后,SVM算法与常用神经网络比较,对样本训练、测试并诊断故障,说明SVM算法优于神经网络。齿轮故障诊断实验结果表明,所提出的方法诊断准确率达92.5%,可实现齿轮故障信息提取和齿轮故障的有效诊断。     

基于倍频能量与RBF、SVM的齿轮皮带系统故障诊断

为实现对不同工况下的齿轮皮带系统中不同齿轮故障的诊断与分类,将不同故障状态的齿轮和不同松紧程度的皮带组合进行多状态模拟实验,采集各种状态下的齿轮振动信号,提取具有明确物理意义的振动信号倍频能量作为特征向量,最后分别采用径向基函数(Radial Basis Function,RBF)神经网络和支持向量机(Support Vector Machine,SVM)对不同皮带张紧状态下齿轮故障进行诊断分类,并将两种方法诊断的结果进行比较。研究结果表明,振动信号的倍频能量能够较好地反映齿轮的故障特征,RBF神经网络和SVM都能有效地识别齿轮的故障类型,SVM对于齿轮皮带系统的故障诊断准确率相对更高。     

基于特征融合和稀疏表示的齿轮故障诊断

提出了基于特征融合和稀疏表示的机械故障诊断方法。用小波包分解齿轮振动信号,提取各频带的能量,组成初始特征向量。为了去除初始特征向量中的冗余信息,采用核主元分析进行特征融合,对初始特征向量进行降维,将降维之后的特征向量进行归一化,作为稀疏表示分类的输入。齿轮故障诊断实验表明,所提方法能较好地诊断出齿轮不同类型的故障。     

基于LCD信息熵特征和SVM的机械故障诊断

提出了一种基于局部特征尺度分解(LCD)信息熵特征和支持向量机(SVM)相结合的机械故障诊断方法。首先采用LCD对振动信号进行分解,得到若干个具有物理意义的内禀尺度分量(ISC);结合信息熵理论,从时域、频域和时频域3个角度分别定义了时域奇异谱熵、频域功率谱熵以及时频域的特征空间熵、边际谱熵和瞬时能量熵,并将这些熵值组成特征向量;最后通过SVM对特征向量进行分类识别。轴承故障诊断的实例表明,基于LCD信息熵特征和SVM相结合的方法能够准确地对轴承故障信号进行识别,并且效果要好于EMD信息熵特征和SVM结合的方法。     

基于IITD样本熵和支持向量机的齿轮故障诊断方法

基于ITD方法的线性变换和Akima插值,提出了一种改进的固有时间尺度分解方法(Improve Intrinsic Timescale Decomposition,简称IITD)方法。齿轮振动信号具有非平稳特征,其典型的故障样本难以获取,为此进一步提出了一种基于IITD样本熵和支持向量机的齿轮故障诊断方法。采用IITD法对非平稳的原始加速度振动信号进行分解,并提取包含主要故障特征信息的PR分量,将其样本熵值作为特征向量;然后将特征向量输入到支持向量机中识别齿轮的故障特征。实验分析结果表明:相比BP神经网络,能更有效地应用于齿轮的故障诊断。     

基于PCA和改进型SVM的齿轮裂纹故障诊断方法

由于齿轮裂纹特征难于提取,且常用的特征分类方法易于出现局部最优和过拟合的问题,本文提出了基于主成分分析法(Principal Component Analysis,PCA)和改进型支持向量机(Support Vector Machine,SVM)的齿轮裂纹故障诊断方法.该方法的主要特点是通过PCA方法对齿轮箱振动信号的...     

基于CEEMDAN排列熵与SVM的螺旋锥齿轮故障识别

针对轮齿振动信号识别诊断困难的问题,提出以自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,简称CEEMDAN)排列熵为敏感特征量,通过支持向量机(support vector machine,简称SVM)进...     

一种基于支持向量机的齿轮箱故障诊断方法

提出了一种基于多分类支持向量机(简称MSVM)的齿轮箱故障诊断方法。先根据齿轮箱故障机理和振动特点,探讨了齿轮箱故障诊断试验方案。再测取齿轮箱振动信号,并提取了能反映齿轮箱运转信息的时频域特征参数。通过结合投票法和决策树的基本思想,有针对性地构造了多分类支持向量机决策结构并将其应用于齿轮箱故障诊断。实际齿轮箱故障诊断试验结果表明,该决策结构较好地解决了小样本学习问题,避免了人工神经网络进行诊断时出现的过学习、收敛速度慢、泛化能力弱等缺点,能有效应用于齿轮箱故障诊断。     

双谱估计结合EEMD的齿轮故障特征提取

以实测齿轮箱振动信号为分析对象,对锥齿轮系统进行故障特征提取。通过总体平均经验模态分解(EEMD)将采集到的振动信号进行分解,对比分析原始信号功率谱密度特性和各本征模态函数(IMF)频谱特性,抽取相关频带的IMF分量进行信号重构;对重构信号利用直接法进行双谱估计,计算重构信号的双谱熵和非高斯性强度并分析其随试验时间的变化趋势。结果表明,双谱熵和非高斯性强度可以有效反映齿轮运行实时状况,可作为故障诊断和趋势预测的故障特征值。     

基于混沌步长果蝇算法优化支持向量机的齿轮故障诊断

为提高齿轮的故障诊断精度,同时针对果蝇算法(FOA)用于优化支持向量机(SVM)参数时存在陷入局部最优的不足,对FOA算法中搜索步长的确定方式进行了改进,以此提出了基于混沌步长果蝇算法(CSFOA)的齿轮故障诊断方法.齿轮故障诊断实例结果表明,CSFOA优化得到的SVM参数比FOA更优,有效地提升了齿轮故障诊断的精度,...     

[设备健康管理]深度置信网络在齿轮故障诊断中的应用

针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法。首先利用深度置信网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后通过DBNs的复杂映射表征能力对故障信号进行故障判别。诊断实例表明,若不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,故障识别正确率只能达到 60%左右;如果对时域信号进行简单的傅里叶变换后,再利用 DBNs 对处理后的振动信号频谱进行诊断分析,正确率能达到 99.7%,从而证明了所提故障诊断方法的简易性和有效性。