基于改进LMD算法的齿轮箱故障诊断研究

齿轮箱是机械传动系统中最关键,也是最易发生故障的零部件之一。针对齿轮箱的故障诊断问题,提出了一种改进局部均值分解算法(Improved Local mean decomposition,ILMD),并将其应用于齿轮箱微弱故障特征的提取。首先,为了降低局部均值分解(Local mean decomposition,LMD)算法的模态混叠效应,将一种优化的有理样条插值算法应用于ILMD包络线的构造;然后,采用ILMD算法将原始振动信号分解为一系列乘积函数分量(Product function,PF),并根据峭度值筛选出分解结果中包含故障信息最多的有效分量;最后,通过对有效分量的包络分析实现齿轮箱故障的有效诊断。实验结果表明,所提出方法能有效抑制LMD的模态混叠现象,并且能准确地识别出齿轮磨损故障。     

LMD和支持向量机相结合的齿轮毂故障诊断方法

局部均值分解(LMD)作为一种新的自适应时频分析方法,在故障诊断领域展现了良好的应用前景。根据某型航空发动机减速器一级齿轮毂出现裂纹故障时其振动信号会产生调制现象的特点,提出了基于LMD和支持向量机(SVM)的某型航空发动机减速器一级齿轮毂裂纹故障诊断方法。对某型航空发动机进行振动测试获取其振动样本数据,利用LMD提取故障样本数据的故障特征信息、构造特征向量,并将其作为SVM的输入特征参数,成功建立了针对目标故障的故障诊断模型。对一级齿轮毂工作状态的分析结果表明了该方法的有效性。     

局部特征尺度分解结合局部均值解调的齿轮故障诊断

为了准确地进行故障诊断,根据齿轮故障振动信号的多分量调幅-调频特征,提出了一种新的解调方法--局部均值解调法,将之与局部特征尺度分解相结合进行齿轮故障诊断。该诊断方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个内禀尺度分量,然后应用局部均值解调法求取每个分量的调频分量,最后根据瞬时频率的频谱进行故障诊断。采用仿真信号将局部均值解调法与Hilbert解调法、经验调幅调频分解法进行了对比,结果表明,局部均值解调法的精确性更好。通过齿轮故障振动数据的分析,验证了局部特征尺度分解结合局部均值解调的故障诊断方法的有效性。     

基于改进LMD方法的故障转子振动分析

针对三次样条插值(cubic spline interpolation,简称CSI)局部均值分解(local mean decomposition,简称LMD)方法在处理故障振动信号时准确性较低的缺陷,提出了一种集成自适应波形匹配、三次B样条插值(cubic Bspline interpolation,简称CBI)以及正交性判据(orthogonality criterion,简称OC)的LMD改进方法。首先,利用自适应波形匹配技术对原始信号进行数据延拓;然后,采用CBI代替CSI求解信号的上、下包络线,进而求得局部均值函数和包络估计函数;最后,以OC作为乘积函数(product function,简称PF)内部迭代过程结束的判断条件,形成一种改进的CBI-LMD方法。仿真分析与实验验证的结果表明,该改进方法具有更好的信号分解性能,能够准确有效地提取出复杂非平稳信号的重要特征。     

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。     

基于局部均值分解的阶次跟踪分析及其在齿轮故障诊断中的应用

针对齿轮升降速过程中故障振动信号为多分量的调制信号以及故障特征频率随转速变化的特点,将局部均值分解（LMD）与阶次跟踪分析相结合,提出了一种新的齿轮故障诊断方法。首先采用阶次重采样将齿轮的时域振动信号转换为角域平稳信号,然后对角域信号进行LMD分解,得到若干个乘积函数（PF）分量,最后对各个PF分量的瞬时幅值进行频谱分析来提取齿轮的故障特征。通过对齿轮齿根裂纹故障试验振动信号的分析可知,该方法能有效地提取齿轮故障特征。     

基于LMD和改进CNN的轴承故障诊断方法

针对传统轴承故障诊断方法在实际工况、嘈杂环境中对轴承故障识别准确率较低的问题,提出了基于局部均值分解(LMD)和改进的卷积神经网络(CNN)轴承故障诊断方法。对振动信号进行局部均值分解得到若干乘机函数分量,选择合适的分量生成重构信号作为网络输入,提出一种改进的卷积神经网络框架,提高多变量时间序列的诊断效率,选用凯斯西楚大学滚动轴承数据进行试验验证,运用k-折交叉验证来评估模型性能,并通过模拟工业环境的噪声验证了的抗噪性能。结果表明,相较与传统诊断模型在噪声环境下对滚动轴承故障诊断有更好的识别效果。     

基于LMD和阶次跟踪分析的滚动轴承故障诊断

变转速工况下的滚动轴承故障振动信号具有多分量调制以及故障特征频率受到转频调制的特点,从而导致故障特征提取困难。对此,将局部均值分解(local mean decomposition,简称LMD)与阶次跟踪分析相结合,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,采用阶次跟踪采样将时域滚动轴承故障振动信号转换到角域;然后,对角域信号进行LMD分解得到若干个乘积函数(product function,简称PF)分量;最后,对各个PF分量的瞬时幅值进行频谱分析,判断滚动轴承的故障部位和类型。通过对滚动轴承实验故障振动信号的分析,结果表明该方法能有效地应用于变转速工况下的滚动轴承故障诊断。     

应用时频图像纹理特征的行星齿轮故障诊断

行星齿轮箱结构复杂,当发生故障时其振动信号呈非线性非平稳特点且故障信号微弱,为了能够准确提取行星齿轮磨损故障信息的特征,提出局部均值分解（local mean decomposition,简称LMD）结合S变换（LMD?S）的信号处理方法,且转化为时频分布图像,应用时频图像纹理特征进行行星齿轮故障诊断。首先,把振动信号经由LMD?S变换处理后利用相关分析方法滤除干扰且转化为时频分布图像;其次,利用非均匀局部二值模式（local binary patterns,简称LBP）提取不同工况下采集数据的图像纹理特征;最后,采用极限学习机识别出3种故障类型,故障识别准确率达到90%,证明了此方法的有效性。     

基于局部特征尺度分解和数学形态滤波的齿轮故障诊断方法研究

为了实现齿轮故障的精确诊断,针对齿轮早期故障振动信号非线性、非平稳且信噪比低的特点,提出了一种基于局部特征尺度分解(LCD)和数学形态滤波的齿轮故障诊断方法。首先,对齿轮振动信号进行局部特征尺度分解,得到若干内禀尺度分量(ISC);然后,依据峭度准则,选取峭度最大的ISC作为故障特征分量,再运用形态差值滤波器对其进行滤波;最后,对滤波结果求取频谱并进行故障诊断。通过对仿真结果和实验数据的分析,说明了该方法的可行性和有效性。结果表明,该方法具有抑制噪声和提取故障冲击特征的能力,能够有效地实现齿轮故障的精确诊断。     

基于LMD和ICA的滚动轴承故障诊断

针对局部均值分解(Local Mean Decomposition,LMD)在提取故障特征时易受到噪声干扰的问题,提出了一种基于局部均值分解和独立分量分析(Independent Component Analysis,ICA)的滚动轴承故障诊断方法。该方法首先采用LMD方法提取信号PF分量;其次,对PF分量进行ICA盲源分离,得到PF分量的估计信号,有效去除了分量中的噪声成分;然后,提取估计信号的互信息、相关系数和近似熵作为特征向量;最后,采用SVM对特征向量进行故障分类,通过特征提取和故障诊断实验,结果表明LMD-ICA方法的故障识别率明显高于传统LMD方法。     

核函数主元分析及其在齿轮故障诊断中的应用

提出了基于核函数主元分析的齿轮故障诊断方法。该方法通过计算齿轮振动信号原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析,得到原始特征的非线性主元,以所选的非线性主元作为特征子空间对齿轮工作状态进行分类识别。用齿轮在正常状态、裂纹状态和断齿状态下的试验数据对该方法进行了检验,比较了主元分析与核函数主元分析的分类效果。结果表明,核函数主元分析能有效的检测裂纹故障的出现,正确区分不同的故障模式,更适于提取故障信号的非线性特征。     

基于VMD的调制谱强度分布在齿轮故障诊断中的应用研究

变分模态分解(Variational mode decomposition, VMD)是一种具有良好带通滤波特性的信号处理方法,它能够非递归地将实信号分解成一定数量在时域中具有准正交和稀疏特性的有限带宽模态分量。考虑到VMD分解多模态信号时的优势,为了弥补调制强度分布(Modulation intensity distribution, MID)分析多谐波调制信号时的不足,研究将VMD作为调制强度分布的前处理,提出了一种基于VMD的调制强度分布的齿轮故障诊断方法,并通过数值仿真和实验分析验证了该方法的有效性。     

基于内禀尺度分量符号熵和ANNC的齿轮故障诊断方法

为提高齿轮故障诊断的准确率,提出了基于内禀尺度分量符号熵和ANNC的齿轮故障诊断方法。该方法利用局部特征尺度分解(LCD)对齿轮振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据符号熵能有效区分不同故障信号的复杂度,计算ISC分量的符号熵,获得原始信号多个尺度下的复杂度特征作为齿轮故障的特征参数;将该特征参数输入ANNC分类器中判断齿轮故障,实现故障诊断。齿轮故障诊断实验结果表明,所提方法能够有效地识别齿轮的典型故障,相比其他一些方法,具有一定的优势。     

基于单分类的机械故障诊断研究及其应用

为解决机械智能监测与诊断中缺少故障样本的问题,提出一种机械故障单值分类的新方法--支持向量数据描述法.该方法只需要一类目标样本作为学习样本,而不需要除学习样本以外的其他非目标样本,即可以建立单值分类器,从而将非目标样本从目标样本中区分开.提取机械设备正常运行时振动信号的特征值组成学习样本集,建立单分类模型,应用该模型可以对未来的设备运行状态和故障进行识别诊断.该方法应用于某水泥厂煤灰鼓风机故障诊断的工程实践中,取得满意的结果.     

基于形态小波去噪的齿轮故障诊断

针对在强背景噪声情况下,齿轮故障信号信噪分离难,给故障诊断带来麻烦的问题,提出了一种基于形态小波去噪的齿轮故障诊断方法。方法结合了数学形态学的特征识别和小波分解的多分辨率分析特性,先采用形态小波方法对齿轮的振动信号进行消噪预处理,再计算信号的时频谱和功率谱,提取故障特征。给出了形态小波方法在齿轮故障诊断中的应用原理、方法步骤和评价指标。仿真和实验结果表明,方法可以有效地去除强噪声的干扰,提高信噪比,突现出信号的故障特征,提高了齿轮故障诊断的精度。     

模型参数在齿轮故障诊断中的应用

针对齿轮故障运用模型参数进行诊断,一般实测信号数据量较大,利用常规的FPE(final prediction error)准则或AIC(Akaike information criterion)信息准则定阶方法很难确定合适的模型阶数。因此,提出利用基于模型估计的功率谱与经典功率谱之间相似程度来确定模型阶数,建立故障状态模型。并提取模型参数的统计平均作为识别状态的标准特征向量,应用于齿轮正常、疲劳磨损、点蚀、剥落、断齿和疲劳裂纹等六种状态的诊断,诊断正确率达到100%,结果表明该方法是一种有效的故障诊断方法。     

基于改进局部保持映射算法的故障诊断

针对局部保持映射(LPP)应用于故障诊断存在识别精度不高的问题,提出了基于无参数监督核局部保持映射(NPSKLPP)降维的故障诊断新方法。NPSKLPP采用对离群数据更为鲁棒得余弦距离对LPP中的欧氏距离进行替换,并融入样本标签信息构造无参数近邻图,利用核方法将提取的高维故障特征映射到一个高维线性空间再进行降维,避免了相似矩阵计算过程中人为选择参数的问题,能够获得更有效的低维流形。齿轮故障诊断结果表明,该方法是有效的。     

基于改进KFDA独立特征选择的故障诊断

为了有效利用故障特征集中对故障敏感的特征进行故障诊断,对核Fishier判别分析(KFDA)进行改进,提出基于改进KFDA独立特征选择的故障诊断方法。该方法首先从多个角度提取故障振动信号的故障特征,构建原始高维多域混合故障特征集。然后,采用改进的核Fisher特征选择方法为每两类故障状态独立选择敏感特征集。最后,采用"一对一"的方法训练多个二分类相关向量机(RVM),将得到的敏感特征集输入多分类故障诊断模型进行识别。齿轮故障诊断实例表明,所提方法具备较高的诊断准确率。     

基于多传感器信息融合的故障诊断方法研究及应用

针对传感器采集的信息具有不确定性和冲突性的特点,提出一种基于证据理论的多传感器信息融合故障诊断方法。利用冲突证据判据判断相似性证据和冲突证据,保留相似性证据,通过相似度对冲突证据进行有针对性地修正,这种判断和修正方式可以降低传感器证据信息的不确定性,并减弱冲突信息对诊断结果的影响。结合神经网络建立特征空间到证据空间的映射,有效利用网络输出结果构建原始证据,最后将修正后的证据进行D-S(Dempster-Shafer)合成。通过齿轮泵早期故障试验,与传统频域分析、神经网络和其他证据合成方法对比,所提方法具有较高的诊断精度,从而验证新融合方法的有效性。