离心泵故障诊断的对称极坐标变换和图像形状特征方法

针对基于时频变换图像特征的机械故障诊断方法耗时长、诊断精度不高等问题，提出基于对称极坐标变换和图像形状特征的离心泵故障诊断新方法。该方法以对称极坐标变换（Symmetrized Dot Pattern，SDP）为基础，通过简单的公式将一维振动信号转换为二维极坐标下的对称花瓣图像，而后进行对称花瓣图像的形状特征提取，以此作为离心泵故障特征，实现离心泵故障诊断。SDP方法计算简单，且故障辨识度高，因此可以在耗时更短的情况下得到更高的故障诊断精度。离心泵故障诊断实例表明，所提方法诊断精度更高，耗时更短。为离心泵的故障诊断提供一种新方法。     

基于VMD-SDP融合图像和CNN的往复压缩机故障诊断

为提高往复压缩机的故障诊断精度，结合变分模态分解（Variational Mode Decomposition,VMD）、SDP变换和卷积神经网络（Convolution Neural Networ,CNN），提出基于VMD-SDP融合图像和CNN的往复压缩机故障诊断新方法。方法第一步通过VMD将信号自适应分解成6个本征模态函数分量（Intrinsic Mode Functions,IMF），第二步通过SDP变换将6个IMF分量变换成极坐标下的图像，从而得到VMD-SDP融合图像，第三步通过CNN对VMD-SDP融合图像进行识别，得到最终的诊断结果。往复压缩机诊断实例结果表明，所提方法在耗时更少的情况下，得到100%的诊断精度，比其他几种方法更具优势。     

局部均值分解和排列熵在行星齿轮箱故障诊断中的应用EI北大核心CSCD

目前行星齿轮箱已经在军用和民用装备中广泛应用,研究行星齿轮箱的故障诊断方法意义重大。针对行星齿轮箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,提出一种结合局部均值分解和排列熵的行星齿轮箱故障诊断方法。利用局部均值分解方法将不同状态下的振动信号分解为多个乘积函数分量,针对包含有故障信息的分量进行排列熵计算,以此判断故障类型。最后通过采集行星齿轮箱故障模拟试验台三种状态(齿轮正常、太阳轮裂纹故障及行星轮裂纹故障)的振动信号,对其进行局部均值分解和排列熵计算,验证了此方法的有效性。     

局部均值分解和排列熵在行星齿轮箱故障诊断中的应用

目前行星齿轮箱已经在军用和民用装备中广泛应用,研究行星齿轮箱的故障诊断方法意义重大。针对行星齿轮箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,提出一种结合局部均值分解和排列熵的行星齿轮箱故障诊断方法。利用局部均值分解方法将不同状态下的振动信号分解为多个乘积函数分量,针对包含有故障信息的分量进行排列熵计算,以此判断故障类型。最后通过采集行星齿轮箱故障模拟试验台三种状态(齿轮正常、太阳轮裂纹故障及行星轮裂纹故障)的振动信号,对其进行局部均值分解和排列熵计算,验证了此方法的有效性。     

基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断

摘 要：为了提高齿轮箱轴承故障识别率，提出基于核独立分量分析（KICA）、广义辨别分析（GDA）与最小二乘支持向量机（LSSVM）的轴承故障识别方法。首先将轴承故障振动信号的谱峭度、信息熵等故障特征作为原始特征向量，通过KICA方法将原始特征向量映射到核特征空间,从而去掉不同故障特征间的冗余并消除原始特征向量间的相关性。然后利用GDA方法对故障特征进行非线性融合，并构造新的特征向量。最后，将新的特征向量作为LSSVM分类器的输入，并实现轴承的故障分类。齿轮箱滚动轴承故障诊断试验结果表明：KICA-GDA和LSSVM的故障诊断方法可以识别出更多的轴承故障信息，且提高了LSSVM的分类性能，该方法相对于直接采用LSSVM进行分类的轴承故障方法具有更优秀的分类性能。     

基于一维深度残差收缩网络的汇流行星排齿轮裂纹故障诊断EI北大核心CSCD

装甲车辆汇流行星排出现裂纹时,箱体表面振动信号干扰较多,常见的故障诊断方法存在偏差。为此,提出一种利用一维深度残差收缩网络的汇流行星排齿轮裂纹故障诊断模型;其特点是将注意力机制与软阈值化结合,增强有用信息,抑制冗余信息,并将其引入到残差神经网络中,显著提高模型特征提取的能力;为验证该模型的可行性,采集了行星轮四种不同程度裂纹的振动信号作为样本用于故障诊断。结果表明,针对汇流行星排齿轮箱振动信号该方法可以在更短的时间取得更高的准确率,相较其他方法,可以取得更好的分类结果。     

行星齿轮箱齿轮磨损故障诊断

为解决行星齿轮箱故障诊断方法专业性要求高、计算过程复杂以及模型训练时间长等问题,提出一种基于PCA-EDT-DBN的行星齿轮箱故障诊断新方法。利用PCA分析多个传感器采集到的振动信号并根据需求取每列信号的前p个主成分,将每列信号的前p个主成分合成一维序列。计算每两列数据前p个主成分之间的欧氏距离得到距离矩阵,将该矩阵按序展开成一维序列。将得到的两个一维序列合成一个一维序列作为样本输入到DBN中对模型进行训练,再有新样本输入到训练好的模型中则可智能地给出分类结果,从而实现对设备的故障诊断。此外,为提高模型诊断准确率,提出利用正交试验对DBN参数进行优化。利用行星齿轮箱齿轮磨损预置故障实验数据验证了该方法的有效性,结果表明该方法诊断准确率高、训练时间短且计算过程简单。     

基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断

摘 要：为了提高齿轮箱轴承故障识别率,提出基于核独立分量分析（KICA）、广义辨别分析（GDA）与最小二乘支持向量机（LSSVM）的轴承故障识别方法。首先将轴承故障振动信号的谱峭度、信息熵等故障特征作为原始特征向量,通过KICA方法将原始特征向量映射到核特征空间,从而去掉不同故障特征间的冗余并消除原始特征向量间的相关性。然后利用GDA方法对故障特征进行非线性融合,并构造新的特征向量。最后,将新的特征向量作为LSSVM分类器的输入,并实现轴承的故障分类。齿轮箱滚动轴承故障诊断试验结果表明：KICA-GDA和LSSVM的故障诊断方法可以识别出更多的轴承故障信息,且提高了LSSVM的分类性能,该方法相对于直接采用LSSVM进行分类的轴承故障方法具有更优秀的分类性能。     

基于多变量多尺度模糊熵的行星齿轮箱故障诊断

行星齿轮箱被广泛用于风电、直升机和工程机械等大型复杂机械装备中。当行星齿轮箱发生故障时,振动信号往往表现出非线性和非平稳特征,多尺度熵理论能够有效地衡量振动信号的非线性和复杂性变化。同时为了尽可能地利用多通道振动信号信息来提高故障诊断的效率,将评价同步多通道数据多变量复杂度的多变量多尺度熵理论引入到行星齿轮箱故障诊断。针对其统计特征稳定性差的问题,提出了多变量多尺度模糊熵,并在基础上,提出了一种新的行星齿轮箱故障诊断方法。将提出的方法应用于行星齿轮箱故障试验数据分析,并与现有方法进行对比,结果表明了所提方法的有效性和优越性。     

一种基于行星齿轮箱复合运动的故障诊断指标

行星齿轮箱广泛应用于风力发电、航空、船舶等大型工程机械中,恶劣的工作环境使得其中的关键部件容易出现严重的磨损或疲劳断裂等故障。现有的故障诊断方法大多在时、频域中对信号进行处理,然而由于行星齿轮箱振动响应信号频率成分的复杂性和故障传递路径的时变特性,使得传统的针对定轴转动齿轮系统的故障诊断方法很难有效的对行星齿轮箱进行故障诊断;抓住行星齿轮系统复合运动的突出特征,结合故障振动传递路径的时变特性,提出了一种基于故障运动特征的潮汐频率特征指标对行星齿轮箱进行故障诊断。通过对行星齿轮箱太阳轮局部故障的振动数据分析,验证了潮汐频率指标的存在,分析了潮汐频率作为行星齿轮箱故障诊断指标的优势和前景。     

基于NeighCoeff和Hilbert包络分析的行星齿轮箱太阳轮故障诊断

针对行星齿轮箱的振动信号易受噪声干扰、信号成分复杂以及太阳轮易发生故障的问题,提出了基于小波相邻系数(Neigh Coeff)和Hilbert包络相结合的行星齿轮箱太阳轮故障诊断方法。建立了太阳轮局部故障的振动信号仿真模型,模拟噪声干扰下的太阳轮故障,利用Neigh Coeff对含噪信号降噪,对降噪后的信号进行Hilbert包络解调处理。仿真结果可得到更为清晰的频谱,证明该方法能够有效提取受噪声影响的故障特征频率。将该方法应用到行星齿轮箱太阳轮的故障诊断实验中,通过对太阳轮正常、断齿和磨损三种故障下振动信号进行实验,准确识别太阳轮故障,结果表明应用该方法能够有效地提高太阳轮故障诊断的准确性。     

基于EEMD和Teager能量算子的行星齿轮箱故障特征提取研究

针对行星齿轮箱振动信号故障特征提取困难、幅值和频率调制明显等问题,提出一种基于集合经验模态分解(EEMD)和Teager能量算子的行星齿轮箱故障特征提取方法。新方法首先利用EEMD分解样本信号得到若干本证模量函数(IMF),计算各IMF与原始信号的相关系数和欧式距离,筛选出能够表征原始信号特征的分量。其次,计算筛选后各IMF分量的Teager能量算子,将计算结果进行信号重构。最后,提取重构信号模糊熵及其对应概率密度函数的波形指标,作为基本特征参数进行故障诊断。将所提方法应用于行星齿轮箱实验数据分析,并与常用特征提取方法对比,结果表明:所提出的新方法不仅能有效区分行星齿轮箱故障类型和程度,且识别率优于所对比的方法。     

基于角域加窗同步平均的太阳轮故障检测方法

行星齿轮箱广泛应用于风电机组等大型装备中,其振动特征提取在故障诊断领域有重要意义。但由于存在非平稳、调制、传递路径复杂、传递路径具有时变特性等特点,常规定轴齿轮箱的同步平均技术不直接适用。在原有行星齿轮箱加窗时域平均方法基础上提出一种适合时变传递路径及变速工况的角域加窗同步平均技术,从中提取有用信号同时降低传输路径的影响。由计算阶比跟踪对时域加窗振动信号进行等角度重采样,转换为角域准平稳信号,然后进行同步平均。将该方法对行星齿轮箱故障实测振动信号进行了分析,实验结果表明,所提出方法能够有效地提取行星齿轮箱太阳轮故障的特征信息。     

Hilbert-Huang变换在行星齿轮箱故障诊断中的应用

提出了一种基于Hilbert-Huang变换的行星齿轮箱轴承故障诊断的新方法,叙述了该方法的基本原理.测量了行星齿轮箱轴承的故障振动信号,并用经验模态分解方法将振动信号分解成不同特征时间尺度的固有模态函数,然后对固有模态函数进行边际谱和能量谱分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.     

时频脊融合方法及时变工况行星齿轮箱故障识别

行星齿轮箱的瞬时频率(转速)精确提取是行星齿轮箱时变运行工况下故障诊断的关键。现有一些时频脊提取算法在提取瞬时频率时受到振动信号幅值变化以及时频变换结果中噪声成分的干扰,存在鲁棒性问题。为了解决这一问题,提出了一种双向搜索时频脊融合方法,并且将其进一步推广到多时频脊融合的概念中。然后,应用提出方法提取实际工程中时变工况行星齿轮箱高速轴的瞬时转速。再通过与现有两种方法对比以及阶次分析,验证了时频脊融合方法提取高速轴转速的可靠性与准确性。最后,在行星齿轮箱转速提取的基础上,利用阶次分析以及推导出的行星轮轴承故障频率的计算式,识别出了行星齿轮箱中的行星轮轴承内圈存在故障。     

行星齿轮箱振动信号特征提取新方法

与轴承、定轴齿轮箱相比,提取行星齿轮箱的故障特征更加困难,且传统方法对行星齿轮箱的诊断效果不好。针对行星齿轮箱故障振动信号的非线性、复杂性等特性,提出一种基于小波包样本熵和均方根值的故障特征提取新方法。该方法首先对原始信号进行连续等长度截取,获得样本信号,再利用小波包变换分解样本信号,计算分解后各频段的样本熵和均方根值,并进行归一化处理。将归一化参数作为加权平均的权重,计算加权平均的样本熵和均方根值。最后将两参数做商得到新参数。故障诊断及抗噪试验结果表明,新特征提取方法能增大行星齿轮箱不同故障特征的区分度且有较好的稳定性,同时新参数具有一定的抗噪性。     

幅值和相位解调的行星架裂纹故障特征提取

在介绍行星架裂纹故障对行星齿轮箱振动信号影响的基础上,结合同步平均、振动分离和窄带解调技术,提出一种基于幅值、相位解调的行星架裂纹故障特征提取方法。该方法对原始振动信号进行角域同步平均,消除转速波动、行星轮等其他旋转部件的影响;通过振动分离技术重构信号,并对重构信号进行同步平均得到行星架振动分离信号;通过窄带解调获得行星架的幅值和相位特征。通过观察幅值和相位的变化,提取行星架裂纹故障特征。行星齿轮箱故障实测信号分析结果表明该方法可有效提取行星架裂纹故障特征。     

多Agent深度Q学习和模糊积分的行星齿轮箱故障诊断

针对深度Q学习中单个Agent对行星齿轮箱进行故障诊断时出现的识别率低问题,利用多个Agent进行策略学习,结合模糊积分对多Agent的决策结果进行融合,提出了基于深度Q学习和模糊积分的行星齿轮箱故障诊断方法。对振动信号进行连续小波变换(continuous wavelet transform, CWT)、S变换(S transform, ST)得到相应的时频特征矩阵,随后利用原始时域数据和得到的时频特征矩阵构建多域环境状态空间,以与多个Agent交互;交互过程中将环境返回的原始时域特征、CWT时频特征,ST时频特征分别作为相应Agent的状态,通过深度Q学习算法最大化每个Agent的Q函数值,得到最优策略;采用模糊积分对多Agent的决策结果进行融合得到最终诊断结果。通过行星齿轮箱故障数据进行验证分析,经过模糊积分进行决策融合的诊断结果优于单个Agent,能够有效提高诊断精度。     

基于阶次分析技术的行星齿轮箱非平稳振动信号分析

行星齿轮箱启动、停止和负载发生变化时,转速会发生变化并使得行星齿轮箱的振动信号具有明显的非平稳特性。行星齿轮箱复杂的结构特征导致了振动信号的复杂性,使得常规的频谱和解调分析方法难以识别时变工况下的行星齿轮箱故障特征频率。本文在行星齿轮箱故障特征频率的基础上,考虑转速变化特征,总结了行星齿轮箱太阳轮、行星轮及齿圈的故障阶次特征表。通过对行星齿轮箱变转速工况下太阳轮故障实验信号的阶次分析,实现了变转速情况下行星齿轮箱太阳轮故障诊断,并与传统的频域信号分析方法比较,体现了阶次分析技术在行星齿轮箱变工况故障诊断过程中的优势。     

基于深度置信网络和对称点模式电机轴承故障诊断研究

电机轴承的健康状态直接影响电机安全、稳定运行。针对电机轴承故障诊断问题,以故障信号可视化和特征自提取为目标,将深度置信网络(Deep Belief Network,DBN)与对称点模式(Symmetrized Dot Pattern,SDP)变换相结合,提出了一种轴承故障可视化及智能诊断方法。首先基于SDP变换将原始轴承振动信号进行可视化表示,基于最大面积函数选择最佳的SDP参数以通过高分辨率图像清晰区分不同轴承状态,并生成相应的轴承故障SDP图像库;然后采用深度置信网络作为数据训练模型以实现故障特征自提取;最后由位于DBN算法模型后的分类器实现轴承故障的有效诊断。实验结果表明,该方法不仅分类率达到98 %以上,而且具有较好的泛化能力和稳定性。该方法为电机轴承故障可视化和智能诊断提供了一种新思路。