GASA-PSO优化算法共振稀疏分解齿轮故障诊断研究#br#

针对齿轮箱齿轮早期微弱故障信号在恶劣工况下信噪比降低、故障特征不明显、提取困难等问题,提出一种基于遗传模拟退火算法与粒子群算法融合的共振稀疏分解故障诊断方法,对成分复杂、存在模态混叠的非平稳齿轮箱振动信号进行分析。建立齿轮箱故障模型,模拟齿轮故障信号,将遗传模拟退火算法与粒子群融合算法对品质因子全局快速寻优,利用最匹配品质因子对齿轮振动信号分离得到高、低共振分量与残差分量,对低共振分量做Hilbert 包络分析,得到冲击脉冲信号,进而对齿轮箱进行故障诊断;利用MATLAB仿真分析与实验证明,所提出的方法可以有效提取齿轮箱早期微弱的故障信号,具有较高的分离精度,实现齿轮微弱故障诊断,证明了该方法的可行性与有效性。     

风力机齿轮箱故障诊断

对齿轮箱做振动测试和分析,通过模式识别找到齿轮箱损坏时呈现的特性,为齿轮箱故障诊断提供依据。     

基于SWD-AVDIF的齿轮箱复合故障诊断方法

针对由噪声干扰和故障强度分布不均引起的齿轮箱复合故障诊断问题,论文提出了基于群分解和平均差值形态算子（Swarm Decomposition- Average Difference Filter,简称SWD-AVDIF）的齿轮箱复合故障诊断方法。首先运用群分解（Swarm Decomposition, 简称SWD）将齿轮箱振动信号分解为若干单一模态振荡分量（Oscillatory Components,简称OCs）;然后对分量进行AVDIF解调,得到SWD-AVDIF解调谱;最后根据解调结果判别故障类型。与EMD对比,仿真信号验证了SWD方法在频率区分能力上的优越性;运用齿轮箱复合故障仿真信号和实验信号进行分析,结果表明该方法能够有效地分离不同故障信号并加强故障特征,为齿轮箱复合故障诊断提供了一种新的方法。     

基于共振稀疏分解和松鼠优化算法的滚动轴承故障诊断

共振稀疏分解方法在滚动轴承故障诊断方面得到广泛应用,分解参数的选取对故障分离效果起决定性影响.为保证参数选择的准确性,提出基于松鼠算法的自适应共振稀疏分解多参数优化方法.以信号低共振分量峭度最大作为目标,使用松鼠算法同时优化共振稀疏分解的品质因子与权重系数;利用最优品质因子和权重系数对滚动轴承振动信号进行共振稀疏分解,...     

基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断

滚动轴承常常在复杂工况下工作,当滚动轴承出现局部故障时,其振动信号中除了与故障信息相关的周期性瞬态冲击成分外,还包含轴转频等谐波成分和背景噪声。因此,在滚动轴承故障早期,对滚动轴承振动信号直接进行包络解调分析往往效果不佳。针对上述问题,提出了基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断方法。该方法首先以信号共振稀疏分解低共振分量的峭度最大为目标,利用遗传算法对信号共振稀疏分解方法的品质因子进行优化,得到最优品质因子;然后利用最优品质因子对轴承振动信号进行信号共振稀疏分解,得到高共振分量和低共振分量;最后对低共振分量进行希尔伯特解调分析,提取轴承故障特征频率,进而诊断滚动轴承故障。仿真信号和试验信号的分析结果表明,该方法能有效提取轴承故障振动信号中的冲击成分,诊断轴承故障。     

基于Hilbert振动分解和高阶能量算子的行星齿轮箱故障诊断研究

行星齿轮箱广泛应用于各种机械设备中,其故障诊断问题是近年来的研究热点之一。提出了基于Hilbert振动分解和高阶微分能量算子的故障诊断方法。Hilbert振动分解计算复杂性低,能够将复杂信号分解为单分量,应用该方法对信号进行分解,满足高阶微分能量算子的要求。高阶微分能量算子的时间分辨率高,对信号的瞬态变化具有良好的自适应性,应用该方法检测故障引起的瞬态冲击,估计信号的幅值包络和瞬时频率。对高阶微分能量算子输出以及幅值包络和瞬时频率进行Fourier变换,通过频谱识别特征频率,从而诊断行星齿轮箱故障。分析了行星齿轮箱的仿真信号和实验信号,准确地诊断了太阳轮、行星轮和齿圈的故障,验证了该方法的有效性。     

局部均值分解在旋转机械复合故障诊断中的应用

针对旋转机械复合故障振动信号的非平稳特征,开展一种基于局部均值分解(local mean decomposition, LMD)的旋转机械复合故障诊断方法研究。该方法首先通过局部均值分解方法将振动信号分解为若干个PF分量(product function)和一个残余分量之和,然后通过计算各PF分量与原始复合故障信号的相关系数来确定包含故障特征信息的主要成分;最后针对主要成分中的低频分量进行频谱分析从而提取轴的故障特征。针对主要成分中的高频分量采用包络谱分析提取调制故障特征,即提取轴承故障特征。对齿轮箱的轴承、轴复合故障振动信号的分析结果表明了该方法的有效性和可行性。     

基于空间相关与自适应滤波的齿轮箱故障诊断

振动信号作为风电机组齿轮箱故障诊断的重要依据,一直是风电机组故障诊断领域关注的研究热点。基于不同频率、不同能量振动信号的传播规律,对齿轮箱上不同测点的振动信号的相关性进行分析,建立以互相关信号为参考信号的自适应滤波模型,利用该模型提取振动信号中的相似成分,进而利用幅值谱分析相似成分,得到更加清晰的转频及其倍频,为齿轮箱的故障诊断提供依据。方法的有效性得到实测振动数据的验证。     

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。     

基于小波包的齿轮箱故障诊断

提出了一种齿轮箱故障诊断的方法,这种方法首先利用小波包提取齿轮箱振动信号的故障特征域,然后计算特征域上绝对值信号的频谱,以正常信号的频谱和特征域上绝对值信号的频谱的相似程度作为齿轮箱故障与否的判据,将齿轮箱的特征频率和特征域上绝对值信号的频谱相比较来判断齿轮箱的故障模式.将此方法应用于齿轮箱断齿故障的诊断表明,这种方法能够准确地诊断出齿轮箱中的冲击故障.     

基于遗传编程的无量纲指标在行星齿轮箱故障诊断中的应用

针对传统的信号处理方法较难获取行星齿轮箱故障特征和有量纲指标在变工况情况下诊断失效的问题,提出将无量纲指标应用于行星齿轮箱故障诊断的方法。首先分别计算行星齿轮箱在不同故障模式下振动信号的七个无量纲指标,然后用遗传编程的方法构建新的复合诊断指标,最后将该复合诊断指标在变载荷、变转速工况下对不同的故障模式进行区分。实验结果表明,该方法可以识别行星齿轮箱在不同工况下的故障状态,验证了其有效性。     

运用免疫遗传算法优化WNN诊断滚动轴承早期故障

针对滚动轴承早期故障特征与故障类别非线性难以有效辨识的问题,设计一种基于免疫遗传算法优化小波神经网络(wavelet neural network,WNN)的滚动轴承早期故障诊断模型。首先对滚动轴承的早期振动故障信号进行EEMD分解,提取分解后的IMF分量能量作为小波神经网络的输入特征向量,采用免疫遗传算法优化小波神经网络的初始权值向量和阈值向量,加快小波神经网络的收敛速度,提高其训练精度。实验结果表明,基于免疫遗传算法优化小波神经网络的早期故障诊断模型可以有效应用于滚动轴承的早期故障诊断中,通过与传统故障诊断方法对比分析,验证了该模型的有效性和优越性。     

基于最大相关峭度解卷积行星齿轮箱微弱故障诊断#br#

最小熵解卷积(MED)是一种常规的微弱故障特征提取方法,对局部故障脉冲有比较好的提取效果,但是对于含有周期性故障脉冲的振动信号,故障特征识别率比较低。微弱故障时候的行星齿轮箱产生的振动信号通常是周期性的,MED不能取得比较好的识别效果。针对行星齿轮微弱故障特征难以提取的问题,将最大相关峭度解卷积(MCKD)方法应用到行星齿轮箱微弱故障特征提取中。MCKD避免了最小熵解卷积对周期性冲击识别度低的缺点,同时可以有效抑制行星齿轮箱中谐波和噪声分量,准确地识别出行星齿轮箱所处状态。为了验证该方法在行星齿轮箱中的应用价值,将两种方法分别应用在传动系统综合诊断平台收集到的振动信号中,结果表明MCKD算法对于行星齿轮箱微弱故障识别有比较好的效果。     

基于遗传算法的弹药仓库布局优化研究

分析了我军弹药仓库布局的现状和存在的问题,通过定性分析,提出了优化弹药仓库布局的设想,建立了优化弹药仓库布局的数学模型,并运用遗传算法定量地分析了优化弹药仓库布局,为解决弹药仓库布局优化问题提供一个新的思路。     

使用GA初始化CGHMM参数的轴承故障诊方法

连续高斯混合密度隐马尔可夫模型(Continuous Gaussian Mixture Hidden Markov Model,CGHMM)在故障诊断领域得到了广泛应用,取得了较好效果。CGHMM训练模型较大、局部最优,但模型参数初始化值会直接影响迭代收敛速度和模型效用。全局最优的遗传算法(Genetic Algorithm,GA)初始化CGHMM模型参数,为CGHMM训练提供了一个好的初始值,不仅可以加快收敛速度,还可以得到一个更好的模型。通过GA初始化CGHMM、CGHMM训练和CGHMM诊断过程等三个方面的仿真实验和比较分析可以得出,该方法具有训练速度快和CGHMM模型好的优点。在最后的CGHMM诊断仿真实验中,该方法诊断精度为100%,高于经典方法的96%,表明GA确实可以成功应用于CGHMM参数初始化,是一种可行的故障诊断方法。     

基于信号共振稀疏分解的包络解调方法及其在轴承故障诊断中的应用

提出了基于信号共振稀疏分解的包络解调方法,并将其应用到轴承故障诊断中.与常规的基于频带划分的信号分解方法不同,信号共振稀疏分解方法根据信号中各成分品质因子的不同,将信号分解成高共振分量和低共振分量.当轴承出现损伤时,振动信号由以包含轴承自身振动的谐振信号、包含轴承故障信息的瞬态冲击信号以及噪声组成.谐振信号为窄带信号,具有高的品质因子,可分解为高共振分量;而瞬态冲击信号为宽带信号,具有低的品质因子,可分解为低共振分量.基于信号共振稀疏分解的包络解调方法首先利用信号共振稀疏分解方法将信号分解成高共振分量、低共振分量及残余分量,再对低共振分量进行包络解调分析,根据包络解调谱进行轴承故障诊断.算法仿真和应用实例表明该方法能有效地提取轴承故障信号中的冲击成分,凸显故障特征.     

基于ASTFA和SDEO解调的行星齿轮箱故障诊断方法

针对行星齿轮箱故障信号的调制特点,提出基于自适应最稀疏时频分析(Adaptive and Sparsest TimeFrequency Analysis,ASTFA)和对称差分能量算子(Symmetric Difference Energy Operator,SDEO)相结合的解调方法,用于提取故障信号的瞬时幅值和瞬时频率信息。采用ASTFA方法分解行星齿轮箱故障信号,得到若干个单分量信号,采用SDEO进行解调,得到各单分量信号的瞬时幅值和瞬时频率,并计算得到包络谱。采用该方法分析行星齿轮箱故障仿真信号和故障实际信号,结果表明,该方法能准确地提取故障特征,实现行星齿轮箱故障诊断。     

基于稀疏表示和SVM的航空发动机故障诊断

针对某型航空发动机减速器一级齿轮毂断裂问题,考虑其不易拆卸的特点,提出基于信号稀疏表示和支持向量机(Support Vector Machine,SVM)的故障诊断算法。首先,利用稀疏表示提取出最大和次大的稀疏系数作为特征向量。其次,选取支持向量机进行故障识别,在小样本学习条件下保持了较高的识别准确率。通过对简易减速器和航空发动机振动信号的分析证明了所提算法的有效性及其在工程应用中的价值。