全矢LMD能量熵在齿轮故障特征提取中的应用

齿轮故障信号具有非线性、非平稳特征,齿轮发生故障时,信号的能量结构随之改变,在不同的频带内能量不同。传统方法采用局部均值分解(LMD)提取振动信号的能量熵,将能量熵指标作为故障评判标准进行故障分类,依靠单一传感器信息源进行故障诊断,因而容易造成误诊、漏诊。全矢LMD能量熵法融合了双通道同源信息的回转能量,可降低故障误判率。通过实验模拟齿轮正常、齿根裂纹、断齿、缺齿等4种状态,验证了全矢LMD能量熵作为故障特征能达到很好的故障分类效果。     

LMD样本熵与SVM结合的柱塞泵故障诊断研究

针对柱塞泵故障特征难以提取、故障分类困难、故障诊断准确度不高的问题,提出局部均值分解(LMD)样本熵和支持向量机(SVM)结合的柱塞泵故障诊断方法研究.采集柱塞泵四种状态(正常、松靴、配流盘磨损、滑靴磨损)的多测点振动信号,将振动信号进行LMD分解和重构,提取重构信号的样本熵与原始信号标准差作为特征向量,将其输入SVM...     

基于振动信号的减速器故障诊断方法

基于经典振动分析方法 ,总结了减速器3类常见故障(轴故障、齿轮故障、轴承故障)在振动方面的特征。利用Matlab数据处理和信号分析功能,采用时域分析、相关分析、频域分析、时频分析等方法,结合已知的减速器基本参数,从不同角度挖掘信号中的故障信息,进行故障推断,并以案例的形式介绍了对某型门座起重机起升机构减速器故障诊断的具体执行过程,得出诊断结果。对该机减速器故障诊断的研究,能弥补其状态监测与故障诊断的不足,保证其运行的安全高效性,提升设备管理水平。     

基于深度学习的航空发动机齿轮故障诊断

传统的机械故障诊断方法需要将采集的故障波信号进行信号处理,再结合神经网络进行特征提取与分类,不仅流程复杂、耗费时间,而且识别准确率不高。针对此问题,采用一维卷积神经网络（one dimensional convolutional neural network,简称1D?CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类,建立齿轮故障一维卷积神经网络模型,对航空发动机轴承进行故障诊断。试验与分析结果表明：采用该神经网络模型对齿轮进行分类,其准确率可达80%,相较于采用传统的前馈神经网络63.9%的识别准确率,提高了15.07%;与采用支持向量机（support vector machine ,简称SVM）对故障进行分类识别相比,该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,简化了传统方法先进行信号处理再通过机器学习诊断的步骤,为航空发动机故障诊断提供一种可行方法。     

LMD能量熵和SVM相结合的滚动轴承故障诊断

为实现小样本情况下对滚动轴承进行故障检测和分析,提出了基于局部均值分解(LMD)的能量熵和支持向量机(SVM)相结合的滚动轴承故障诊断方法。利用LMD信号处理方法将滚动轴承振动信号分解成有限个乘积函数(PF)分量,通过计算PF分量的能量熵进行故障特征提取,然后将提取的特征输入到SVM分类器中进行训练及测试,最终实现对滚动轴承的故障诊断。实验数据显示,在仅有少量样本条件下,LMD能量熵和SVM相结合的方法能够精确地对滚动轴承的故障类型进行识别和分类,这表明该方法对滚动轴承故障诊断的有效性。     

基于集成神经网络的航空发动机故障诊断研究

针对航空发动机单一信息源故障诊断存在诊断效率低和准确率不高的问题,研究了基于油液和振动信息融合的集成神经网络的故障诊断方法,并将其应用到航空发动机的故障诊断中。以某型航空发动机为例,采用振动信息和油液信息融合诊断的思路,研究了集成神经网络故障诊断法在该发动机轴承故障中的应用,并结合具体数据对此诊断方法进行了验证。诊断结果表明,与传统的单一信息源故障诊断方法相比,集成神经网络故障诊断法诊断效率更高,可检测故障模式更多,误诊率更低。     

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。     

基于动态PCA与改进SVM的航空发动机故障诊断

为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机(support vector machine,简称SVM)在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。     

基于两类特征和最小二乘支持向量机的齿轮故障诊断方法

针对齿轮振动信号非线性非平稳特性,为避免传统"时-频"分析方法在表征设备状态时的不足和样本数量少易造成故障辨识模型"欠学习"的问题,提出一种基于峭度、本征模式分量(Intrinsic mode function,IMF)能量两类特征和最小二乘支持向量机(Least squares support vector machine,LS-SVM)的齿轮故障诊断方法。首先,对所测齿轮振动信号在集合经验模式分解(Ensemble empirical mode decomposition,EEMD)的基础上提取有效IMF分量计算其能量特征和峭度值,据此构建时频域两类特征向量;其次,将融合后的齿轮正常、齿根裂纹、断齿3种状态下的时频域两类特征向量作为输入,基于LS-SVM建立齿轮故障诊断模型,进行齿轮故障识别。实验结果表明,该方法能够准确地识别齿轮的工作状态,与基于BP、SVM的故障诊断模型相比,其具有更高的识别率,为齿轮状态识别和故障诊断提供了一种新途径。     

应用小波变换信息融合诊断航空发动机故障

研究了小波变换的信息融合技术以及将其应用在振动信号处理、故障诊断方面较传统方法的优越性.在分析的理论基础上.对某型航空发动机用不同传感器采集的振动信号进行信息融合,然后提取出噪声掩盖下振动信号中的故障信息,根据航空发动机整机振动的典型故障特征频率,判断该发动机是否发生故障.