基于EMD分解的齿轮箱故障诊断研究

提出了基于EMD分解的齿轮箱故障诊断方法,介绍了EMD理论及其算法,完成了齿轮箱齿面磨损故障及正常状态实验,对故障信号进行EMD分解后所得IMF中清晰地表达了故障信息,说明了该方法的可行性和有效性。     

基于EMD和样本熵的滚动轴承故障SVM识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、非线性动力学方法—样本熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再计算所选分量的样本熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的状态。利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

基于EMD的齿轮箱故障诊断的研究

采用小波阈值法对齿轮箱故障信号进行去噪预处理,将经验模式分解(EMD)和快速傅立叶变换(FFT)相结合对齿轮箱故障信号进行特征提取,这种方法适用于非线性非平稳信号的自适应状态分析。利用EMD方法将去噪后的信号就行经验模态分解,得到一定数量的固有模态函数(IMF)分量,选取具有特定意义的IMF进行FFT,就可以得到相应的功率谱,从而提取齿轮箱故障特征频率。     

基于HHT变换和SVM的齿轮箱故障诊断

提出了基于HHT变换和SVM结合的齿轮箱故障诊断方法,介绍了固有模态函数、EMD分解和Hilbert谱以及支持向量机(SVM)理论。先对各种工况信号消噪,再利用EMD分解将信号分解为IMF分量,求出Hilbert谱和边际谱,再利用边际谱求出各信号的故障特征信息,最后利用支持向量机判别齿轮箱的故障类型。该实验证明了此方法诊断齿轮箱故障的有效性。     

基于DSP和SVM的风电齿轮箱故障诊断

提出了一种基于数字信号处理器(DSP)和支持向量机(SVM)的风电齿轮箱故障诊断的方法。分解和提取了Libsvm代码移植于DSP芯片TMS320F28335,实现了支持向量机并应用于风电齿轮箱故障诊断。该方法较好地解决了小样本学习问题,同时又具有低功耗、低成本、通用性强和可实时控制的优点。实验结果表明,在保证较高预测正确率、运行速度较快和较大数据量读取前提下,Libsvm能够正确运行于芯片,有效应用于齿轮箱故障诊断。     

基于LMD近似熵和PNN的轴承故障诊断

提出一种基于局部均值分解(LMD)近似熵和概率神经网络(PNN)的滚动轴承故障诊断方法。通过对信号LMD分解,非平稳信号能够转换成若干个平稳的乘积函数分量(PF)之和;轴承在发生不同故障时,产生频谱相异的信号,其近似熵不同,因此可通过提取原始信号的近似熵,来判别轴承的运行状态。实验表明,信号经过LMD分解得到若干PF分量,从中提取近似熵,组成N维特征向量,输入PNN模型,能够准确地判断故障类型;在小数据的情况下,相比于BP和RBF两种传统神经网络,PNN具有更优的故障分类能力。     

基于EMD的提升机齿轮箱故障诊断

介绍了EMD算法和EMD能量熵理论,并且运用此理论实现了提升机齿轮箱故障诊断。对振动信号进行EMD分解并求出各IMF分量的能量占总能量的百分比,由EMD能量熵的定义求出熵值,根据不同的熵值实现对齿轮箱正常状态和断齿故障的判别。     

基于EMD和SVM的切削颤振识别方法研究

为了提高对切削加工过程中颤振的识别能力,提出一种结合模态分解和支持向量机的分类方法,对颤振信号进行自动识别。首先利用经验模态分解法把颤振信号分解成若干个本征模式函数分量,去除原始信号相关性,突出模式函数分量的主特征,构建出特征向量并进行归一化处理,之后,把特征向量输入SVM模型,判断颤振是否发生。分别采用神经网络模型、PCA-SVM模型、EMD和SVM模型对特征向量进行学习与识别,EMD和SVM模型识别率达到95%,优于前两种模型。实验结果表明,该方法能够有效地识别切削加工过程中的颤振。     

基于EMD的电机轴承故障识别研究

将经验模态分解(EMD)和支持向量机(SVM)方法相结合应用于电机滚动轴承故障诊断中,该方法利用EMD将电机滚动轴承振动信号分解为有限个内禀模态函数(IMF)之和,对表征高频信息的IMF分量取其能量作为故障特征向量,以此作为多项式核函数(2阶)SVM分类器的输入参数来区分电机滚动轴承的工作状态和故障类型。实验结果表明,该方法在小样本情况下仍能准确、有效地对电机滚动轴承的工作状态和故障类型进行分类,实现电机滚动轴承故障自动识别。     

基于EMD的支持向量回归机振动数据挖掘

提出了基于经验模态分解的支持向量回归机方法。该方法首先利用经验模态分解(EMD)方法对信号分解,得到若干平稳分量,然后对各分量进行回归建模,对各分量的回归结果求和得到原信号的回归结果。经实验分析验证,该方法不但提高了回归的准确度,而且运算时间也大大减少,实现了准确而又快速的拟合和预测。     

基于神经网络的齿轮箱故障诊断

煤矿机械齿轮传动系统在低速重载等恶劣工况下极易发生故障,齿轮箱部分尤为突出。因此展开对恶劣工况下的齿轮箱故障诊断研究具有重要的意义。以齿轮箱中齿轮为研究对象,通过提取与齿轮箱振动相关的故障特征,经过神经网络的学习训练实现对齿轮箱故障的分类。经检验,该诊断神经网络对齿轮箱故障有很高的辨识度。     

基于EEMD-SVM的齿轮箱故障诊断

针对齿轮箱振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。     

基于提升小波的齿轮箱故障诊断

对齿轮箱的振动机理以及故障诊断特点、方法进行分析,介绍了提升小波的基本理论。并利用提升小波对齿轮箱工况信号进行消噪、分解、重构以及提取功率谱,采用BP神经网络模型识别齿轮箱运行状态以及定位故障类型和部位。     

基于小波和神经网络的齿轮箱故障诊断

对齿轮箱故障诊断特点和方法进行分析,举例介绍了小波变换在齿轮箱故障诊断中的应用。利用小波变换对齿轮箱工况信号进行分解,重构以及提取细节信号包络谱,快速准确判断出齿轮箱设备运行状态是否异常,并利用BP神经网络进行故障诊断定位,比传统方法更有效。     

基于盲源分离的齿轮箱故障诊断

主要研究了基于最大信噪比的盲源分离算法,针对4组信号的混合信号进行了分离仿真实验,得到了较好的分离效果,并将其应用于齿轮箱的振动信号分离。对多组振动信号分析结果表明,该算法对混合信号具有很强地分离能力,为机械设备的故障诊断提供了一种有力的信号预处理方法。     

基于LabVIEW的齿轮箱故障诊断测试系统

基于虚拟仪器LabVIEW的齿轮箱故障诊断测试系统,通过对齿轮箱振动信号的采集、处理与分析,实现对齿轮故障的诊断。介绍了系统的软、硬件功能与设计,实验表明,该系统具有很高的可靠性,可用于实验教学及现场监测。     

基于LCD和倒频谱齿轮箱故障诊断

根据齿轮箱振动信号非平稳、非线性的特点,采用局部特征尺度分解方法和倒频谱方法相结合的方式对齿轮箱故障进行诊断。采用局部特征尺度分解方法将齿轮箱断齿实验数据分解成一系列的内禀尺度分量,并对内禀尺度分量进行相关分析,去除虚假分量;将得到的内禀尺度分量进行倒频谱分析,提取出齿轮箱故障信息。仿真分析和实验分析结果表明,该方法对齿轮箱故障诊断有很好的效果。