基于EEMD和Bi-LSTM算法的齿轮泵行星轮典型故障诊断

为了提高齿轮泵行星轮的典型故障诊断精度,提出了一种基于经验模态分解（EEMD）和双向长短时记忆网络（Bi-LSTM）的行星齿轮泵故障诊断方法。研究结果表明：通过模型精度和耗时的最优参数为节点数200和网络层数4层。本网络损失小于1%,满足良好稳定性的条件,可以实现精确识别齿面磨损和缺齿故障,断齿、正常齿的轮识别率都达到了93%以上,齿根裂纹故障识别率达到了86.5%。对信号EEMD分解后,可以促进BiLTSM模型所有分量都获得更优的时序性,促使模型诊断精度得到显著提升。Bi-LTSM模型到达后期迭代过程时,可以更快拟合,获得高于LTSM的验证精度。该研究对提高机械传动设备的故障识别能力,具有一定的理论指导意义。     

基于经验模态分析的机床主轴轴承外圈非接触式故障检测方法

针对主流机床的电机主轴轴承外圈故障检测问题,提出1种利用机床主轴电机定子电流信号进行非接触式故障诊断的方法,利用经验模态分解(EMD)对机床电机非平稳定子电流信号进行分析。采用经验模态分解方法提取定子电流信号的本征模函数(IMF)应用于维格纳分布(WVD),得到故障信号的维格纳分布轮廓图,最终利用人工神经网络进行故障样本的模式识别,可有效检测机床主轴轴承外圈缺陷。试验结果表明,在不同负载条件下,基于经验模态分解的维格纳分布定子电流监测对外圈缺陷的故障检测和诊断具有准确率高、计算量小以及检测成本低等优点,具有一定的工程实用及推广价值。     

基于经验模态分解算法的电机故障判断方法

为了提高电机故障诊断的效率,实现自动故障诊断,本文利用EMD算法对电机运行时的声音信号进行了特征提取。首先,对声音信号进行EMD分解,得到多阶IMF分量;然后计算出每阶IMF分量的特征值,从而提取出了电机故障声音信号的特征向量。从实验中可知,EMD可以根据信号自身的特点进行自适应分解,使得电机正常和故障时的特征具有明显的差异性,利于分类器进行分类诊断。     

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。     

基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法

行星齿轮箱振动信号具有非平稳特性,需要一定的先验知识和诊断专业知识设计和解释特征从而实现故障诊断。为了实现行星齿轮箱的智能诊断,提出一种基于经验模态分解(Empirical mode decomposition,EMD)和深度卷积神经网络(Deep convolutional neural network,DCNN)的智能故障诊断方法。首先对振动信号进行经验模态分解得到内禀模式函数(Intrinsic mode function, IMF);然后利用DCNN融合特征信息明显的IMF分量,并自动提取特征;最后,将特征用于分类器分类识别,从而实现行星齿轮箱故障诊断的自动化。试验结果表明:该方法能准确、有效地对行星齿轮箱的工作状态和故障类型进行分类。     

基于时变滤波经验模式分解的齿轮箱故障诊断

经验模式分解(Empirical Mode Decomposition,EMD)经常出现模态混叠问题。集总经验模式分解(Ensemble EMD,EEMD)能够在一定程度上缓解模态混叠,但是辅助白噪声的引入却破坏了原始EMD方法的时变滤波特性。为了提高齿轮箱故障诊断的效果,将时变滤波经验模式分解(Time Varying Filter for EMD,TVFEMD)引入到齿轮箱振动信号分析领域,提出了基于TVFEMD的齿轮箱故障诊断方法。将该方法用于分析包含着输出轴不对中故障的齿轮箱振动信号,结果表明,该方法能够有效地诊断出齿轮箱的不对中故障,与基于EMD和EEMD的方法相比具有明显的优势。     

基于SVD与改进EMD的滚动轴承故障诊断

针对经验模态分解(EMD)存在的模态混叠问题,提出一种奇异值分解(SVD)和改进经验模态分解相结合的信号分析新方法。该方法首先对故障信号进行SVD降噪,以消除随机干扰,再根据信号特征加入高频谐波信号并进行EMD进行分解,有效地减少模态混叠现象,最后对EMD分解得到的高频本征模态分量(IMF)进行代数运算得到故障冲击成分,经Hilbert包络分析,提取出故障特征信息。仿真信号分析了这种方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断中。实验结果证明:该方法能够有效地提取滚动轴承故障特征信息,实现故障诊断。     

基于SSA-VMD和1.5维包络谱的齿轮箱磨损故障诊断的研究

针对强噪声背景下行星齿轮箱特征提取困难的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合1.5维包络谱的故障诊断方法。该方法首先运用樽海鞘群算法(SSA)优化变分模态分解(VMD)的参数;然后运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用1.5维包络谱对重构信号进行故障的特征提取。在实验部分,首先通过仿真试验将SSA-VMD与变分模态分解(VMD)进行对比,验证了SSA-VMD的优越性;然后搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用SSA-VMD结合1.5维包络谱的方法提取出了振动信号的故障特征频率,总结了行星齿轮箱磨损故障演化规律。研究结果表明：随着磨损故障程度的加深,故障特征频率出现次数明显增多,凭借这一规律,有利于实现对行星齿轮箱磨损故障的诊断;该结果可为行星齿轮箱磨损的故障诊断提供依据。     

基于傅里叶分解方法的风电齿轮箱故障诊断

经验模式分解(Empirical Mode Decomposition,EMD)是一种经验的方法,缺乏严格的理论证明,在实际应用中存在着许多问题,这些问题导致EMD方法难以有效提取复杂风电齿轮箱振动信号的故障特征。傅里叶分解方法(Fourier Decomposition Method,FDM)是一种新的非平稳非线性信号处理方法,具有坚实的理论基础,能够有效克服EMD方法的缺陷。因此,将FDM用于分析风电齿轮箱振动信号,提出了基于FDM的风电齿轮箱故障诊断方法。将该方法用于实际风电齿轮箱故障诊断,结果表明该方法能够有效地诊断出风电齿轮箱的故障,与基于谱分析、EMD及小波分解的方法相比具有明显的优势。     

拟合故障振动信号模型实现滚动轴承故障诊断

针对传统故障诊断流程的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断,并在风力发电机组齿轮箱故障诊断中验证了有效性和实用性。首先根据滚动轴承发生故障时振动信号的特点,提出故障振动信号模型,然后通过遗传算法对该模型做数据拟合,拟合数据来自EMD(Empirical Mode Decomposition)方法对原始振动信号分解所得IMF(Intrinsic Mode Function)分量,最后将拟合结果和轴承各部件的故障特征频率作对比,可知损伤点所在部位。通过仿真、实验和现场信号的分析,验证了可通过拟合故障振动信号模型实现故障部位的准确诊断。     

基于EMD解调的齿轮裂纹早期故障诊断研究

齿轮轮齿发生早期裂纹时,裂纹故障信号十分微弱。为了有效提取早期裂纹故障特征,文中提出基于经验模式分解(empirical mode decomposition,EMD)的早期故障诊断方法。该方法首先去除振动信号中的啮合基频及其谐波成分,得到残余信号,然后针对残余信号进行基于EMD解调分析和处理。仿真及工程实例分析结果表明,所提方法能成功地将齿轮早期裂纹故障信息从复杂的振动中提取出来,更有利于及早发现故障,并判断故障的严重程度。     

行星齿轮典型断齿故障的动力学仿真

基于一种改进的行星齿轮箱集总参数模型,将断齿故障等效到时变啮合刚度中,建立了直齿行星齿轮的太阳轮断齿故障、行星轮断齿故障和内齿圈断齿故障的动力学模型。以某单级行星齿轮为研究对象,考虑扭转方向外部激励,对其正常和各断齿故障状态下的动力学模型进行求解,对内齿圈垂直振动加速度信号进行分析。研究结果表明:只考虑扭转方向的外部激励时,正常状态下内齿圈最高点处的垂直振动加速度信号频谱中幅值最高的共振峰与模态能量分布相关;在各断齿故障状态下,内齿圈垂直振动加速度的有效值均大于正常值,时域波形中可看到不同形式的冲击,包络谱中可看到对应的故障特征频率及其倍频成分。     

Hilbert-Huang变换在齿轮故障诊断中的应用

为齿轮故障诊断提供了一种新的途径,将Hilbert-Huang变换引入齿轮故障诊断,提出了局部Hilbert能量谱的概念,同时根据齿轮故障振动信号的特点建立了两种基于Hilbert-Huang变换的齿轮故障诊断方法:基于EMD的频率族分离法和Hilbert能量谱方法。采用EMD(Empiricalmodedecomposition)方法对齿轮振动信号能有效地将各个频率族分离;局部Hilbert能量谱可以反映齿轮振动信号的能量随时间和频率的分布情况,从而可以提取齿轮振动信号的故障信息。将这两种方法应用于齿轮故障诊断中,结果表明,基于EMD的频率族分离法和Hilbert能量谱方法都能有效地提取齿轮故障特征信息。     

Study on planetary gear fault diagnosis based on entropy feature fusion of ensemble empirical mode decomposition

Because planetary gear is characterized by its small size, light weight and large transmission ratio, it is widely used in large-scale, low-speed and heavy-duty mechanical systems. Therefore, the fault diagnosis of planetary gear is a key to ensure the safe and reliable operation of such mechanical equipment. A fault diagnosis method of planetary gear based on the entropy feature fusion of ensemble empirical mode decomposition (EEMD) is proposed. The intrinsic mode functions (IMFs) with small modal aliasing are obtained by EEMD, and the original feature set is composed of various entropy features of each IMF. To address the insensitive features in the original feature set and the excessive feature dimension, kernel principal component analysis (KPCA) is used to process the original feature set. Kernel principal component extraction and feature dimension reduction are performed. The fault diagnosis of planetary gear is eventually realized by applying the extracted kernel principal components and learning vector quantization (LVQ) neural network. The experiments under different operation conditions are carried out, and the experimental results indicate that the proposed method is capable of extracting the sensitive features and recognizing the fault statuses. The overall recognition rate reaches to 96% when the motor output frequency is 45 Hz and the load is 13.5 N m, and the fault recognition rates of the normal gear, the gear with one missing tooth and the broken gear can reach to 100%. The recognition rates of different fault gears under other operation conditions also can achieve better results. Thus, the proposed method is effective for the diagnosis of planetary gear faults.     

Gearbox fault diagnosis using empirical mode decomposition and Hilbert spectrum

The empirical mode decomposition (EMD) and Hilbert spectrum are a new method for adaptive analysis of non-linear and non-stationary signals. This paper applies this method to vibration signal analysis for localised gearbox fault diagnosis. We first study the properties of the recently developed B-spline EMD as a filter bank, which is helpful in understanding the mechanisms behind EMD. Then we investigate the effectiveness of the original and the B-spline EMD as well as their corresponding Hilbert spectrum in the fault diagnosis. Vibration signals collected from an automobile gearbox with an incipient tooth crack are used in the investigation. The results show that the EMD algorithms and the Hilbert spectrum perform excellently. They are found to be more effective than the often used continuous wavelet transform in detection of the vibration signatures.     

局部特征尺度分解方法及其在齿轮故障诊断中的应用

在定义瞬时频率具有物理意义的单分量信号——内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出一种新的自适应信号分解方法——局部特征尺度分解(Local characteristic-scale decomposition,LCD)。LCD方法可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的ISC分量之和,非常适合于处理多分量的调幅—调频信号。当齿轮发生故障时,其振动信号一般为多分量的调幅—调频信号,因此局部特征尺度分解方法可以有效地应用于齿轮故障诊断。对LCD和经验模态分解(Empirical mode decomposition,EMD)、局部均值分解(Local mean decomposition,LMD)方法进行对比,结果表明了LCD方法的优越性。同时,针对齿轮故障振动信号的调制特征,将LCD方法和包络分析法相结合应用于齿轮故障诊断,对实际的齿轮故障振动信号进行分析,结果表明LCD方法可以有效地应用于齿轮故障诊断。     

Wear detection in gear system using Hilbert-Huang transform

Fourier methods are not generally an appropriate approach in the investigation of faults signals with transient components. This work presents the application of a new signal processing technique, the Hilbert-Huang transform and its marginal spectrum, in analysis of vibration signals and faults diagnosis of gear. The Empirical mode decomposition (EMD), Hilbert-Huang transform (HHT) and marginal spectrum are introduced. Firstly, the vibration signals are separated into several intrinsic mode functions (IMFs) using EMD. Then the marginal spectrum of each IMF can be obtained. According to the marginal spectrum, the wear fault of the gear can be detected and faults patterns can be identified. The results show that the proposed method may provide not only an increase in the spectral resolution but also reliability for the faults diagnosis of the gear.     

基于本征时间尺度分解算法的齿轮箱故障诊断

针对现有信号处理方法在齿轮箱故障诊断中的不足,将本征时间尺度分解算法( IntrinsicTime- scale Decomposition,ITD)应用到齿轮箱故障诊断中.首先介绍了ITD算法;然后将ITD算法应用到齿轮箱的故障诊断中,得到了正确的结论;最后将ITD算法与经验模式分解(EMD)算法进行了比较,结果表明...     

一种基于EMD与多特征支持向量机(SVM)故障诊断方法

针对齿轮箱故障振动信号的不平稳非线性冲击行为,本文提出了一种基于经验模态分解的特征值提取及多特征支持向量机的智能诊断方法。在电机频率分别取30 Hz、35 Hz、40 Hz;载荷分别取0 N∙M、15 N∙M、30 N∙M;采样频率为1500 Hz条件下,进行齿轮正常状态、齿面磨损和齿轮裂痕故障模拟实验。试验结果表明:该创新方法在有限样本数据分析中可以准确、有效地对齿轮箱的工作状态和故障类型进行分类,且支持向量机在故障诊断中使用方便,可以提高诊断的精确性,在齿轮箱故障诊断或类似振动信号的检测应用中具有很强的实用性。     

基于自混合干涉的齿轮箱故障诊断技术

将激光自混合干涉（SMI）技术用于齿轮箱的故障检测,设计出一种新的齿轮箱故障检测传感器。采用QL65D5SA型半导体激光自混合传感器、冯哈勃2342l012CR空心杯减速电机自带的行星齿轮箱,搭建了行星齿轮箱故障SMI检测系统,并对行星轮Z1做断齿故障实验。通过对时域波形的分析,可以找到额定转频下的12个冲击点;通过对齿轮箱故障信号傅里叶频谱的分析,发现故障齿轮的啮合频率周围出现与故障齿轮特征频率和行星架转频呈整数倍关系的边带,且啮合频率处的波形幅值明显增大,这些都与齿轮副的理论振动模型相符合。