An improved complementary ensemble empirical mode decomposition with adaptive noise and its application to rolling element bearing fault diagnosis

A novel time–frequency analysis method called complementary complete ensemble empirical mode decomposition (EEMD) with adaptive noise (CCEEMDAN) is proposed to analyze nonstationary vibration signals. CCEEMDAN combines the advantages of improved EEMD with adaptive noise and complementary EEMD, and it improves decomposition performance by reducing reconstruction error and mitigating the effect of mode mixing. However, because white noise mixed in with the raw vibration signal covers the whole frequency bandwidth, each mode inevitably contains some mode noise, which can easily inundate the fault-related information. This paper proposes a time–frequency analysis method based on CCEEMDAN and minimum entropy deconvolution (MED) for fault detection of rolling element bearings. First, a raw signal is decomposed into a series of intrinsic mode functions (IMFs) by using the CCEEMDAN method. Then a sensitive parameter (SP) based on adjusted kurtosis and Pearson’s correlation coefficient is applied to select a sensitive mode that contains the most fault-related information. Finally, the MED is applied to enhance the fault-related impulses in the selected IMF. The fault signals of high-speed train axle-box bearing are applied to verify the effectiveness of the proposed method. Results show that the proposed method can effectively reveal axle-bearing defects’ fault information. The comparisons illustrate the superiority of SP over kurtosis for selecting the sensitive mode from the resulted signal of CCEEMEDAN. Further, we conducted comparisons that highlight the superiority of our proposed method over individual CCEEMDAN and MED methods and over two other popular signal-processing methods, variational mode decomposition and fast kurtogram.     

Fault diagnosis for wind turbine planetary ring gear via a meshing resonance based filtering algorithm

Identifying the differences between the spectra or envelope spectra of a faulty signal and a healthy baseline signal is an efficient planetary gearbox local fault detection strategy. However, causes other than local faults can also generate the characteristic frequency of a ring gear fault; this may further affect the detection of a local fault. To address this issue, a new filtering algorithm based on the meshing resonance phenomenon is proposed. In detail, the raw signal is first decomposed into different frequency bands and levels. Then, a new meshing index and an MRgram are constructed to determine which bands belong to the meshing resonance frequency band. Furthermore, an optimal filter band is selected from this MRgram. Finally, the ring gear fault can be detected according to the envelope spectrum of the band-pass filtering result.     

基于参数自适应特征模态分解的滚动轴承故障诊断方法

针对强背景噪声下轴承故障信息难以有效提取的问题,提出一种基于参数自适应特征模态分解的滚动轴承故障诊断方法。首先,为了克服原始特征模态分解(FMD)需要依赖人为经验设定关键参数而不具有自适应性的缺点,提出基于平方包络谱特征能量比(FER-SES)的网格搜索方法自动地确定FMD的模态个数n和滤波器长度L;随后,采用参数优化的FMD将原轴承振动信号划分为n个模态分量,并选取具有最大FER-SES的模态分量为敏感模态分量;最后,通过计算敏感模态分量的平方包络谱来提取故障特征频率,从而判别轴承故障类型。通过仿真信号和工程案例分析验证了提出方法的有效性。与变分模态分解(VMD)和谱峭度方法(SK)相比,提出方法具有更好的故障特征提取性能。     

Health condition identification of planetary gearboxes based on variational mode decomposition and generalized composite multi-scale symbolic dynamic entropy

This paper proposes a novel fault diagnosis method based on variational mode decomposition (VMD) and generalized composite multi-scale symbol dynamic entropy (GCMSDE) to identify the different health conditions of planetary gearboxes. First, VMD is adopted to remove the noises and highlight the fault symptoms. Second, GCMSDE is utilized to extract the fault features from the denoised vibration signals. Third, the Laplacian score (LS) approach is employed to refine the fault features. Finally, the new features are fed into Softmax regression to identify the health conditions of planetary gearboxes. The proposed method is numerically and experimentally demonstrated to be able to differentiate seven localized fault types on the sun gear, planet gear and ring gear of planetary gearboxes.     

基于特征融合度量学习的高压断路器机械故障诊断

数据驱动的深度学习方法在高压断路器机械故障诊断中取得了一定的成效,然而这些方法实现优异性能的前提是可获取海量训练样本,在现场数据匮乏场景下其诊断性能明显下降。为此,提出了一种新颖的特征融合度量学习模型用于现场小样本高压断路器机械故障诊断。首先构建了特征融合卷积神经网络,有效提升了可鉴别特征提取能力。然后以K近邻算法作为度量学习器实现小样本数据的匹配和分类。最后通过改进中心损失进一步提升特征表示的分辨能力,并通过情景训练从实验室构建的大样本集中学习可迁移知识。实验结果表明,本文方法在每类支持集样本数为5时便可达到94.58%的诊断精度,相对于卷积神经网络提升了63.71%。同时,得益于情景训练方式本文方法有效避免了非平衡样本的问题。     

基于神经网络的多级行星齿轮箱故障诊断专家系统

多级行星齿轮传动比大、结构复杂,按照传统的事后检修、计划检修难以满足实际生产需要.因此采用基于人工神经网络的故障诊断专家系统来实现多级行星齿轮增/减速器的不解体故障诊断.根据多级行星齿轮的初始条件,得出齿轮箱的各轴端的特征频率,分析了齿轮箱的各种常见故障.将专家系统与神经网络结合,采用产生式规则表示知识的方法,运用基于模型的推理方法构建专家系统的知识库和推理机,通过人工神经网络的样本分析,改进了专家系统的学习和推理功能,并提出了1种能有效解决多级行星齿轮增/减速器各种故障的诊断方法.     

基于改进证据理论的齿轮泵故障诊断方法研究

针对多源传感器信息的不确定性,提出了一种基于改进证据理论的故障诊断方法.首先定义了证据向量的夹角余弦,提出了冲突证据判定法则,对证据进行冲突性判定;然后建立二级鲁棒融合策略,通过RBF神经网络进行特征层融合,经过训练产生初始证据,应用冲突证据判定法则找出冲突证据并利用相似度对其进行局部修正;最后对证据进行融合和诊断.通过齿轮泵振动试验,将此方法与神经网络、传统证据理论和其他代表性改进方法的诊断结果进行对比,验证了新方法和融合策略的有效性.     

变转速工况下基于多传感器信号深度特征 融合的电机故障诊断研究

本文提出一种利用多传感器信号深度特征融合的方法实现电机变转速工况下的故障诊断。首先从多传感器节点同步采集电机的多通道振动、声音和漏磁信号。对漏磁信号进行处理获取电机转子的累积转角曲线,随后利用累积转角曲线对振动和声音信号进行阶比分析处理。最后利用双层双向长短期记忆网络从经过预处理的多传感器信号中提取和融合特征以诊断电机故障。实验结果表明,通过提取和融合8通道的电机振动和声音信号,本文提出的方法能够有效识别电机的高阻接触、偏心、霍尔断线、相间短路、轴承等10类运行状态,分类准确率达到99.86%。该方法有望部署在物联网边缘计算节点中,实现电机的远程在线状态监测和故障诊断。     

基于KPCA和SVM的电梯故障诊断系统

针对电梯故障的非线性特性及故障特征不明显,传统方法分析后留下的显著成分不能反映这种非线性属性等问题,提出了核主元分析(KPCA)和支持向量机(SVM)相结合的故障诊断方法。利用KPCA在高维空间具有较强的特征选择能力和支持向量机具有较强的辨识率的特点,通过核主元分析法提取电梯故障特征,以达到降维作用,再利用支持向量机分类模型进行故障辨识。实验证明用此方法进行电梯的故障诊断具有更快更好的诊断效果。     

用神经网络技术诊断桥式起重机轴承故障

根据BP神经网络的滚动轴承故障振动诊断技术 ,利用信号的时域特征参数、频域和倒频谱的包络谱等特征参数作为神经网络的输入信号 ,建立起故障诊断系统 ,并进行故障诊断试验     

基于对向传播神经网络的齿轮箱故障诊断研究

介绍了CPN网络的原理、算法,利用神经网络具有任意逼近非线性函数的能力,建立了齿轮箱故障征兆与故障原因的对向传播神经网络模型。并用CPN网络对齿轮箱机械传动系统的故障进行了诊断。实例结果表明,该方法能够准确地诊断齿轮箱故障,同时具有训练速度快、结构简单、精度高等特点,是一种行之有效的诊断方法。     

基于偏置经验特征映射的电路故障诊断方法

基于支持向量机的模拟电路故障诊断方法已经成为故障诊断领域的研究热点.然而,在该方法实用化过程中,故障样本集中存在的不平衡分布问题严重影响了该方法的整体诊断性能.针对该问题,提出一种基于偏置经验特征映射的故障诊断方法,该方法将故障样本集映射至经验特征空间,并在该特征空间中使用偏置判别分析准则作为核函数优化的目标函数,最大化所有正常样本同故障样本中心的距离,从而提高故障诊断方法的整体诊断能力.标准数据集以及真实电路上的实验效果表明,提出的方法可以大大缓解由于样本不平衡造成的支持向量机诊断效果下降的问题,从而提高了基于支持向量机的电路故障诊断法方法的适用范围.     

基于多元经验模态分解的旋转机械早期故障诊断方法*

针对旋转机械早期微弱故障诊断问题,提出了基于多元经验模态分解的旋转机械早期故障诊断新方法。首先将多个加速度传感器合理布置在轴承座的关键位置,同步采集多通道振动信息;再利用多元经验模态分解同时对多通道振动信号进行自适应分解,得到一系列多元IMF分量;最后,依据峭度准则和相关系数从中选取包含故障主要信息的IMF分量进行信号重构,提取故障特征。多元经验模态分解方法克服了EMD等方法在进行多通道数据融合时缺乏理论依据的局限性。仿真信号和旋转机械故障信号的实验结果表明,该方法明显优于EEMD方法,对齿轮和滚动轴承故障的检测精度更高,可以在强背景噪声情况下更好地提取出故障冲击特征。     

基于虚拟样机技术的行星齿轮传动系统分析

利用实体建模软件UG建立了减速器行星齿轮传动系统的虚拟样机,并利用UG与动力学仿真分析软件ADAMS,将虚拟样机导入到ADAMS中建立仿真模型。齿轮啮合中轮齿间除了滚动接触外还存在相应的滑动接触,使轮齿间具有较大的摩擦了,针对传统赫兹理论形成的齿面接触力计算没有考虑齿间摩擦,将摩擦系数引入计算,得到了齿轮之间的接触力曲线变化。应用UG NX的"高级仿真"模块,建立行星轮有限元模型,通过解算器NX NASTRAN对有限元模型进行分析求解,得到行星轮在接触力作用下应变和应力分布情况,再根据设计要求对零件参数进行优化,使行星轮的结构既满足设计要求,又达到体积小和成本低。     

VMD的AR模型和关联维数在齿轮故障特征提取中的应用

针对齿轮故障信号的非线性及常伴有大量噪声干扰的问题,提出一种基于变分模态分解(VMD)的自回归(AR)模型和关联维数相结合的故障特征提取方法.该方法采用VMD将齿轮振动信号分解为一系列固有模态函数(IMF),通过频域互相关系数准则选取对信号特征敏感的IMF分量进行信号重构,对重构信号建立AR模型,并以AR模型自回归参数...     

基于层次分析法的行星齿轮传动多目标优化设计

传统的行星齿轮优化一般仅从最小体积出发,其最优解并未考虑对机构其他参数的影响.通过分析行星齿轮机构的多种性能指标,包括外形尺寸、体积、齿面接触强度和齿根弯曲强度,从机构总体最优出发建立模型,采用层次分析法进行多目标优化.结果表明该模型能有效的满足设计要求.     

基于小波包与改进BP神经网络的齿轮故障诊断

对齿轮振动信号应用小波包分解提取故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立齿轮运行状态分类器,用以诊断齿轮的运行状态。结果表明,该方法对齿轮故障诊断十分有效。     

基于混沌神经网络行星齿轮传动的模糊可靠性优化设计

以渐开线行星齿轮传动机构为例,在考虑了机械传动各设计参数的模糊性和随机性的基础上,在运用神经网络求解优化方面问题的同时,引进全局耦合模型GCM(GlobaUy Coupled Mode)混沌神经网络,通过混沌遍历,可使神经网络在整个相空间进行搜索,从而避免网络在运行过程中陷入局部极小值.利用混沌神经网络能达到系统的稳定平衡点和能够提高优化速度和精度等特点,探讨了基于混沌神经网的行星齿轮传动机构模糊可靠性的优化设计,实例进行实验,结果显示混沌神经网络的优化获得了全局最优解.表现出了令人满意的结果.     

滚动轴承振动诊断的SOM神经网络方法

归纳和总结了SOM神经网络多参数诊断法的实施步骤,阐述了轴承故障与振动信号之间的关系以及SOM神经网络的工作原理和实现过程,通过试验研究,提取了反映滚动轴承故障类型的振动信号的特征参数,以构建训练神经网络的特征向量,利用MATLAB 7.0人工神经网络工具箱(ANN)模拟和仿真SOM神经网络,然后用训练后的SOM神经网络对故障模式进行识别。     

基于非线性特征融合的高速装备故障诊断方法

针对高速数控装备的复杂非线性特性,基于改进证据理论和非线性特征提出了一种新的故障诊断方法。分析了高速运行状态下数控装备的故障特性,提取出一组反映系统非线性特性变化的故障特征向量。给出了基于证据理论的多类型故障识别模型,并利用模式之间的相似度获取各个证据的mass函数。为解决冲突情况下的多个证据合成问题,提出一种基于平均信任度的动态参数冲突证据合成方法。仿真实验结果表明,在证据存在冲突的情况下,该方法识别率高,适合于具有非线性特性的高速装备故障诊断。