减速器齿轮故障振动信号分析与特征提取方法研究

振动信号是反应齿轮故障的显著信号之一,将测得的振动信号进行小波分析变换到时频域,对其高频成分加以提取并进行Hilbert包络功率谱分析,发现通过识别边频带成分来进行齿轮故障诊断的方法并不理想.对测得的振动信号进行小波包分析变换到时频域,对故障频率变化明显的频段进行重构,对重构信号进行谱分析并提取特征能量.建立BP神经网络,以提取的特征能量作为网络输入量,进行故障识别,实验分析结果表明该方法取得了较好的实验效果.     

基于K-L变换和径向基函数神经网络的滚动轴承故障模式的识别

径向基函数(RBF)神经络是一种三层前馈型神经网络,它具有较强的非线性函数逼近能力和分类能力。根据径向基函数神经网络的优点,在对滚动轴承振动信号故障特征分析的基础上,应用K-L变换将所测取的振动相关特征矢量转化为独立的特征矢量,利用其主特征值建立径向基函数神经网络,并用该网络对滚动轴承的故障模式进行了识别。理论和试验证明了该方法的有效性,且具有较高的识别精度。     

改进Hilbert-Huang变换的滚动轴承故障诊断

以自适应噪声完备集合经验模态分解(CEEMDAN)为基础,提出了一种改进的Hilbert-Huang变换(HHT)时频分析法。对滚动轴承振动信号进行CEEMDAN获得一组本征模态函数(IMF)。通过自动提取敏感IMF算法,筛选特征敏感IMF分量,计算特征敏感IMF分量的Hilbert包络谱和HHT二维时频谱,提取故障特征频率信息。研究结果表明:CEEMDAN算法有效降低了模态混叠,比经验模态分解(EMD)算法和集合经验模态分解(EEMD)算法具有优越性。将改进的HHT与自动提取敏感IMF算法相结合,可以有效分解信号的特征信息,筛选出含有故障特征信息的敏感IMF,剔除背景噪声和无故障IMF的干扰,有效提取轴承振动的故障特征频率,诊断出轴承故障的发生部位。     

基于基于高阶累积量分析的滚动轴承故障诊断研究

机械故障诊断技术是利用传感器对设备状态进行数据采集,再利用合适的算法分析处理,从而提取出设备故障信息的一门技术。当机械出现故障时,信号中包含的故障信息往往都是以调制的形式出现的。包络分析可以提取载附在高频信号上的低频信号,高阶统计量分析与包络分析相结合,能够有效地提取滚动轴承故障信息,为机械故障的早期诊断提供理论和实验基础。     

滚动轴承制造精度振动测试模型构建方法研究

滚动轴承的振动是非常复杂的随机机械现象,在轴承制造过程中,常采用振动测试作为其质量评判标准,其关键技术是振动信号的分析。针对滚动轴承制造质量测试过程中振动信号的分解和判别模型构建问题,提出基于粒子群优化算法（PSO）的滚动轴承振动信号的变分模态分解（VMD）和支持向量机（SVM）判别模型构建方法。首先,采用自动测振仪对不同精度等级的轴承振动信号进行采集;其次,对振动信号进行VMD分析,以变分后的有限带宽模态函数（IMF）与原信号的相关系数ρ为适应度函数对VMD参数中的模态分解个数K和二次惩罚项α进行优化;然后,根据各模态的中心频率与其原始信号的相关性对模态分量进行优选和信号重构,并计算重构信号的多尺度排列熵（MPE）特征;最后,采用PSO算法对支持向量机（SVM）模型的惩罚参数c和核函数参数g进行优化,建立滚动轴承质量实时分析的SVM判别模型。试验结果表明：经PSO优化后的VMD-MPE-SVM模型对轴承制造精度的正确判别率为95.00%。研究结果可为滚动轴承制造过程中产品精度实时全检提供一种参考方法。     

混合诊断法在齿轮故障诊断中的应用

针对一些齿轮箱工作时背景噪声大、测取的振动信号信噪比低,尤其在故障发生早期,特征信号难于提取,提出了一种混合诊断法,综合运用了功率谱分析、相关分析、小波分析和包络分析等方法,特别是应用了相关函数降噪特性和包络谱技术。通过某型车辆齿轮箱故障诊断实例,表明这种方法对齿轮早期故障有很好的检测效果。     

小波变换在滚动轴承故障信号分析中的应用

通过使用快速傅立叶变换对滚动轴承正常运转时和滚动轴承内圈滚道有裂纹缺陷时的信号进行处理,发现快速傅立叶变换的频谱结果对滚动轴承的故障特征提取不理想,故采用小波变换对故障信号进行分解,随后对分级的细节信号和近似信号进行Hilbert包络频谱处理。结果发现,轴承故障信号在bior2.4小波分解后得到的a3近似信号的Hilbert包络谱中故障特征较明显,而其余的细节信号和近似信号则几乎难以识别相应的故障频率特征。     

基于卷积神经网络的故障诊断模型振动信号处理方法比较

针对利用卷积神经网络(convolutional neural networks, CNN)对滚动轴承进行故障诊断时可采用的振动信号处理方法较多的情况,设计了基于CNN的振动信号处理方法对比实验,采用不同的振动信号处理方法对滚动轴承在不同工况下的采样数据进行处理,再将动信号输入CNN故障诊断模型进行训练及测试,根据测试精度比较处理方法对故障诊断精度的影响。采用CNN中的AlexNet作为实验模型,选择模型中的最后3个全连接层,以达到快速训练的目的。对比不同信号处理方法对应的检测准确率可知,基于小波变换的滚动轴承故障诊断模型的检测准确率最高。     

柴油发动机曲轴轴承振动信号高阶循环谱分析

柴油发动机振动信号中包含丰富的内部构件的工作状态信息,通过分析振动信号可以获知发动机曲轴轴承的技术状况,但是由于发动机振动信号相对复杂,难以提取特征向量。通过采集柴油发动机曲轴轴承振动信号并进行高阶循环平稳性分析,研究曲轴轴承在不同间隙状态下振动信号的循环双谱,解决多分量信号对于计算循环双谱时的影响,提取柴油发动机曲轴轴承磨损的故障特征,为柴油发动机内部构件的故障检测诊断提供新思路。     

基于空间相关性分析的载流故障预警

针对温度快速上升与温度缓慢上升两类电力设备载流故障形态,提出了基于相关性分析与主元提取的载流故障检测方法。首先分析了触头在空间上的纵横关系,并基于电气规范提出了纵横对比的数据处理方法来消除负载影响;再通过主成分分析(PCA)法提取特征值;最后通过对特征值超阈值情况的分析来给出预警信号。测试结果表明,该方法能够有效地实现对多种载流故障的预警,并在对温度缓慢上升的故障实施预警时,预警时间显著提前。