时频特征联合VGG-16的风力发电机齿轮箱故障诊断方法

针对传统风力发电机齿轮箱故障诊断存在效率低、实时性较差、准确率偏低等问题,本文提出了一种时频特征联合深度学习的风力发电机齿轮箱故障诊断方法。通过实时测取的箱体振动信号,利用离散小波转换提取信号的时频特征,并联合改进的VGG-16模型,完成齿轮组不同类型故障的诊断。实验结果表明,所设计诊断方法的Recall和mAP值较高,分别为93.51%、91.85%;断齿、磨损以及根裂故障的诊断准确率均在90%以上,且检测实时性良好,能较好地满足实际应用需求。     

风力发电机组圆柱齿轮的油温故障分析

为了提高风力发电机组齿轮箱工作的可靠性,研究了其油温高的故障特性.综合利用传热学、摩擦学和齿轮啮合理论,建立了圆柱齿轮传动三维热分析有限元模型.采用有限元法.计算在油温高故障状态下运转的圆柱传动齿轮温度分布、热变形和热应力.分析了双圆柱齿轮温度场和热变形的变化规律,并计算了齿轮频率和变形.求解结果显示出了风力发电机组齿轮箱在正常工作和故障频率情况下的形状、位移和等效应力的变化.该研究结果对其故障诊断具有一定的参考价值.     

EMD分解和支持向量机技术在风电齿轮箱早期齿轮磨损故障诊断中的应用

针对目前风电机组齿轮箱故障率很高,特别是对兆瓦级风电机组齿轮箱早期齿轮故障缺乏有效诊断经验的现状,提出EMD分解和支持向量机技术方法相结合的故障诊断方法,以行星齿轮箱为试验平台,充分利用两种方法的各自优势,对风电机组齿轮箱的齿轮早期故障诊断进行研究。     

小波神经网络对风力发电机齿轮箱的故障诊断

为研究风力发电机组齿轮箱的故障特性,提高其工作的可靠性,提出采用小波神经网络对齿轮箱的故障进行诊断的方案。该方案采用小波包分析与径向基函数(RBF)神经网络相结合组成小波神经网络,以准确地识别风力发电机组中齿轮箱常见的故障。诊断结果证明了方案的可行性。该方案在风力发电机组齿轮箱故障诊断领域具有良好的实用前景。     

基于温度信号的传动系统在线监测装置的研制

针对我国风力发电机齿轮箱状态监测与故障诊断发展的实际需要,利用温度采集技术和虚拟仪器技术,专为传动系统的状态监测提供了一套应用解决方案.建立了传动系统模拟装置,模拟了风力发电机齿轮箱的工作状态.研制了基于温度信号的在线监测装置,设计了基于AD590温度传感器的多路信号采集电路,并采用Labview进行软件编程.使用基于...     

PSO优化BP神经网络齿轮箱故障诊断

针对目前齿轮箱系统在利用神经网络故障诊断时存在正确识别率低和依靠经验选择参数的问题,提出了基于粒子群优化BP网络的齿轮箱故障诊断方法。简要介绍利用齿轮振动原理提取特征参数建立故障模型,该模型以齿轮箱特征向量为输入、故障类型为输出,详细分析了通过BP神经网络、概率神经网络和粒子群优化BP神经网络实现齿轮箱故障诊断。仿真结果表明,BP神经网络对齿轮箱故障诊断收敛速度慢,故障识别率为82%;概率神经网络的模型故障诊断识别率依据经验选取spread值决定,故障识别率最大为98%;粒子群优化后的BP神经网络故障诊断分类识别率为100%且自适应能力强。     

基于多小波包的齿轮故障诊断方法研究

提出了一种全新的基于多小波包的齿轮箱故障诊断方法.在机械故障诊断领域,小波分析已经被应用在利用齿轮振动信号进行的故障诊断中.由于小波函数空间在高尺度上频带较宽,因此隐藏在信号中的在较高频段发生的窄带故障信号的频率成分不能被精确地诊断.提出的多小波变换,通过划分小波变换不同层的频带克服了单小波(标量小波)系统的这种缺陷.通过多小波包变换,可以自动并精确地划分不同小波包结点的频率段,从而对频率段较窄的瞬变故障信号进行精确的诊断.对齿轮箱的仿真实验结果表明,应用多小波包系统,不但可以对齿轮系统中包含瞬变现象的故障信号进行诊断,而且可以精确确定齿轮中坏齿的位置.     

小波分解和最小二乘支持向量机的风机齿轮箱故障诊断

根据齿轮箱故障时振动信号特点,提出了一种基于小波分解和最小二乘支持向量机(LS-SVM)相结合的齿轮箱故障诊断方法。通过对齿轮箱振动信号进行小波分解,得到各分解节点对应频率段的重构信号和节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别。诊断结果表明:该方法能够准确地识别风力发电机组齿轮箱的常见故障。     

基于LabVIEW的风电机组齿轮箱健康状态监测系统设计

齿轮箱是风力发电机组的主要组成部分之一,也是故障的高发区,积极开展风电齿轮箱故障诊断具有重要意义.基于LabVIEW开发环境和NI CompactDAQ平台开发的风机齿轮箱健康状态监测系统,通过友好的图形化用户界面及图形编程语言控制运行,可以高效地实现对温度、转速、振动信号的采集、图形显示、存储、分析及数据回放等功能,具有良好的扩展性.同时,系统通过采取多种时频域方法对振动信号进行对比分析,可以快速、准确地确定故障的类型.实验结果表明,系统能够稳定、可靠地工作,是进行风机齿轮箱监测的有效工具.     

Applying the fuzzy lattice neurocomputing (FLN) classifier model to gear fault diagnosis

Gear faults are among the main causes of rotating machines breakdown in industrial applications. Intelligent condition monitoring for fault diagnosis can be helpful for detecting gear faults in an early stage so as to reduce production loss and, in addition, improve operation safety and reliability. In this work, we present an intelligent gear fault diagnosis scheme based on a novel classification model, namely the fuzzy lattice neurocomputing (FLN) classifier model. Five gear states including one healthy state and four defective states are tested in a two-stage gearbox. Statistical parameters in both the time domain and the frequency domain of vibration signals, acquired from gearbox, are used as features. We conducted experiments on a benchmark dataset as well as on a gear faults dataset to evaluate both the classification performance and the computational cost of the FLN classifier comparatively with alternative classification methods from the literature including artificial neural networks, support vector machines and decision trees. Our study has demonstrated that the FLN model yields better classification performance with smaller computational cost than the aforementioned alternative methods. The FLN classifier can further be used for condition monitoring and fault diagnosis in other mechanical systems.     

基于LSTM算法的门座式起重机减速箱故障诊断研究

为实现门座式起重机减速箱机械故障的智能诊断和分类,运用长短期记忆网络构建了门座式起重机减速箱机械故障的自动诊断分类模型;首先设计并使用了基于labview的数据采集系统对门座式起重机的复合故障数据进行了采集,结合东南大学公开的齿轮箱故障数据建立了数据集;然后用数据增强的方法对数据进行预处理,接着采用长短期记忆神经网络,构建门座式起重机减速箱机械故障诊断模型;最后使用测试数据集对模型的诊断分类准确性进行了验证实验,结果表明该诊断模型能快速准确的对门座式起重机减速箱的机械故障进行自动诊断和分类,实现了96.8％的诊断分类准确率,与传统的基于CNN的诊断分类模型相比,准确率提高了4.1％,为下一步便携式智能诊断仪器的开发和应用奠定了一定的理论基础.     

Spur bevel gearbox fault diagnosis using wavelet packet transform and rough set theory

The gearbox is an important component in industrial drives, providing safe and reliable operation for industrial production. Wavelet packet transform (WPT) analysis was used to extract fault features in the vibration signals generated by a gearbox. The extracted features from the WPT were used as input in a rough set (RS) for attribute reduction and then combined with a genetic algorithm to obtain global optimal attribute reduction results. The fault features gained after the attribute reductions were used to generate decision rules. The unknown gear status signal attributes were used as input to match the generated decision rules for fault diagnosis purposes. Gearbox vibration signals contain a significant amount of gear status information; a WPT has an acute portion-locked ability to extract attribute information from the vibration signals. However, WPT frequency aliasing would lead to the generation of spurious frequency components, affecting gear fault diagnosis. In this paper, we introduce an improved WPT to eliminate frequency aliasing, thus improving the accuracy of fault diagnosis. This paper studies the use of wavelet packet for feature extraction and the RS for classification; the results demonstrate that this method can accurately and reliably detect failure modes in a gearbox.     

基于递推参数辨识的齿轮箱故障在线检测

为实现齿轮箱故障的在线检测,提出基于递推AR模型参数辨识的齿轮箱振动信号在线辨识方法。对实验室的齿轮箱进行不同工况下振动信号的检测,利用最优辅助变量法确定其自回归模型的阶次和模型参数的初值,以自回归模型系数作为状态变量,采用Kalman滤波器技术进行在线递推参数辨识。实验结果表明,该方法中参数变化量的2-范数会发生突变,能检测出齿轮磨损和轴承外圈剥落的故障。     

基于广义多重分形维数算法的汽车变速箱故障诊断研究

提出了一种基于扩展广义多重分形维数算法的汽车变速箱故障诊断方法。该算法是基于传统的G-P关联维数算法扩展而形成的,通过该算法对变速箱上采集的不同工作状态下的振动信号进行处理,提取变速箱齿轮的振动信号的分数维,观察及分析分形维数与变速箱齿轮的磨损规律的关系,发现其反映变速箱齿轮的真实运行状态,故可以此作为齿轮磨损预测和诊断的有效依据。     

基于啮合频率调制现象的齿轮振动信号辨识

齿轮是大多数旋转机械设备的核心零部件,也是主要的振动来源.为了评估齿轮箱的健康状态,从机械系统信号中提取齿轮箱的振动成分具有重要意义.齿轮的啮合频率包含了反映其运行状态的丰富信息,是进行齿轮在线监测和故障诊断的前提条件.通过理论分析和试验验证,解释了啮合频率调制现象,也就是当齿轮在重载条件下工作时,啮合频率会以啮合冲击的形式被调制到高频共振区.基于此现象,提出了一种齿轮振动信号辨识方法.在此方法中,通过迭代获得啮合能量比图,以确定啮合共振频带.此方法的性能通过试验台试验和叉车现场试验进行了验证.通过与快速谱峭度方法进行对比,证明所提出的方法适用于齿轮振动信号辨识,尤其是当齿轮处于重载条件时.     

基于径向基神经网络的新型齿轮故障诊断方法

非平稳工况下的齿轮故障检测是一项非常困难的工作,由于齿轮振动信号的复杂性,导致故障特征提取和故障诊断困难.针对这些问题,基于径向基(radial basis function, RBF)神经网络,提出一种在变速条件下齿轮的故障诊断方法 CIHDRFD.首先利用自适应白噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),将原始振动信号分解为多个固有的模态函数(intrinsic mode function, IMF),并通过计算其信息熵(information entropy, IE)筛选出IE最小的4个IMF作为特征IMF;然后利用希尔伯特变换(hilbert transform, HT)处理特征IMF并求出Hilbert包络谱,利用Hilbert包络谱构建故障特征向量;最后利用改进的双RBF神经网络进行故障检测.通过搭建齿轮故障检测平台验证CIHDRFD方法的有效性,实验结果表明, CIHDRFD方法适用于齿轮故障诊断,在速度波动为3%的情况下,诊断准确率...