基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

时频分析和深度学习相结合的滚动轴承故障诊断

滚动轴承大量使用在旋转机械中,轴承的工况严重影响着机械设备的正常运行。为了提高轴承故障的诊断精度,本文提出了一种时频分析和深度学习相结合的滚动轴承诊断方法。首先,分析了十种不同时频分析方法;其次,建立了深度学习的滚动轴承故障诊断模型,并利用迁移学习克服训练样本数量少的问题,通过对比分析,常数Q变换(Constant Q transform, CQT)的准确率可达100%;最后,利用实验数据对所提方法的有效性和可靠性进行验证,分别评估了在不同负载和噪声情况下的识别精度,并与文献中的方法对比,证明所提方法在不同工作环境条件下都有较好的鲁棒性和较高的识别精度。     

基于滤波器组的时频分布及其在故障诊断中的应用

采用滤波器组将信号分解成一系列子带信号，依据信息熵最小原则，对各个子带信号的伪Winger分布(PWVD)的参数进行优化，得到各个子带信号的优化PWVD，求这些优化PWVD的加权和，得到原始信号的一种新的时频分布。当计算时频信息熵的分组数取得合适时，该分布具有一定的自适应性，且与其它自适应时频分布相比，具有计算量小的特点。将该时频分布应用于转子故障的诊断中，诊断效果十分理想。     

基于改进卷积神经网络的行星齿轮箱故障诊断研究

行星齿轮箱作为机械设备的重要传动部件,其运行的好坏直接影响到整个设备的运行状况.通过引入批量归一化层和丢弃层对卷积神经网络模型进行改进,提出了基于改进卷积神经网络的齿轮箱故障诊断模型.搭建齿轮箱实验平台,使用该模型对齿轮箱的振动信号进行故障识别.实验结果表明:该模型能够有效地对齿轮箱不同的故障类型进行识别分类,分类准确...     

基于一种新的时频分布的机械故障诊断

在巧妙构思核函数的基础上,给出了一种新的时频分布(TFC)及其离散算法,并将该TFD应用于机械故障诊断。结合两个诊断实例,同时与Winger-Ville分布(WVD)进行对比,发现该分布具有良好的时频聚集性,并且能够有效的抑制交叉项。事实证明,该分布能够刻画出传统Fourier变换和WVD所不能反映的故障特征信号,能够较好的进行故障诊断。     

时频图像Hough变换在滚动轴承故障诊断中的应用

为提高时频分析技术在设备故障诊断中的实用性,研究了时频图像处理的滚动轴承故障诊断技术。采用Hough变换对表征信号的Wigner-Ville时频分布进行分析,以提高时频谱表征非平稳信号的可靠性,特别对线性调频信号分析具有较好的实用性。以实验室的滚动轴承在不同状态下的状态识别为例,验证了时频图像Hough变换准确识别滚动轴承故障的有效性。     

行星齿轮箱故障诊断技术的研究进展

行星齿轮箱广泛用于风力发电、直升机、工程机械等大型复杂机械装备中,低速重载的恶劣工作环境经常导致其太阳轮、行星轮、行星架等关键部件出现严重磨损或疲劳裂纹等故障。然而,现有的中心轴固定的传统齿轮箱故障诊断理论与技术不能有效解决行星齿轮箱诊断中所面临的诸多棘手问题,例如行星齿轮箱中多模式混淆和振动传输路径复杂导致故障响应微弱、载荷大范围瞬时波动引起振动的强烈非平稳性、多对齿轮啮合的振动相互耦合造成振动明显的非线性、低频特征频率成分噪声污染严重等。阐述行星齿轮箱故障诊断的特点与难点;从动力学建模和动态信号处理两方面,综述和分析行星齿轮箱故障诊断的国内外研究进展;指出当前研究中存在的关键问题;讨论解决这些关键问题的途径。     

基于Gabor变换与Wigner-Ville分布的滚动轴承故障诊断

滚动轴承是各类机械设备中承担关键支撑作用的零部件,在恶劣工作环境下极易损坏。论文首先通过Gabor变换的方法分析滚动轴承振动信号时频特性,然后计算其Wigner-Ville分布,最后从信号的阶次谱中识别故障特征,从而诊断出滚动轴承故障位置。试验结果表明,论文所用方法能够准确判断滚动轴承技术状态。     

基于局域均值分解的滚动轴承故障诊断方法

论述了一种新的自适应时频分析方法--局域均值分解的基本原理和算法,并将该方法引入到滚动轴承故障诊断中,提出了一种基于局域均值分解的滚动轴承故障诊断方法, 该方法先将一个故障信号自适应地分解成若干个具有一定物理意义的生产函数分量,然后求出每个PF分量的瞬时幅值和瞬时频率,从而获得故障信号的特征信息.试验结果验证了该方法的有效性.     

分形维数及其在滚动轴承故障诊断中的应用

将分形维数用于刻划滚动轴承在不同故障状态下表现的非线性行为,进而对故障分类。试验结果表明,滚动轴承振动信号在不同故障状态下的分形维数是不同的,可以将分形维数作为识别滚动轴承故障的特征量。     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

基于连续小波变换的信号检测技术与故障诊断

通过分析指出,连续小波变换具有很强的弱信号检测能力,非常适合故障诊断领域。从参数离散到参数优化系统研究了连续小波变换的工程应用方法,建立了“小波熵”的概念,并以此作为基小波参数的择优标准。论文最后把连续小波技术应用在滚动轴承滚道缺陷和齿轮裂纹的识别中,诊断效果十分理想。     

NEW DEMODULATION TECHNOLOGY OF OPTIMIZING ENERGY OPERATOR AND APPLICATION TO GEAR FAULT DIAGNOSIS

Although many methods have been applied to diagnose the gear fault currently,the sensitivity of them is not very good.In order to make the diagnosis methods have more excellent integrated ability in such aspects as precision,sensitivity,reliability and compact algorithm,and so on,and enlightened by the energy operator separation algorithm (EOSA),a new demodulation method which is optimizing energy operator separation algorithm (OEOSA) is presented.In the algorithm,the non-linear differential operator is utilized to its differential equation: Choosing the unit impulse response length of filter and fixing the weighting coefficient for inportant points.The method has been applied in diagnosing tooth broden and fatiguing crack of gear faults successfully.It provides demodulation analysis of machine signal with a new approach.     

基于奇异谱的降噪方法及其在故障诊断技术中的应用

提出一种将振动信号在相空间进行重构,并利用重构吸引子轨道矩阵的奇异谱的特性来提高信噪比的方法。该方法已应用于滚动轴承和齿轮箱的故障诊断中,试验表明该方法能够有效地降低噪声,提高信噪比,突出振动信号的故障特征,从而提高设备故障诊断的准确率。     

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。     

几种Cohen类时频分布的比较及应用

比较了谱图、平滑伪Wigner-Ville分布、Choi-Williams分布和Cone核分布四种Cohen类时频分布方法及其性能,从理论上讨论了交叉项衰减和时频聚集度的性能,并分析了相应的其他特性。针对齿轮箱状态监测问题,通过仿真和试验信号,展现了上述方法的应用效果。结果表明Choi-Williams分布在非平稳信号所引发的短时变化中具有高度的敏感性,更为适合表征非平稳信号的时变信息,易于诊断出齿轮的局部损伤故障,尤其适用于故障的早期诊断。     

Hilbert-Huang变换在齿轮裂纹故障诊断中的应用

提出一种基于Hilbert-Huang变换的齿轮裂纹故障诊断的新方法。Hilbert-Huang变换是先把时间序列信号,用经验模态分解方法分解成不同特征时间尺度的固有模态函数,然后经过Hilbert变换获得信号时频分布的一种信号处理新方法,将Hilbert-Huang变换应用于齿轮箱中齿轮故障诊断的研究。齿轮故障实验信号的研究结果表明,Hilbert-Huang变换时频分析方法能有效诊断齿轮的齿根裂纹故障。     

NEW TECHNOLOGY FOR FAULT DIAGNOSIS BASED ON WAVELET DENOISING AND MODIFIED EXPONENTIAL TIME-FREQUENCY DISTRIBUTION

0 INTRODUCTIONWhen failure diagnosis of mechanical equipmentis put in practice, a lot of vibration signals should beprocessed and signal features must berevealed. However every vibration signal containsvarious intefference components, such as vibration ofneighborhood machine, electric interference andtransmitted noise while detecting. Useful informationoften sinks in the complex vibration signal.Wavelet multi-resolution analysis(wavelet MRA)and exPOnential time-fmpuency distribution (E…