基于双谱熵的齿轮裂纹故障特征提取

针对裂纹故障导致齿轮振动信号非高斯性变化这一特点,提出采用双谱熵对信号非高斯成分在双频域内的分布形态进行定量描述,并据此提取故障信息,得到裂纹产生期、扩展期的特征趋势。结果表明,双谱熵不基于信号能量信息,受非故障因素影响小,而且能有效抑制高斯噪声,同时又对微弱故障十分敏感。研究结果为后续故障诊断与趋势预测提供了新的有效方法。     

齿轮裂纹故障的双谱分析

齿轮振动信号中的非线性给故障特征的提取带来较大难度,通过分析裂纹齿轮振动信号非线性产生的原因,利用双谱分析具有提取信号非线性耦合特征的能力,将双谱分析应用于齿轮裂纹的故障诊断中。试验结果表明,该方法能够有效地将正常及不同裂纹程度的齿轮区分开来。     

基于双谱分析的滚动轴承故障模式识别

当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性信号。本文对高阶统计量方法用于滚动轴承故障特征提取进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法。利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位信息的双谱特征图谱。研究表明,双谱图谱可以有效地监测滚动轴承工作状态的模式,因而可以快速地识别滚动轴承不同的故障特征。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

基于小波相关—包络排列熵的齿轮故障特征提取

振动信号是齿轮箱故障特征信息的有效载体,对振动信号的分析可实现不停机操作下的齿轮箱故障诊断。但振动信号易受噪声干扰,特别在复杂设备中,众多运动部件同时产生振动激励,使得实际获取信号的信噪比较低。针对传统方法存在的问题,将小波相关降噪和包络谱分析技术相结合,并利用排列熵对微弱信号变化敏感的特点,提出了基于小波相关—包络排列熵的齿轮故障特征提取方法,实现了齿轮箱不同状态下故障特征的提取。通过仿真信号和诊断实例分析结果表明,该方法比传统的信号分析方法更有效地凸显齿轮的故障特征。     

基于EEMD与盒维数的轴承故障特征提取

针对EMD存在的模态混叠以及轴承振动信号故障特征提取困难的问题,提出了一种基于EEMD与盒维数的轴承故障特征提取方法。首先,采用EEMD方法将去噪后的轴承振动信号自适应地分解为多个本征模函数。其次,利用相关系数和峭度选取一定量的本征模函数,并计算盒维数与能量熵得到特征向量。最后,将特征向量输入概率神经网络进行分类识别。仿真与实验结果表明在抗模态混叠以及轴承故障分类识别方面,该方法均优于EMD。     

基于高阶谱的齿轮故障特征提取方法研究

基于高阶谱能够抑制高斯信号,并且可以在较强的背景噪声中提取故障信息的特点,在分析高阶谱的理论基础上,针对齿轮振动信号的非线性、频谱成分多样性等特点,研究了基于高阶谱分析的机械故障特征提取方法,提出了基于双谱估计的齿轮故障诊断方法.试验结果表明,该方法能够有效地将正常及不同裂纹程度的齿轮区分开来.     

基于MED-RSSD的滚动轴承早期故障特征提取

滚动轴承出现早期故障时,因为背景噪声的影响,故障信号非常微弱,故障信息难以提取,为了能有效检测出轴承故障,提出了最小熵反褶积（Minimumentropydeconvolution,MED）与共振稀疏分解（Resonancesparsesignaldecomposition,RSSD）相结合的诊断方法。首先,运用最小熵反褶积对含有噪声的轴承故障振动信号进行降噪处理;然后,对处理后的信号进行共振稀疏分解,将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量;最后,将低共振分量进行包络功率谱分析提取故障特征频率。通过信号仿真和实验处理,表明该方法对微弱故障特征提取具有较好的适用性。     

基于形态梯度解调算子的齿轮故障特征提取

针对包络解调和形态闭算子易受强噪声和低频谐波分量干扰的缺点,提出了采用形态梯度解调算子提取脉冲信号的方法。对受到低频干扰的仿真脉冲调制信号和实测齿轮断齿故障信号的分析结果表明,形态梯度解调算子既抑制了噪声又充分突出了故障信号的冲击特征,具有更强的噪声抑制和脉冲提取能力,完全不受低频分量的干扰,且计算简单、快速,为齿轮故障特征提取提供了一种有效的方法。     

基于局部投影算法的齿轮故障声信号特征提取

局部投影算法采用延时坐标将时间序列进行相重构,在高维的相空间上采用局部投影的方法将相空间分解成正交的子空间,通过子空间中吸引子特性的不同来分离时序中的背景信号和弱特征信号分量。提出将局部投影算法用于设备故障声信号的降噪,通过齿轮故障信号的特征提取实验证实该方法用于识别设备故障的有效性。     

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,...     

基于Internet技术的齿轮断齿故障诊断研究

在无线网络环境下实车试验模拟了故障的发生,测得齿轮断齿时的变速箱体振动信号。介绍了提取故障的远程诊断方法,基于Internet技术和Matlab Web Server功能实现了异地数据上传,并对数据进行了幅值域、频域分析,实现了断齿故障的异地诊断。     

基于BP神经网络的齿轮故障诊断系统研究

对ＢＰ神经网络在齿轮故障诊断中的模式表达、网络拓扑及其相关参数等问题进行了探讨;并利用ＢＰ 网络对齿轮四种典型的故障模式进行训练学习和诊断,取得了满意的效果。结果表明：ＢＰ 神经网络是实时地解决齿轮故障中复杂的状态识别问题的一种有效工具     

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。     

基于LabVIEW的小波消噪在齿轮故障诊断中的应用

介绍了利用LabVIEW平台检测齿轮故障信号，叙述了在LabVIEW的环境内，使用MATLAB脚本节点对齿轮振动信号进行小波消噪和分解，提取齿轮故障特征信息，实现齿轮故障诊断。     

EEMD与HMM在齿轮故障诊断方法中的研究

为了解决EMD方法存在的模态混叠的问题,更加精确有效的利用振动信号进行齿轮的故障识别和诊断,提出一种将总体平均经验模态分解(EEMD)和隐马尔科夫模型(HMM)结合的齿轮故障诊断方法.首先对采集到的原始齿轮振动信号进行EEMD处理,获得包含主要故障信息的各阶固有模态函数(IMF)分量,以能量为元素,提取并构造特征向量,...     

基于优化解调与频谱校正技术的变速箱故障振动特征提取

结合疲劳寿命试验的过程对某变速箱故障展开研究.利用基于复解析带通滤波器的优化解调与离散频谱比值校正技术,对变速箱振动信号进行频谱分析.提取了齿形误差、轴不对中、轴承疲劳剥落和点蚀等典型故障特征.     

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.     

堆栈稀疏自编码器的风力机锥齿轮故障诊断

针对当前齿轮故障诊断存在着准确性不高、主观性强等问题,提出了一种基于堆栈稀疏自编码器(SSAE)和softmax分类器相结合的齿轮故障诊断方法.首先,运用时域分析以及样本熵方法对风力机锥齿轮振动信号进行特征提取,其次,将提取的特征输入到SSAE中进一步学习目标数据的深层本质特征,并进行特征降维,最后使用softmax分...