基于ICA的齿轮箱故障诊断研究

主要介绍了独立分量分析的基本思想及算法,采用快速独立分量分析(FastICA)的算法对混合的机械振动信号进行分离。应用该算法对实验室采集到的齿轮箱多组振动信号进行了分析,结果表明,独立分量分析在对混合信号进行盲源分离方面有着很好的效果,它是一种很有效的信号预处理的方法,在齿轮箱等机械设备监测和早期故障诊断中得到很好的应用。     

基于FastICA的旋转机械故障特征盲源分离方法研究

在快速独立分量分析基础上,提出了一种基于改进牛顿迭代法的独立分量分析算法,利用所建立的方法进行振动信号盲源分离的数值仿真,并对具有故障的实际转子进行多传感器信号采集并进行盲分离。仿真实验及实验室实测振动信号的分离结果证明该方法是有效的,可作为旋转机械故障诊断的信号预处理方法。     

BSS和SVM在齿轮箱智能故障诊断中的应用

齿轮箱振动信号中蕴藏着齿轮箱运行状态的所有信息。阐述了盲源分离(BSS)的基本模型及其算法,模拟了变速箱的4种常见故障,对实验室中获得的振动信号进行BSS预处理,提取小波包能量向量之后应用支持向量机算法进行智能故障分类,故障识别率达到85%以上。     

BSS和SVM在齿轮箱智能故障诊断中的应用

齿轮箱振动信号中蕴藏着齿轮箱运行状态的所有信息。阐述了盲源分离(BSS)的基本模型及其算法,模拟了变速箱的4种常见故障,对实验室中获得的振动信号进行BSS预处理,提取小波包能量向量之后应用支持向量机算法进行智能故障分类,故障识别率达到85%以上。     

基于盲源分离的采煤机摇臂轴承故障诊断方法

针对采煤机摇臂轴承故障,介绍了一种基于盲源分离算法的轴承故障识别方法。该方法采用优化滑动平均长度,以最大信噪比为目标函数对振动信号进行盲源分离,分离后的信号进一步加速度包络处理,信号特征可用于识别轴承故障。通过采煤机摇臂加载试验台进行试验验证,采集采煤机摇臂两个不同部位的振动加速度信号,运用该方法对振动信号进行处理后判别故障类型和位置。结果表明：与单纯的加速度包络法相比较,该方法处理后的信号特征更加明显,对轴承部位的识别率较高。研究结果对于采煤机摇臂的故障预测具有较好地效果,能够进一步提高采煤机在故障领域方面的智能化。     

基于SOM网络的带式输送机齿轮箱混合故障诊断研究

针对带式输送机齿轮箱故障信号成分复杂、故障识别难的问题,提出了基于自组织映射(SOM)网络的故障诊断方法。首先使用融入Shannon熵的小波降噪方法对齿轮箱振动信号进行预处理;然后利用齿轮箱不同状态的信号通过高斯混合分布模型对其参数使用最大期望算法进行估计,获得反映不同运行状态的特征向量;最后使用SOM网络对齿轮箱不同工况振动信号的特征进行分类识别,进而诊断出相应故障。结果表明:该方法可以有效地识别齿轮箱混合故障,总识别正确率达90%,其中有6种工况的识别正确率达100%。     

基于变分模态分解和粒子群算法的微震信号降噪方法

为从含噪微震信号中提取有效信息, 并准确识别岩体破裂信号和爆破振动信号, 提出了基于粒子群算法和小波阈值去噪的改进变分模态分解方法。该方法利用粒子群算法实现模态数量和惩罚因子的最优取值, 以最优参数对微震信号进行变分模态分解, 再对由高频噪声主导的模态分量进行小波阈值去噪, 将去噪后的高频信号分量与原先的低频信号分量进行重构, 实现信号降噪。经验证, 该方法相比集合经验模态分解和单纯的变分模态分解方法具有更好的降噪效果。以该方法对200组岩体破裂信号和200组爆破振动信号进行去噪, 以第一模态分量能量占比50%作为区分爆破振动信号和岩体破裂信号的依据, 识别成功率达到97.25%, 证实了此识别方法的准确性。     

基于HHT变换和改进LMS算法的轴承故障诊断

通过电动机与滚动轴承之间建立的函数关系将振动信号转变成谐波分量,进而对谐波分量分析。对这种非平稳信号首先进行经验模态分析(EMD),然后通过改进LMS算法自适应滤波器分离噪音,最后再运用希尔伯特变换得到故障轴承频谱图。通过仿真实验证明该方法可以消除大部分的噪音和低频干扰,且易于实现,最终获得符合故障诊断要求的振动信号。     

样条小波在液压泵故障诊断中的应用研究

采用具有线性相位的Ｂ样条小波,应用图形显示算法并结合小波变换快速算法将信号分解到不同的频带上,且分解结果和原信号长度保持一致,可对信号进行深层次的处理,克服了传统的信号处理方法不易提取微弱信息的不足,通过对矿用斜轴式柱塞泵振动信号的分析,分离出了配流副磨损,球铰松动,缺体及泵轴支撑轴承的故障特征,为液压泵的故障诊断提供了依据,并为信噪分离,微弱信号提取及设备的早期故障诊断提供了一条有效途径。     

基于WOA-VMD-MPE算法的矿山爆破振动信号降噪研究及应用

矿山环境中爆破振动信号含有大量的高频噪声,其严重影响了爆破振动信号真实性。本文针对爆破信号中含有大量高频噪声这一现象,以云南某露天矿爆破振动数据为研究对象,提出了基于自适应WOA-VMD-MPE爆破振动信号降噪方法开展爆破振动信号降噪研究。将3个矿山爆破振动信号进行WOA优化算法处理,得出VMD算法参数中最佳组合K、a,带入VMD算法分解,将MPE值大于0.6的IMF成分去除,以达到降噪效果。研究结果表明：振动波形经过WOA-VMD算法优化后信噪比均为最高,分别为15.23、25.51、27.2,其均方根误差最小,分别为8.51、8.73、5.91。WOA-VMD算法相较EEMD、CEEMD算法在信噪比方面平均增加56%、44%、均方根误差平均减少46%、42%,其降噪效果均优于EEMD、CEEMD算法,能够较好地去除高频噪声,保留原始爆破振动波形信息,验证了其算法的普适性。     

隧道爆破振动信号时频谱增强优化分析

针对隧道爆破振动信号时频解析度不足的难题,运用基于卷积神经网络的时频图像增强算法,增强实测隧道爆破信号时频图像,捕获到爆破信号能量在时频域上的聚集范围,从而重构得到反映爆破特征的真实信号;根据真实信号对爆破网络中雷管的起爆时刻进行了精确判别,识别隧道爆破雷管灾害源特征。分析表明：基于卷积神经网络的时频图像增强算法可有效抑制信号中的交叉项,最大限度地保留信号自有项,提高爆破信号能量聚集性和时频解析度;不同批次雷管混用是隧道安全的主要致灾因素,应加强监管以实现隧道安全高效施工。     

基于WT特征增强的cICA带式输送机齿轮箱故障诊断

约束独立分量分析对于测量信号中的传感器噪声(测量噪声)具有很强的免疫能力,但对源噪声的免疫性却很差。针对这个问题,提出了小波变换特征增强的约束独立分量分析的齿轮箱故障特征提取方法。通过对测量信号小波分解,有针对性地选择某子频段小波系数重构,有利于提高信噪比,增强信号的统计独立性和非高斯性,从而增强约束独立分量分析方法提取齿轮故障特征的效果;而未经小波变换除噪时,约束独立分量分析的效果不佳。通过仿真分析和在矿用带式输送机齿轮箱故障诊断的应用结果综合表明,该方法能有效降低源噪声的影响,准确提取出齿轮故障特征,尤其是微弱低频故障特征。为矿用齿轮箱多通道振动状态监测与故障诊断提供了一种新的有效手段和途径。     

机械故障振动信号特征分离和提取的信号处理方法

在机械故障的振动信号分析诊断中,故障特征信号的分离和提取是最重要和最关键的步骤之一。针对机械故障振动信号特征周期性和冲击衰减响应特点,论述了自适应滤波、时频滤波、自适应信号分解和信号盲分离等方法,并展望这些方法的发展方向。     

FASTICA算法在齿轮箱故障中的研究

振动分析是进行齿轮箱状态检测与故障诊断的重要手段。齿轮箱振动信号中常常含有大量噪声,这使得信号和噪声的频谱在频域内发生了重叠。研究适于齿轮箱振动信号处理方法。探讨基于负熵的FASTICA方法在齿轮箱机械故障特征提取中的应用,通过分析验证所研究的算法的有效性和适用性。     

基于 SA-GA 模糊熵的 VMD 算法在爆破振动信号分解中的应用

针对变分模态分解(VMD)算法预设参数选择的问题,提出了一种基于 SA-GA 模糊熵的 VMD 参数优化 算法,该算法结合模拟退火算法(SA)和遗传算法(GA)的优点,选取模糊熵( FE)为适应度函数,求解最优分解参数。 经过仿真信号分析,相比 EMD 算法,SA-GA 模糊熵的 VMD 参数优化算法有效地抑制了模态混叠和虚假分量的现象, 具有较高的分解精度。 最后利用 SA-GA 模糊熵的 VMD 参数优化算法进行爆破振动信号实测分析,结果表明:SA-GA 模糊熵的 VMD 参数优化算法可以根据不同的爆破振动自适应地选取最优解,解出来的 IMF 分量具有明确的物理意 义,频谱图能清晰地看出信号内所包含的频率成分,具有良好的适用性。     

基于小波减噪的滚动轴承故障频率的识别

研究了振动信号局部奇异性在小波变换下的特性,定量分析了小波变换方法的减噪特性。根据滚动轴承故障振动信号和噪声的局部奇异性在小波变换下模极大值在不同尺度上的传播特性不同的特点,利用小波分解和重构算法,对轴承振动信号进行了分解、减噪、重构和谱分析。实验表明,小波减噪方法非常适于低信噪比情况下滚动轴承微弱振动信号的故障频率检测。     

煤矿区矿井水水质形成与演化的多场作用机制及研究进展

煤矿开采必然产生大量矿井水,并可能引发水环境污染问题,研究并揭示矿井水的水质形成与演化机理,是煤矿区水污染防控的理论基础.矿井水的水质形成及演化过程非常复杂,受水动力场、水化学场、微生物场和温度场多场作用控制.通过矿井水水质形成的多场作用研究和文献调研,界定了煤矿区矿井水污染场地的研究范围,提出了我国矿井水水质形成的"...