基于MIE和SVM算法的无级变速器故障诊断研究

汽车变速器早期故障监测与诊断对汽车安全行驶和降低交通事故起着非常重要的作用。针对汽车无级变速器故障特征,提出一种基于互信息熵(Mutual Information Entropy,MIE)理论的故障信号特征提取方法,以及易于实现的多类分类支持向量机(Support Vector Machine,SVM)算法处理故障状态分类问题。结果表明,将MIE和SVM算法相结合用于汽车无级变速器故障诊断方面是可行的和有效的,并能提高故障监测的可靠性。     

下线检测系统在变速器早期故障诊断中的应用

介绍了Reilhofer系统在汽车变速器台架检测中的应用,通过对变速器典型故障案例的振动信号分析,快速地找到故障来源,解决了变速器箱基本的噪声问题,确保了变速器的质量。     

下线检测系统在变速器早期故障诊断中的应用

介绍了Reilhofer系统在汽车变速器台架检测中的应用,通过对变速器典型故障案例的振动信号分析,快速地找到故障来源,解决了变速器箱基本的噪声问题,确保了变速器的质量。     

基于卷积神经网络的时频图像识别研究

变速器作为汽车动力传递系统中的关键部件,其振动和噪声直接影响着汽车的性能。由发动机输入到变速器的转速很多情况下是变化的,这使得这种工况下的变速器故障诊断更加复杂。针对这个问题,提出了基于卷积神经网络（convolutional neural network,CNN）的变速器变转速工况下的故障分类识别方法:在变转速下,采集了变速箱多种故障状态下的振动信号,对各类信号进行时频变换得到时频矩阵,并利用CNN实现多类故障的分类。并研究了CNN结合不同时频方法时的识别性能,结果表明,连续小波变换(continuous wavelet transform,CWT)与CNN结合的方法对变转速下的时频图识别性能最好。     

基于小波包-AR谱的变速器轴承故障特征提取

提出了一种小波包-AR谱估计和计算散度相结合的汽车变速器轴承故障特征提取方法.将6种不同磨损状况下的变速器轴承振动信号进行小波包分解,重构各频段信号并进行自回归(auto regressive,简称AR)谱估计,最后计算各故障轴承到新轴承之间的散度值.试验结果表明,不论是轴承的轴向间隙,还是径向间隙差异及疲劳剥落,在小波包-AR谱的谱图上均有明显的反映,该方法可以有效提取出汽车变速器轴承振动信号中的故障特征.     

齿轮箱故障时域和频域综合诊断技术

本文陈述了典型齿轮箱故障振动信号的特点,采用振动噪声诊断法,在传统的各种信号处理方法的基础上采用时域和频域综合分析法,准确地诊断出SG135-2型汽车变速器齿轮箱断齿故障发生部位.     

基于形态小波与排列熵的变速器齿轮故障识别方法

在深入研究形态小波与排列熵的基础上,提出一种新的变速器齿轮故障识别方法。引入形态小波的概念,提出采用形态Haar小波对实测变速器齿轮振动信号进行降噪预处理;将排列熵作为变速器齿轮故障的特征值,提取了包括齿轮正常、齿面轻度磨损、齿面中度磨损和断齿等4种工况的振动信号;依据不同的故障对应不同的排列熵分布,对各种故障状态进行分类,同时对比了未降噪信号的排列熵分布。变速器齿轮故障识别的实例验证了形态小波与排列熵结合能有效提高齿轮故障分类能力。     

汽车变速器车载动态测试振动分析的研究

由于汽车变速器在不同工作状态下产生的振动噪声信号不同,对其在各档位工作状态下振动噪声信号进行测量,通过分析变速器的振动信号频谱,可有效找到贡献较大的频率,同时,还可根据频谱图,分析出在哪些频率下容易发生总成共振,为后期的变速器壳体优化设计提供支持,对整车采取措施避开容易引起共振的频率,降低总成的振动。     

基于虚拟仪器的往复压缩机小波分析系统

利用虚拟仪器技术开发机械设备状态监测与故障诊断系统,是机械故障诊断领域中的研究热点。以LabVIEW软件为开发环境,开发了往复压缩机振动信号多层小波分析系统,系统可对振动信号进行多层小波分解和重构。通过对故障状态与正常工作状态下的振动信号的对比分析,能实时发现运行中的压缩机所存在的故障。该研究方法能够为压缩机的检测提供一种新的切实可行的方案。     

基于自适应免疫检测器的变速器轴承故障诊断研究

针对变速器轴承振动信号不平稳、特征难以提取等问题,以对振动信号的幅值和频率的变化不敏感的5种无量纲参数为特征参数,将这5种特征参数分为自我模式和非我模式,并基于人工免疫原理设计了一种自适应免疫检测器米克服传统变速器轴承故障诊断方法的局限,重新定义了自适应变异和抑制阈。在变速器轴承实验台上,首先对变速器轴承6种状态下的振动加速度信息进行了测量;然后计算了这些振动信息的无量纲指标;再用所得到的5种无量纲特征参数训练免疫检测器,使之成为成熟检测器;最后采用训练好的成熟检测器对变速器轴承的故障状态进行了诊断。试验结果表明：利用自适应免疫检测器进行变速器轴承故障诊断是可行的,而且该检测器具有较强的故障识别能力。     

小波包和BP神经网络在齿轮箱故障诊断中的应用

研究如何采用处理非平稳性的实用方法以提高监测诊断效率及水平是国内外专家一直研究的课题之一。小波包技术将信号中不同的分量无冗余、无疏漏、正交地分解到独立的频带内,这些频带里的信号能量守衡,每个频带里信号的能量对于状态监测和故障诊断都是十分有用的信息。本文对齿轮箱振动信号应用小波包分解提取故障特征向量,进一步用特征向量训练前向传播BP人工神经网络,建立齿轮运行状态分类器,对齿轮故障进行识别。实验结果表明,本文方法对齿轮箱故障诊断十分有效。     

基于LMD的包络谱特征值在齿轮箱故障诊断中的应用研究

针对齿轮箱故障振动信号大多是多分量的调幅-调频信号,而传统包络分析法又太依赖经验值选取参数的问题,对齿轮箱振动信号的分解方法、包络分析方法以及提取特征值等方面进行了研究,提出了一种基于局部均值分解(local mean de-composition,LMD)的包络谱特征值的方法。该方法首先利用局部均值分解对齿轮箱信号进行了处理,获得了包含有不同频率特征的PF(product function)分量,最后对包含有主要故障信息的第一级PF分量进行了包络分析,提取了包络谱的特征频率,以此来判别齿轮箱的工作状态和故障类型。利用齿轮箱正常状态、局部损伤、磨损故障3种齿轮箱振动信号的实例进行了验证。研究结果表明,利用LMD分解后求取包络谱特征频率的方法能够较为准确地判别齿轮箱的工作状态和故障类型。     

利用神经网络对齿轮箱进行故障诊断的实例分析

以JZQ250型号齿轮箱为实验对象,根据实际状况下齿轮箱的故障机理和振动特点,设计了状态监测与故障诊断实验方案,采集了齿轮箱振动信号,应用MATLAB软件中自带的神经网络工具箱,编程实现了神经网络预测模型.仿真和实验证明,此模型能够有效地检测出齿轮箱的典型故障,可以用于齿轮箱的故障诊断.     

广义平滑对数正则化稀疏分解方法研究及其在齿轮箱复合故障诊断中的应用

齿轮箱由于其工况复杂、工作环境恶劣,极易发生故障,并且振动信号中往往包含多种成分并且伴随着强烈的背景噪声,给齿轮箱故障诊断带来了很大的困难。稀疏分解方法能够在强背景噪声下有效地提取瞬态特征成分,针对传统稀疏分解方法存在的计算效率低,幅值低估以及估计精度不足等问题,提出了一种基于调Q小波变换(Tunable Q-factor wavelet transform,TQWT)作为稀疏表示字典的广义平滑对数正则化稀疏分解方法。该方法研究了满足紧框架条件的TQWT来构建稀疏表示字典,然后基于Moreau包络平滑思想提出广义平滑对数正则化方法,该罚函数可以在保持幅值的基础上精确重构出齿轮箱故障瞬态成分,最后利用前向后项分裂(Forward-backward splitting,FBS)算法精确求解该稀疏表示模型。仿真信号和试验信号验证了所提方法在齿轮箱复合故障诊断中的有效性。     

基于包络加窗同步平均的行星齿轮箱特征提取

行星齿轮箱由于行星轮通过效应、太阳轮与行星架的旋转及时变工况,导致其振动响应存在时变传递路径及非平稳性等特点,且传统的同步平均将不能直接应用于行星齿轮箱。笔者在国外加窗同步平均的基础上提出一种能有效克服时变传递路径及非平稳性的基于包络信号角域加窗同步平均的行星齿轮箱故障特征提取方法。首先,基于谱峭度提取出行星齿轮箱振动信号的包络信号;其次,再利用计算阶比跟踪技术对包络信号进行等角度重采样,行星架每旋转一圈,选择合适的窗函数对角域信号进行多齿宽加窗截取;最后,验证齿轮啮合齿序特征,根据重排齿序对加窗信号进行重构振动分离信号,对振动分离信号进行角域同步平均,提取行星齿轮箱故障特征。行星齿轮箱故障实测信号分析表明,该方法能有效提取行星齿轮箱故障特征。     

Application of Instantaneous Rotational Speed to Detect Gearbox Faults Based on Double Encoders

Considerable studies have been carried out on fault diagnosis of gears, with most of them concentrated on conventional vibration analysis. However, besides the complexity of gear dynamics, the diagnosis results in terms of vibration signal are easily misjudged owing to the interference of sensor position or other components. In this paper, an alternative gearbox fault detection method based on the instantaneous rotational speed is proposed because of its advantages over vibration analysis. Depending on the timer/counter-based method for the pulse signal of the optical encoder, the varying rotational speed can be obtained e ectively. Owing to the coupling and meshing of gears in transmission, the excitations are the same for the instantaneous rotational speed of the input and output shafts. Thus, the di erential signal of instantaneous rotational speeds can be adopted to eliminate the e ect of the interference excitations and extract the associated feature of the localized fault e ectively. With the experiments on multistage gearbox test system, the di erential signal of instantaneous speeds is compared with other signals. It is proved that localized faults in the gearbox generate small angular speed fluctuations, which are measurable with an optical encoder. Using the di erential signal of instantaneous speeds, the fault characteristics are extracted in the spectrum where the deterministic frequency component and its harmonics corresponding to crack fault characteristics are displayed clearly.     

基于振动信号耦合调制新模型和参数辨识的 风电齿轮箱齿圈故障监测

针对风电齿轮箱多级传动导致的振动耦合调制问题,提出了一种考虑级间调幅调频的齿圈故障新模型,并通过参数辨 识技术将其应用于齿圈故障监测。 某级齿圈故障特征频率会以调幅、调频方式,调制不同轮系的啮合频率,呈现出耦合调制现 象,本文针对该特殊调制规律,建立了两级齿圈故障下的振动信号耦合调制模型。 在此基础上,提出基于局部均值分解和列文 伯格-马夸尔特算法的参数辨识技术,确定故障辨识模型的调幅系数,进而可方便地构建出状态指标,以达到齿圈故障监测的目 的。 用现场数据进行验证,结果表明,新模型比传统模型描述振动信号更全面;借助参数辨识技术构建的指标能定位故障齿轮。     

基于MKurt MOMEDA的齿轮箱复合故障特征提取

针对齿轮箱中旋转零部件的故障信号是周期性的冲击信号这一特性,提出了一种基于多点峭度(multipoint kurtosis,简称MKurt)和多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA)的齿轮箱复合故障特征提取方法。利用MKurt可以有效提取齿轮箱中被噪声淹没的冲击性振动信号的周期,实现对振动信号振动源的追踪。根据故障的周期设置合理的周期区间,通过MOMEDA对原信号进行降噪,进一步提取原信号的周期性冲击。通过仿真信号和实测数据的分析和验证,证明了MKurt-MOMEDA方法可以准确有效地诊断齿轮箱复合故障故障特征。