齿轮箱故障诊断中的正交匹配追踪算法

为通过齿轮箱的振动信号进行故障诊断,应用正交匹配追踪算法对振动信号进行处理.齿轮箱的振动信号包含了齿轮箱运行状态特征,但同时也掺杂了大量噪声信号,总体呈现出非平稳性.齿轮箱故障诊断的关键是从齿轮箱的振动信号中剔除冗余信息,用少量特征信息准确的表达信号,完成对信号中故障特征的提取.传统的频域分析法,只能从频域图上定性的判断故障,无法做到定量判断.正交匹配追踪算法是一种定量提取特征的方法,在傅里叶正交基下对振动信号进行时域向频域的映射,在频域上定量的得到主要特征,再根据主成分分析思想,提取出3组主要特征点,将已知故障分类的信号特征与待检测信号的特征进行对比,通过频域的位置和幅值的两次比较,判断故障状态,实验证明该方法可以准确的判断出齿轮箱从正常状态到100%磨损的5个不同形态的特征,完成对齿轮箱的故障诊断和分类.     

基于小波包络谱分析法的齿轮箱故障振动信号诊断

利用正交小波基将齿轮箱故障振动信号变换到时间一尺度域.对高频段尺度域的小波系数进行包络细化谱分析,不仅能检测到齿轮箱内部故障的存在,而且能有效地识别故障模式,说明了正交小波分析是信号检测淹没于非平稳信号中瞬时信号的有力工具.结合实例.从小波故障特征提取来说明小波变换的有效性.     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析（WPA）,经验模态分解（EMD）和快速傅里叶变换（FFT）的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数（IMF）;最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于小波变换的汽车齿轮箱振动信号故障分析

本文利用小波变换和能量特征值对汽车齿轮箱振动信号进行特性分析。利用小波变换的分解和重构算法,对小波系数进行系数-能量计算,提取系统的特征信息,对汽车齿轮箱的故障进行诊断,及时发现齿轮箱的早期故障,提高汽车运行的安全性。仿真研究结果表明用小波变换在故障信息诊断方面是可行的和有效的,提高了故障检测的可靠性。     

基于纵横交叉算法优化BP神经网络的风机齿轮箱故障诊断方法

风电机组齿轮箱的运行工况比较复杂,容易发生故障. 针对常规BP（Back Propagation）神经网络故障诊断容易陷入局部最优的问题,提出一种基于纵横交叉算法（Crisscross Optimization Algorithm,CSO）优化BP神经网络的风电齿轮箱故障诊断新方法. 考虑到风电齿轮箱振动信号的波动性和非线性,首先从信号中提取故障特征参数,建立带评价因子的误差分析模型,然后通过纵横交叉算法优化BP的权值和阈值对神经网络进行训练,最后用训练好的神经网络对样本进行测试. 经实验仿真并与其他方法的对比,验证了本文方法用于风电机组故障诊断有效性及优越性.     

轧机主传动齿轮箱振动原因分析与判断

某型钢万能轧机齿轮箱是生产线的关键设备,在一次设备正常巡检时发现该轧机主传动齿轮箱振动异常.为查找齿轮箱振动的原因,利用现代振动测试手段对齿轮箱的轴承座的振动进行测量.在测试的基础上,利用故障排除法诊断出齿轮箱故障是由于齿轮箱之外其他故障引起.本齿轮箱振动故障诊断拓展了齿轮箱故障诊断方法,对其他齿轮箱振动故障诊断有所启发.     

基于小波理论的故障特征提取

在对齿轮进行故障诊断时,采样信号不可避免地受到各种噪声和干扰的污染,所测信号属于典型的非平稳信号.信号的降噪和特征提取是齿轮状态监测和故障诊断的关键环节.小波理论对于非平稳信号的处理非常有效.在MATLAB环境下,利用小波理论对减速器齿轮箱的采样数据进行去噪实验和分析,提取齿轮大周期故障的特征指标,为进一步进行故障诊断奠定基础.     

基于包络分析的坦克变速箱故障诊断研究

在对振动信号分析的基础上,提取了反映坦克变速箱故障的时域特征量和包络谱特征量.建立了基于BP神经网络的故障诊断系统,实现了坦克变速箱故障模式的自动识别,有效地检测了坦克变速箱的早期故障.     

Maximal-overlap adaptive multiwavelet for detecting transient vibration responses from dynastic signal of rotating machineries

Vibration signal is an important prerequisite for mechanical fault detection.However,early stage defect of rotating machineries is difficult to identify because their incipient energy is interfered with background noises.Multiwavelet is a powerful tool used to conduct non-stationary fault feature extraction.However,the existing predetermined multiwavelet bases are independent of the dynamic response signals.In this paper,a constructing technique of vibration data-driven maximal-overlap adaptive multiwavelet(MOAMW)is proposed for enhancing the extracting performance of fault symptom.It is able to derive an optimal multiwavelet basis that best matches the critical non-stationary and transient fault signatures via genetic algorithm.In this technique,two-scale similarity transform(TST)and symmetric lifting(SymLift)scheme are combined to gain high designing freedom for matching the critical faulty vibration contents in vibration signals based on the maximal fitness objective.TST and SymLift can add modifications to the initial multiwavelet by changing the approximation order and vanishing moment of multiwavelet,respectively.Moreover,the beneficial feature of the MOAWM lies in that the maximal-overlap filterbank structure can enhance the periodic and transient characteristics of the sensor signals and preserve the time and frequency analyzing resolution during the decomposition process.The effectiveness of the proposed technique is validated via a numerical simulation as well as a rolling element bearing with an outer race scrape and a gearbox with rub fault.     

基于小波包分析的数控机床主轴滚动轴承故障诊断

滚动轴承损伤类故障的分析诊断基础是提取故障信息。利用小波包分析对机床主轴滚动轴承振动信号进行分解,求出各频段的能量,提取了轴承故障的特征频率并对故障进行定位,表明了小波包分析方法在滚动轴承故障诊断的有效性和优良性。     

面向齿轮箱故障诊断的序贯概率比检验理论和方法

提出了一种基于序贯概率比检验的齿轮裂纹故障诊断方法,并选用了无裂纹和有裂纹的齿轮模拟故障模式.实验中提取的振动信号夹杂着噪声等干扰,运用具有良好去噪效果的小波包方法对齿轮箱振动信号进行预处理.采用时域分析法提取预处理后信号的特征值,提取对冲击性振动非常敏感的峭度值作为特征值.将序贯概率比检验算法应用于齿轮箱故障模式的检验和识别.为了验证所提出方法的诊断能力,本文选用均方根误差的方法来计算同种故障之间,以及不同种类故障之间的识别误差,结果表明了所提出的方法是有效且强大的.     

基于EMD和分形的齿轮箱故障特征提取

在齿轮箱齿轮振动信号处理中,可将经验模式分解 （Empirical Mode Decomposition,EMD）和分形技术结合在一起．先进行EMD分解,并针对EMD的端点效应问题提出了基于最小能量误差的端点效应抑制方法;计算各IMF分量的分形维数,根据同类故障具有相似特征,主要表现在模式空间上距离相近,从而利用未知故障网格维数与已知故障网格维数的距离远近来对故障类型进行判断．实测验证结果表明：通过比较网格雏数,能有效判断故障的类型,该方法大大简化了故障诊断过程．     

基于小波变换和优化CNN的风电齿轮箱故障诊断

针对传统故障诊断方法过于依赖人为经验的缺陷,提出小波变换和二维密集连接扩张卷积神经网络(WT-ICNN)的风电齿轮箱智能故障诊断方法. 所提方法将一维振动信号通过连续小波变换(WT)转换成二维故障图像;再将二维故障图像输入ICNN中进行训练和测试. 通过齿轮箱开源数据和风场实测数据验证结果表明,与传统故障诊断方法相比,所提方法采用密集连接的结构自适应特征提取时频图,有效加强了故障特征的利用效率;在对风电齿轮箱的故障诊断中,所提方法具有更好的特征复用能力和更高的诊断精度.     

齿轮箱振动源信号分离与故障诊断研究

对齿轮的运行状态进行监测能够有效消除设备的潜在故障,避免大的事故发生.然而由于工作条件恶劣,很难采集到齿轮箱真实可靠的振动信号.由此,提出了一种基于独立分量分析（ICA）和支持向量机（SVM）相结合的齿轮故障诊断方法.首先利用ICA从被噪声污染的齿轮箱振动信号中分离出真实振动源信号,以提取可靠的齿轮状态高阶统计特征信息;而为了准确监测设备运行状态,采用支持向量机（SVM）对所提取的特征进行学习与智能分类,以检测齿轮早期故障.结果表明,通过齿轮箱故障实验分析,所提出的方法能够有效提取齿轮振动源信号,准确识别与诊断齿轮裂纹、点蚀以及断齿等故障状态,且精度比未进行源分离高10%,具有较好工业应用价值.     

利用VMD的双标度分形维数特征提取方法

为从机械振动信号中提取出有效特征进行故障诊断,提出一种利用变分模态分解(VMD)求取振动信号双标度分形维数的特征提取方法.变分模态分解通过迭代求解变分模型的方式将多分量的振动信号分解为若干个不同时间尺度的本征模态函数分量(IMF).在多维测度空间,某一时间段内多变量时间序列所占据的空间可以用多维超体体积进行度量.由于VMD得到的IMF本质上为多变量的时间序列,因此,利用IMF定义和计算多维超体体积,得到振动信号的时间尺度和多维超体体积的双对数曲线.根据分形理论和双对数曲线的突变点,对双对数曲线进行分段最小二乘线性拟合,定义并提取了振动信号的双标度分形维数特征.仿真结果表明,利用VMD方法估计分形维数的平均相对误差为4.71%,提高了分形维数估计的精确度.实测行星齿轮箱振动信号对比实验结果表明,利用VMD双标度分形维数特征能够更好地表征机械振动信号的分形特征,行星齿轮箱故障诊断准确率达到了100%.     

轨道车辆齿轮箱故障诊断系统研究与开发

对传感器采集的齿轮箱监测数据信号进行数学处理,先进行特征因子计算,如峰值、均值、均方、偏度、峭度、峰值因子等,再进行高级分析,如傅立叶变换、希尔伯特变换、小波变换、倒频谱变换等,通过这些处理后的数字图形可以帮助更好的进行故障诊断.通过振动诊断的时域分析方法、频域分析方法、模糊诊断方法等识别和诊断故障,并建立故障诊断专家系统,用以实现智能故障诊断.     

Gearbox fault diagnosis of rolling mills using multiwavelet sliding window neighboring coefficient denoising and optimal blind deconvolution

Fault diagnosis of rolling mills, especially the main drive gearbox, is of great importance to the high quality products and long-term safe operation. However, the useful fault information is usually submerged in heavy background noise under the severe condition. Thereby, a novel method based on multiwavelet sliding window neighboring coefficient denoising and optimal blind deconvolution is proposed for gearbox fault diagnosis in rolling mills. The emerging multiwavelets can seize the important signal proce...     

Hilbert-Huang变换在汽轮机故障诊断中的应用

汽轮机故障诊断的核心是汽轮机振动信号处理。在现场采集的汽轮机振动信号是一个非线性非平稳信号,在使用传统的信号处理方法进行处理时都不能取得理想的效果。为了更加有效的对汽轮机振动信号进行处理,介绍了一种时频分析方法Hilbert-Huang变换,使用该方法对汽轮机振动信号进行分析,可以将故障信号从高频到低频逐个分解出来,从而根据故障信号特征频率进行汽轮机故障诊断。并且,通过仿真实验证明了使用该方法处理汽轮机振动信号可以取得较好的效果。     

基于机电综合特征的发电机转子故障诊断系统的研究

首先分析了转子绕组匝间短路、气隙静偏心、气隙动偏心、转子不平衡等发电机转子故障发生时的振动特征和定子绕组并联支路间环流变化特征,得出不同故障引起的环流特征和振动特征的机电综合特征存在差别,从而提出了基于转子振动和定子绕组并联支路环流的机电综合特征的发电机振动故障识别方法。然后利用LabVIEW软件和PCI-6251数据采集卡,研制了基于虚拟仪器技术发电机故障检测系统,能够实现发电机信号的采集、在线分析、数据库管理、发电机参数查询、故障诊断等功能,并在SDF-9型故障模拟实验机组上完成调试,达到预期效果。     

MCKD-Teager能量算子结合LSTM的滚动轴承故障诊断

为解决滚动轴承故障时产生的信号具有强背景噪声而导致弱周期冲击特征难提取,以及在对轴承故障模式进行智能诊断时一般的诊断模型对故障振动信号的时序特征识别效果不强这两大问题,提出一种基于最大相关峭度解卷积(MCKD)、Teager能量算子和长短期记忆网络(LSTM)的故障诊断方法。使用MCKD算法对滚动轴承振动信号进行降噪处理,提取出信号中被噪声掩盖的周期冲击特征,并利用Teager能量算子检测信号的瞬态冲击,得到Teager能量序列;将结果分为训练集和测试集,将训练集输入到建立的LSTM故障诊断模型中进行学习,不断更新网络参数并提取出时间维度的特征信息;将训练好参数的LSTM模型应用于测试集,输出故障诊断结果。实验结果表明,提出的方法以端到端模式可以一次性诊断多种类型、尺寸的故障,具有很高的识别精度,是一种可以有效利用强背景噪声信号中时序特征的故障诊断方法。