基于混合智能的采煤机齿轮传动故障诊断方法

采煤机齿轮传动部分是保障其稳定运转的关键,智能诊断方法各有优缺点,综合多种智能算法的混合智能方法有效保障了预测结果的准确性。研究了故障诊断的基本流程,采用多种特征提取方法建立采煤机齿轮传动的混合智能诊断模型,介绍了混合智能诊断模型中ANFIS分类器的基本结构以及各层之间的传递函数,确定了ANFIS的样本训练过程以及网络诊断流程。通过对比ANFIS和RBF神经网络的迭代次数证明了ANFIS的训练速度更快,对比单一ANFIS分类器和混合智能模型的分类准确率,验证了混合智能模型的预测准确率更高。     

基于虚拟样机技术的齿轮故障特征提取方法研究

借助ADAMS建立了某齿轮传动系统的虚拟样机模型,并分别对构造的齿形误差和断齿2种故障进行了动态特性仿真分析。通过比较正常和故障2种状态下的动态特性,找出2种故障的故障特征。仿真结果表明与理论分析相符,为故障特征的提取探索了一种新的方法。     

基于HMM的矿井提升机故障诊断方法

结合隐马尔可夫模型(HMM)所需训练样本少及可解释的优点,提出了基于HMM的矿井提升机故障诊断方法。利用多个加速度传感器在提升机运行的不同转速阶段采集数据,通过快速傅里叶变换(FFT)从提升机振动信号中进行特征抽取后,再由劳埃德算法(Lloyd)进行标量量化,根据HMM建模理论,训练HMM诊断库,再利用训练好的HMM对提升机进行状态监测和故障诊断。     

基于EEMD的齿轮故障诊断方法研究

采用基于EMD改进的总体经验模式分解算法(EEMD)对齿轮箱进行故障诊断。首先利用Matlab进行仿真实验,验证了具有自适应特性的EEMD分解方法在消除基本模式分量之间相互混叠现象方面的有效性。然后利用该方法对故障试验台模拟的齿轮点蚀信号进行分解,并对反映故障信息的本征模式分量进行Hilbert包络解调分析。分析结果表明,EEMD方法可以有效地应用于齿轮故障诊断。     

基于灰色马尔可夫模型的齿轮寿命预测

灰色GM(1,1)模型不适合描述随机波动性较大的预测问题,单纯应用该模型进行齿轮寿命预测时,预测精度不能保证;引入马尔可夫理论,建立了灰色马尔可夫预测模型,采用统计的方法,通过计算系统到达目标时刻的不同步数的转移概率矩阵,确定系统的目标状态。实例证明,相比与GM(1,1)模型,灰色马尔可夫模型的预测精度更高。     

基于SOM-BP复合神经网络的齿轮故障诊断研究

采集齿轮4种常见状态的振动信号,采用MATLAB建立SOM神经网络、BP神经网络和SOM-BP复合神经网络模型并对模型进行训练,对齿轮故障进行分析。通过对比测试样本的实验结果,BP神经网络的识别准确率可达到94%,SOM神经网络的识别准确率可达到91%,SOM-BP复合神经网络的识别准确率可达到99%,证明了采用SOM-BP复合神经网络进行齿轮故障诊断的正确性和准确性。     

基于VMD包络相关系数的齿轮故障特征提取方法

使用变分模态分解(VMD)方法分析风力发电机齿轮故障信号时,本征模态函数(IMF)的个数K和约束参数α的选取对结果的影响很大,如何筛选合适的分解参数并获得最优分量是制约VMD实际应用的一个难题。提出一种基于包络相关系数的VMD参数筛选方法,能够针对风力发电机齿轮故障信号自动筛选出最佳VMD参数组合,得到最佳的IMF分量。与常用的齿轮故障诊断方法相比,该方法能够获得更好的分解效果,强化了故障信息,故障特征提取效果更好,为VMD方法的应用提供了新的思路。     

基于EMD-HSMM的采煤机轴承故障诊断

针对采煤机在正常工作中经常发生轴承故障的问题,提出一种基于经验模态分解(EMD)和隐半马尔可夫模型(HSMM)的故障识别方法。该方法先用EMD对故障信号进行分解,形成一系列平稳的本征模函数(IMF),并提取包含故障信息的IMF的能量作为特征向量输入到HSMM中对其进行训练。之后用训练好的HSMM分类器对故障进行识别。实验结果表明,采用该方法可以有效地提高故障识别率。     

基于EMD-HSMM的采煤机轴承故障诊断

针对采煤机在正常工作中经常发生轴承故障的问题,提出一种基于经验模态分解(EMD)和隐半马尔可夫模型(HSMM)的故障识别方法。该方法先用EMD对故障信号进行分解,形成一系列平稳的本征模函数(IMF),并提取包含故障信息的IMF的能量作为特征向量输入到HSMM中对其进行训练。之后用训练好的HSMM分类器对故障进行识别。实验结果表明,采用该方法可以有效地提高故障识别率。     

基于改进蝙蝠算法的隐马尔可夫球磨机故障诊断

针对传统静态球磨机故障诊断方法的不足,提出了一种基于改进蝙蝠算法(Improved Bat Algorithm)的隐马尔可夫模型(Hidden Markov Model,HMM）故障诊断方法。首先针对HMM中算法初始化参数造成模型稳定性差的问题,提出基于蝙蝠算法的HMM(BA-HMM);其次针对BA易陷入局部极值的问题提出了一种基于动态自适应方法改进BA的HMM(VBA-HMM);最后利用VBA-HMM进行球磨机故障诊断,通过与基本HMM、BA-HMM对比,验证了VBA-HMM在球磨机故障诊断中具有更高的鲁棒性和准确性。     

基于Hilbert解调技术的齿轮故障诊断研究

阐述了齿轮振动信号的调制原理,讨论了Hilbert变换的定义及解调原理。应用Hil-bert变换的解调技术对齿轮振动信号进行了幅值解调分析。工程应用的研究结果表明,针对齿轮振动信号的调制现象,利用Hilbert技术能从复杂的振动信号中解调出故障齿轮的调制信息,进而判断出故障齿轮的部位,是一种可靠的故障诊断方法。     

基于倒频谱分析的齿轮故障诊断

齿轮传动是机械设备中最常见的传动方式,齿轮的状态直接关系着机械设备整体的运行状态,因而对齿轮的故障进行诊断非常重要。倒频谱变换是一种非线性的信号处理方法,这种分析方法受传感的测点位置及传输途径的影响小,常用于提取信号中的周期成分。采用倒频谱的分析方法对齿轮点蚀故障信号进行分析,成功定位了齿轮故障发生的部位,验证了该方法的有效性。     

基于共振解调技术的斜齿轮齿面接触型故障诊断研究

建立了斜齿轮的扭转振动分析模型,仿真计算了模型的啮合刚度、啮合阻尼和振动响应,并运用共振解调技术对仿真信号进行解调分析,成功提取了斜齿轮齿面接触型故障的特征信息,并经实验论证,该方法是有效可行的。     

基于NX6.0的采煤机销轨轮故障诊断与研究

销轨轮是采煤机行走机构中的重要组成部件,行走机构是采煤机牵引部的执行机构,一旦出现问题将导致整个采煤机停止运行,因此对采煤机销轨轮故障诊断进行深入地分析具有十分重要的意义。利用NX6.0软件对采煤机行走机构进行动力学分析,为采煤机销轨轮的故障诊断及设计提供一定的理论依据。     

基于EEMD和相关峭度的齿轮故障诊断

振动信号中冲击特征的出现是齿轮发生故障的一个重要表现,然而由于强噪声的影响,冲击特征很难被有效识别。为准确识别故障,提出了基于聚类经验模态分解(EEMD)和相关峭度的齿轮故障诊断方法。该方法首先利用EEMD方法将振动信号分解为若干本征模态分量(IMF),然后选出最大相关峭度对应的本征模态分量,最后对该IMF进行包络分析,进而识别故障。     

连续小波变换在齿轮故障诊断中的应用

提出了将连续小波变换用于提取信号中隐含特征的方法,并将该方法应用于故障齿轮振动信号的特征识别。数值仿真结果表明,信号的连续小波变换能有效地反映出冲击特征信号；实验表明,采用连续小波变换可以对断齿振动信号的故障特征进行有效地识别。     

基于小波包能量谱弧齿锥齿轮的故障诊断研究

为了能够提高弧齿锥齿轮故障诊断的效率,使弧齿锥齿轮能够安全可靠地工作,深入地分析了小波包能量谱在弧齿锥齿轮中的应用。分析了弧齿锥齿轮故障的机理;研究了弧齿锥齿轮故障诊断的小波能量谱的机理;利用小波包能量谱对弧齿锥齿轮进行了故障诊断,结果表明该方法具有较好诊断精度。     

小波变换在齿轮故障诊断中的应用

在分析小波变换理论和齿轮振动信号特点的基础上,提出用小波分析法提取齿轮故障特征。齿轮振动信号具有非平稳性,并且受各种噪声干扰,小波分析法具有处理非平稳信号的突出优点。在MATLAB环境中,建立了齿轮振动仿真信号,采用小波函数对受噪声污染的信号进行软阖值消噪处理,通过功率谱分析提取特征频率。仿真表明,该方法可有效抑制噪声,提取特征频率,从而为齿轮故障诊断提供依据。     

基于集成支持向量机的滚动轴承故障智能诊断研究

针对滚动轴承故障识别问题,有效提高分类正确率,提出一种基于Adaboost算法的集成支持向量机智能诊断方法。该方法采用小波包变换提取信号的敏感频带特征;计算各频带能量作为训练特征;将特征向量输入到集成支持向量机中,以实现对不同的滚动轴承故障类型的识别。实验结果表明,该方法能有效地提取故障特征同时获得较好的分类效果。