基于最小熵解卷积的谱峭度法在行星齿轮箱故障诊断中的应用

针对噪声干扰状态下行星齿轮箱故障诊断中的齿轮故障特征提取,提出最小熵解卷积与谱峭度结合(Spectral Kurtosis Method based on Minimum Entropy Deconvolution,MEDSK)的行星齿轮箱齿轮故障特征提取方法。利用MED对原始扭转振动信号进行预处理,抑制信号中的噪声干扰,提升行星齿轮箱中被噪声淹没的故障冲击成份。利用谱峭度对预处理后的信号选择最优的带通滤波器参数进行带通滤波,然后通过Hilbert变换进行包络解调,最后将解调出来的低频信号进行频谱分析得到MED-SK方法的包络谱。通过对仿真信号和承受多种载荷状态下采集到的行星齿轮箱输出轴实际行星齿轮故障扭转振动信号进行分析,验证了这种方法能准确地提取行星齿轮故障特征。     

[设备健康管理]深度置信网络在齿轮故障诊断中的应用

针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法。首先利用深度置信网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后通过DBNs的复杂映射表征能力对故障信号进行故障判别。诊断实例表明,若不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,故障识别正确率只能达到 60%左右;如果对时域信号进行简单的傅里叶变换后,再利用 DBNs 对处理后的振动信号频谱进行诊断分析,正确率能达到 99.7%,从而证明了所提故障诊断方法的简易性和有效性。     

基于高阶累积量的齿轮裂纹故障检测与识别

介绍了高阶累积量理论,分析了它提取复杂耦合信号和非线性特性的理论基础。在此基础上将高阶累积量方法应用于机械齿轮故障特征分析诊断之中,对无故障齿轮和故障齿轮受力激振后的振动耦合信号进行了分析和特征提取,从而成功地实现了对不同裂纹类故障的识别与诊断,通过与传统的功率谱等方法的比较,说明了高阶累积量方法在齿轮故障诊断中的可靠性和有效性。     

深度置信网络在齿轮故障诊断中的应用

针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法。首先利用深度置信网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后通过DBNs的复杂映射表征能力对故障信号进行故障判别。诊断实例表明,若不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,故障识别正确率只能达到60%左右;如果对时域信号进行简单的傅里叶变换后,再利用DBNs对处理后的振动信号频谱进行诊断分析,正确率能达到99.7%,从而证明了所提故障诊断方法的简易性和有效性。     

强噪声背景下基于振动信号分析的齿轮故障诊断

煤矿机械齿轮传动过程中,齿轮振动信号因摩擦力、刚度非线性等因素表现出非平稳特征的同时还受工况现场的强噪声干扰,如何在强噪声背景下,有效提取故障信息、识别故障类型是该类故障诊断的关键。提出一种强噪声背景下基于振动信号分析的齿轮故障诊断方法,该方法包括小波阀值降噪处理、总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)熵特征提取、概率神经网络(Probabilistic Neural Network,PNN)识别三个过程。利用小波阀值降噪对采集到的振动信号进行去噪处理;对去噪后信号进行EEMD分解,得到一组消除模态混叠的固有模态函数(Intrinsic Mode Function,IMF)分量,并提取前3个IMF分量的样本熵特征作为故障特征信息;最终结合PNN实现强噪声背景下的齿轮故障诊断。实验结果表明:文中提出的方法可以实现强噪声背景下齿轮故障的准确识别,识别率可以达到90%以上,是一种有效的齿轮故障识别方法。     

基于多维度模糊熵的齿轮故障诊断方法

针对齿轮的故障诊断问题,引入模糊熵的方法对齿轮振动信号进行分析。通过研究嵌入维数和延迟时间对信号模糊熵的影响,提出多维度模糊熵的齿轮故障特征提取方法。利用多维度模糊熵特征提取方法提取故障特征,并结合支持向量机建立了齿轮故障诊断模型。对实测齿轮故障数据进行分析,证明了多维度模糊熵方法可以有效提取齿轮不同状态的特征信息,与支持向量机结合可以精确地诊断齿轮典型故障,具有一定的优势。     

用齿轮噪声特性诊断齿轮故障的研究

本文是利用齿轮在运转时发生的噪声,通过对其特性分析。诊断齿轮故障的试验研究总结。在专用试验台上对直齿轮疲劳试验后出现的故障现象进行了试验。先连续测取齿轮噪声信号,然后在专用信号分析仪和通用计算机上用FFT幅值谱、功率谱、倒频谱和非线性的最大熵谱、倒熵谱进行分析。结果表明,齿轮故障在这些谱图上都有明显反映,尤其是在倒频谱和倒熵谱图上,可以更明确地诊断齿轮故障。通过对啮合频率谐波的数据分析,指出可以定量诊断齿轮故障。本试验研究为进一步在现场诊断齿轮故障提供了方法和依据。     

基于LCD基本尺度熵的齿轮故障RVM识别

针对齿轮故障振动信号非线性、非平稳性等特点,以及其故障特征提取较为困难的实际,提出了基于LCD基本尺度熵的齿轮故障特征提取方法。该方法利用局部特征尺度分解(LCD)对齿轮振动信号进行自适应分解,获取原始信号不同尺度分量;根据基本尺度熵能有效区分不同故障信号的复杂度,计算LCD分解所得内禀尺度分量(ISC)基本尺度熵,获得原始信号多个尺度的复杂度特征作为齿轮不同故障下的特征参数;将该特征参数输入相关向量机(RVM)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MOMEDA和包络谱的齿轮微弱故障特征提取

复合故障下的齿轮微弱故障易被强故障掩盖而出现漏诊现象,对齿轮复合故障下的微弱故障特征提取进行研究。首先采用多点优化最小熵解卷积调整(Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA)作为前置滤波器对原信号进行降噪,增强信号中的周期性冲击成分,然后进行Hilbert变换得到包络谱;通过分析其中明显的频率成分识别故障,实现微弱故障特征的提取。仿真信号和变速器故障诊断实例表明,该方法能有效实现齿轮微弱故障特征提取。     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

采煤机摇臂齿轮传动系统振源定位分析方法

为了研究采煤机摇臂传动齿轮的振动分析方法并进行实机振源定位验证,首先,采用小波分析对采煤机摇臂振动信号进行降噪处理和频谱分析,依据特征频率下的振幅结果确定故障齿轮的啮合频率;然后,通过Morlet小波包络解调分析获取边频带信号频谱特征,依据边频带特征频率下的振幅结果确定故障齿轮的转动频率;最后,对频谱分析和Morlet小波包络解调分析的结果进行综合分析,锁定故障齿轮的准确位置。对一台国产采煤机摇臂齿轮传动系统进行了振动测试与信号分析,结果表明,基于小波分析、频谱分析和Morlet小波包络解调分析相结合的振动分析方法可以实现对采煤机摇臂故障齿轮的准确定位,为强噪声环境下复杂齿轮传动系统的故障快速定位和现场定点维修提供了方法支持。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

基于小波神经网络弧齿锥齿轮故障诊断及实验研究

提出了一种离散小波变换结合神经网络的故障状态识别方法,运用信号特征提取机理对航空用弧齿锥齿轮故障诊断及状态识别进行了研究.建立了孤齿锥齿轮传动系统振动测试试验台,对正常结构和故障结构的齿轮传动进行了试验测试,通过小波阈值去除掉齿轮箱的振动数据信号系统噪声的影响;采用离散小波变换提取信号的能量特征,利用带有反馈算法的神经...     

基于最大重加权峭度盲解卷积的风电故障诊断

受噪声以及复杂传递路径等影响,风电机组齿轮故障特征信号通常比较微弱。为有效诊断齿轮故障,提出一种新的盲解卷积方法——最大重加权峭度盲解卷积方法。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性,且无需待恢复故障冲击序列先验知识。最大重加权峭度盲解卷积方法能有效地解决经典的基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题,同时相较于常见非全“盲”(依赖故障特征频率先验)方法在工业装备齿轮故障诊断方面具有更强的适用性。仿真信号分析结果表明所提方法在恢复故障冲击序列方面效果显著,在风电机组故障诊断中的应用案例证实了所提方法对齿轮故障诊断的有效性。     

风机行星齿轮系统齿轮裂纹故障诊断

针对风力发电机实际行星齿轮系统,由于幅值及相位调制现象(各种制造误差不可避免等原因所导致)带来的故障诊断难题,搭建了含各种制造误差的动力学模型。模型考虑了出现裂纹故障以后,故障对时变啮合刚度以及传递误差的影响,通过数值求解,对比行星轮、太阳轮以及齿圈出现故障后与正常齿轮系统的包络谱结构特性,总结了故障特征频率。在风力发电机齿轮箱实验台上进行裂纹故障试验验证,结果表明所总结的故障特征频率可以作为风力发电机裂纹故障诊断及定位的依据。     

Fault identification method for planetary gear based on DT-CWT threshold denoising and LE

Planetary gear is widely used in large-scale complex mechanical systems. However, because of the particularity of planetary gear transmission, serious wear and fatigue crack failures often occur in the sun gear, planet gears, and inner gear ring. In addition, every type of fault will experience different degradation processes. Improving the operation reliability of mechanical equipment through fault diagnosis of planetary gears and monitoring their degradation process is beneficial. This paper proposes a planetary gear fault identification method based on Dual-tree Complex wavelet transform (DT-CWT) threshold denoising and Laplacian eigenmaps (LE). The noise reduction processing of the original signal is achieved by the DT-CWT threshold denoising method, which takes full advantage of DT-CWT and is combined with the wavelet threshold of rigrsure principle. The original high-dimensional feature set, including the time domain features, frequency domain features, permutation entropy, and fractal box dimension of the denoised signal, is constructed from multi-angles. To solve the problems of excessively large feature dimension and the existence of redundant information, the LE algorithm is used to reduce the dimension of the original high-dimensional feature set, and the low-dimensional sensitive features are obtained. Through the above method, the effective identification of different fault states and different degradation states of the planetary gear are achieved.     

用形态梯度法与非负矩阵分解的齿轮故障诊断

振动信号处理与特征参数提取是实现齿轮智能故障诊断的关键。提出采用形态梯度算法对齿轮振动信号进行处理,既可以抑制噪声又可充分突出故障信号的冲击特征,能够在强噪声背景下有效地提取振动信号中反映齿轮工作状态的有用分量;在此基础上提出采用非负矩阵分解的特征提取方法对信号进行压缩,计算用于齿轮故障诊断的特征参量。结果表明,与传统的信号处理与特征参量提取方法相比,笔者提出的方法能够具有更高的分类精度,为准确判断齿轮工作状态提供了一种行之有效的新方法。     

A new fault diagnosis algorithm for helical gears rotating at low speed using an optical encoder

Helical gears are widely used in gearboxes due to its low noise and high load carrying capacity, but it is difficult to diagnose their early faults based on the signals produced by condition monitoring systems, particularly when the gears rotate at low speed. In this paper, a new concept of Root Mean Square (RMS) value calculation using angle domain signals within small angular ranges is proposed. With this concept, a new diagnosis algorithm based on the time pulses of an encoder is developed to overcome the difficulty of fault diagnosis for helical gears at low rotational speeds. In this proposed algorithm, both acceleration signals and encoder impulse signal are acquired at the same time. The sampling rate and data length in angular domain are determined based on the rotational speed and size of the gear. The vibration signals in angular domain are obtained by re-sampling the vibration signal of the gear in the time domain according to the encoder pulse signal. The fault features of the helical gear at low rotational speed are then obtained with reference to the RMS values in small angular ranges and the order tracking spectrum following the Angular Domain Synchronous Average processing (ADSA). The new algorithm is not only able to reduce the noise and improves the signal to noise ratio by the ADSA method, but also extracts the features of helical gear fault from the meshing position of the faulty gear teeth, hence overcoming the difficulty of fault diagnosis of helical gears rotating at low speed. The experimental results have shown that the new algorithm is more effective than traditional diagnosis methods. The paper concludes that the proposed helical gear fault diagnosis method based on time pulses of encoder algorithm provides a new means of helical gear fault detection and diagnosis.     

浅议机械传动系统故障诊断及解决方法

机械传动系统广泛运用于国防、航天航空、生产等行业领域中。其中,齿轮传动系统是目前使用最频繁的机械传动机构。但是,由于长时间的机械工作,齿轮的零部件极易发生磨损,并导致多种机械故障的发生。本文作者详细分析了齿轮传动过程中,系统故障的诊断方法和解决方法。     

齿面早期复合故障诊断

针对齿轮系统在复杂工况下轮齿表面早期复合故障难诊断的问题,分析了轮齿齿面不同故障引起的瞬时传动误差变化的规律,建立了含不同齿面故障的齿轮系统传动误差模型.根据齿轮系统传动误差信号的阶次特征,采用改进陷波滤波的方法,从传动误差信号中分离出轮齿故障引起的传动误差分量信号.经齿轮传动系统实验台实测传动误差信号实验验证,结果证明:传动误差信号信噪比高,轻载变速工况下,经陷波滤波分离的故障传动误差分量信号能够准确反映不同类型的齿面早期故障.