基于VMD的行星齿轮箱故障特征提取新方法

针对行星齿轮箱振动信号故障特征提取困难的问题,提出一种基于变分模态分解的行星齿轮箱故障特征提取方法。首先利用变分模态分解(VMD)算法对样本信号进行分解,得到若干本征模态函数(imf)。然后,计算各分量与样本信号之间的相关系数和欧氏距离,筛选出表征样本信号特征的有效分量,并计算其Teager能量算子,将计算结果进行重构。最后,针对多尺度模糊熵对信号局部差异不够敏感,提取重构信号的多尺度模糊熵和多尺度能量作为基本参数,进行参数融合构成新指标。将其应用于行星齿轮箱太阳轮和行星轴承故障分析,结果表明:新方法既可以区分行星齿轮箱太阳轮不同故障类型,又能有效识别行星轴承不同位置故障。另外,与现有方法对比,新方法区分效果更好。     

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。     

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。     

基于振动信号时频分解-样本熵的受电弓裂纹故障诊断

构建了基于时频分解-样本熵测度的受电弓振动信号故障特征提取模型。对振动信号进行聚合经验模态分解,接着对分解得到的本征模态函数计算参数优化后的样本熵特征。将获取的故障特征输入基于粒子群参数优化的支持向量机(PSO-SVM)进行受电弓故障识别分析。结果发现,基于受电弓顶管振动信号的EEMD样本熵故障诊断效果较好,而碳滑板振动信号诊断效果较差。针对这一特点,利用二代小波样本熵进行优化,进一步提高了碳滑板振动信号故障诊断结果,验证了现代时频分析算法与信息熵联合的诊断方法在受电弓振动信号特征提取与故障诊断的可行性与有效性。     

基于VMD-DE的坦克行星变速箱故障诊断方法研究

为了提高坦克行星变速箱齿轮故障模式识别准确率,将变分模态分解(VMD)与散布熵(DE)结合提出故障特征提取新方法。利用波形法确定VMD分解层数,VMD分解振动信号得到一组固有模态分量(IMF);根据归一化互信息准则筛选若干IMF重构信号,计算重构信号的散布熵;将重构信号散布熵作为特征值输入到粒子群优化(PSO)的多分类支持向量机(SVM)中实现故障模式识别。通过对坦克行星变速箱的正常、行星轮故障和太阳轮故障三种状态进行模式识别,分类准确率达到100%,且计算时间较短。与基于原始振动信号DE、VMD-SE(样本熵)、VMD-PE(排列熵)及EMD-DE(经验模态分解与DE结合)等方法比较,综合考虑准确率和计算时间两个因素,基于VMD-DE的方法故障诊断性能最佳。     

基于Shannon熵的自适应小波包阈值函数去噪算法研究

小波包去噪算法的关键问题在于对信号进行去噪时,如何有效地消除噪声且尽可能地保留原始信号的小波包系数。传统阈值函数由于无可调节参数,其去噪形式固定,无法根据小波包分解系数的噪声成分自适应地进行调整,去噪效果有待提升。据此,将Shannon信息熵作为调节参数引入小波包阈值函数中,提出一种基于Shannon熵的自适应小波包阈值去噪算法,对信号进行小波包分解并计算最大分解尺度小波包系数的Shannon熵值,依据该值对阈值函数进行调整,以实现在强噪声背景下对小波包系数进行大尺度的收缩,而在弱噪声背景下实现阈值收缩的平滑过渡。采用该方法对仿真信号与轴承振动实验信号进行去噪分析,并与其它小波包阈值去噪算法相对比,结果表明该方法去噪效果更好且在滤除噪声的同时有效地保留了信号的原始特征。     

一种基于小波包样本熵和流形学习的故障特征提取模型

针对机械故障信号的非线性、故障征兆的多样性和复杂性等诊断问题,提出了一种基于小波包样本熵和流形学习的故障特征提取模型。该模型首先利用小波包的分解和重构,计算重构细节信号的样本熵,初步提取滚动轴承故障特征,然后利用流形学习法对初步的样本熵故障特征进行进一步的提取,在保留故障特征的整体几何结构信息的同时降低了特征数据的复杂度,增强了故障模式识别的分类性能。最后通过支持向量机对该模型提取的特征进行分类,通过比较初提取特征和再提取特征分类效果来验证该模型的优越性。     

非线性量子信息熵及其在行星变速箱特征提取中应用

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,将量子理论引入到信息熵的计算中,提出一种全新的特征提取方法-非线性量子信息熵。根据量子理论的基本概念,建立了振动信号的多量子位系统;分析了将量子理论引入到信息熵中的可行性,进而提出了非线性量子信息熵基本原理,并对行星齿轮箱三种运行状态振动仿真信号的非线性量子信息熵进行了分析,说明了量子信息熵作为行星齿轮箱特征的可行性;最后以行星变速箱故障试验台采集到的五种状态信号为例,计算其非线性量子信息熵,并与时频熵和样本熵计算结果对比。结果表明,非线性线性量子信息熵能够有效的提取行星变速箱运行状态特征。     

VMD样本熵特征提取方法及其在行星变速箱故障诊断中的应用

针对行星变速箱故障特征微弱、信号传递路径复杂,传统样本熵特征难以区分其工作状态的问题,提出了结合变分模态分解(VMD)和样本熵的特征提取方法,深入研究了VMD算法中分解尺度和二次惩罚因子的优化策略,给出了基于敏感度最大原则的VMD分解各IMF与原信号相关系数阈值的确定方法。在行星变速箱故障模拟试验台采集不同试验工况下振动信号,考虑行星齿轮运行周期问题以获取可用数据。结果表明,与样本熵和EEMD样本熵相比,VMD样本熵具有计算效率高、对不同状态的区分能力强、采样频率对其计算结果影响小等特点,可用于行星变速箱的故障诊断。     

基于小波包特征提取和模糊熵特征选择的柴油机故障分析

船舶动力设备因故障监测信号样本少、变化缓慢、数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。尤其是柴油机振动信号的故障诊断,由于柴油机振动信号噪声多,诊断信号难以进行特征选择的问题,提出了基于小波包能量谱特征提取和模糊熵特征择的柴油机故障诊断方法。利用模糊熵对小波包能量谱提取出的特征集进行特征选择,将选择后的特征参数输入LS-SVM进行故障模式识别。试验结果表明,该方法可以提高故障识别准确率。在该试验中,故障识别准确率达到了99.36%,相比于未进行特征选择的特征集,识别准确率提高了0.72%。     

基于EMD-EDT的行星齿轮箱特征提取及状态识别方法研究

针对行星齿轮箱特征提取及状态识别中存在的难点问题,本文首先总结适用于行星齿轮箱状态识别的36个特征参数并详细说明各参数的来源及提取方法,提出基于EDT的两阶段特征参数选择及加权方法,得到新的组合特征参数。提出基于EMD-EDT的行星齿轮箱状态识别方法;首先提出基于能量比的包含敏感故障信息的固有模态函数（IMF）选择方法,然后选择提取筛选出的各IMF的组合特征参数构成特征矩阵作为EDT的计算输入,最后智能的输出评估结果。利用行星齿轮箱预置故障实验数据验证所提出方法的可行性和有效性及EMD分解、特征选择和加权过程的必要性。     

改进多尺度符号动力学信息熵及其在行星变速箱特征提取中的应用

针对行星变速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,提出一种新的特征提取方法——改进多尺度符号动力学信息熵。在传统的符号动力学信息熵原理的基础上,通过改进传统方法的符号化过程,在考虑条件概率情况下计算信息熵,并引入多尺度概念,使得所提特征具有更大优势。最后求解行星变速箱故障模拟试验台采集到的三种状态下的振动信号改进多尺度符号动力学信息熵,并基于提出的特征评价指标对改进多尺度符号动力学信息熵、时频熵、排列熵、样本熵等特征的计算结果进行了对比。结果表明,该方法能够有效的提取行星变速箱运行状态特征,具有更高的敏感度。     

时变工况行星齿轮箱对数时频脊阶次谱故障特征提取

风电机组齿轮箱工作于强噪声且变转速变载荷的工况下,其振动信号非常复杂。建立了一个时变转速变载荷的行星齿轮箱振动信号模型。提出了时频脊阶次谱故障特征提取方法。对振动信号进行Wigner-Ville时频变换,取对数后进行重排;采用Crazy climber方法提取对数重排时频谱图中的峰值脊线;将脊线转换为时频脊阶次谱。通过仿真信号与转速、载荷连续波动实验数据表明,对数时频脊阶次谱故障特征能够为时变复杂工况行星齿轮箱故障预警提供有效的依据。     

参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断

针对行星齿轮箱特征提取困难的问题,提出一种基于参数优化变分模态分解与多域流形学习的故障诊断方法.首先,利用樽海鞘群优化变分模态分解(SSO-VMD)对信号进行分解与重构,降低噪声干扰;然后,从多域提取故障特征,并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)算法进行降维处理,获取低维故障...     

基于熵-流特征和樽海鞘群优化支持向量机的故障诊断方法

针对旋转机械设备故障特征提取困难的问题,提出一种熵-流特征和樽海鞘群优化支持向量机(salp swarm optimization support vector machine,SSO-SVM)的故障诊断方法。利用改进多尺度加权排列熵(improved multiscale weighted permutation entropy,IMWPE)提取机械设备不同工况下的故障特征;采用监督等度规映射(S-Isomap)流形学习进行降维处理,获取低维的熵-流特征集;将熵-流特征输入至SSO-SVM多故障分类器进行识别与诊断。行星齿轮箱故障诊断实验分析结果表明:IMWPE+S-Isomap熵-流特征提取方法优于现有的多尺度排列熵(multiscale permutation entropy,MPE)、多尺度加权排列熵(multiscale weighted permutation entropy,MWPE)和IMWPE等熵值特征提取方法以及IMWPE+等度规映射(Isomap)和IMWPE+线性局部切空间排列(linear local tangent space alignment,LLTSA)等熵-流特征提取方法;樽海鞘群算法对支持向量机参数寻优效果优于粒子群、灰狼群、人工蜂群和蝙蝠群等算法;所提故障诊断方法识别精度达到100%,能够有效诊断出行星齿轮箱各工况类型。     

Adaptive Bearing Fault Diagnosis based on Wavelet Packet Decomposition and LMD Permutation Entropy

Bearing fault signal is nonlinear and non-stationary,therefore proposed a fault feature extraction method based on wavelet packet decomposition( WPD) and local mean decomposition( LMD) permutation entropy,which is based on the support vector machine( SVM) as the feature vector pattern recognition device.Firstly,the wavelet packet analysis method is used to denoise the original vibration signal,and the frequency band division and signal reconstruction are carried out according to the characteristic frequency. Then the decomposition of the reconstructed signal is decomposed into a number of product functions( PE) by the local mean decomposition( LMD),and the permutation entropy of the PF component which contains the main fault information is calculated to realize the feature quantization of the PF component. Finally,the entropy feature vector input multi-classification SVM,which is used to determine the type of fault and fault degree of bearing.The experimental results show that the recognition rate of rolling bearing fault diagnosis is 95%. Comparing with other methods,the present this method can effectively extract the features of bearing fault and has a higher recognition accuracy.     

变速箱故障声压信号的小波包分解与诊断

针对变速箱故障声压信号的非平稳时变特点,给出了小波包分析处理变速箱故障声压信号的原理和方法,并分析了一个变速箱齿根裂纹故障的诊断实例.实验结果表明,该方法在变速箱声学诊断中是有效可行的,在其它机械的声学诊断中也具有一定的参考价值.     

基于最大相关峭度反褶积的齿轮箱复合故障特征提取

提出一种基于最大相关峭度反褶积(Maximum correlated kurtosis deconvolution,MCKD)的复合故障特征提取方法,通过MCKD对原信号降噪,提取感兴趣的周期成分,同时将此方法与最小熵反褶积对比研究,验证该方法的强降噪效果。将该方法运用于齿轮箱复合故障诊断中,可成功提取出各个故障特征。