基于不完全Cholesky分解相关熵双谱的轴承故障诊断

针对传统双谱难以有效处理强噪声干扰以及相关熵运算量大的问题,提出了一种基于不完全Cholesky分解相关熵和双谱分析的轴承故障诊断方法。该方法在不求出核矩阵的情况下,首先利用不完全Cholesky分解算法和核函数,计算核矩阵的低秩分解下三角矩阵;其次,利用Gini指数选取下三角矩阵的主分量,利用下三角矩阵的主分量计算核矩阵的低秩近似矩阵,进而计算信号的相关熵;最后,计算振动信号相关熵的双谱,根据相关熵的双谱特征识别轴承故障。通过不完全Cholesky分解算法和Gini指数计算信号的相关熵,不仅压缩了数据量,突出了轴承故障瞬态冲击特征,有效抑制了噪声的影响,而且提高了计算效率,减少了计算机内存占用量。通过仿真和试验轴承故障振动信号分析结果表明：强背景噪声会造成传统双谱故障诊断方法失效,而基于相关熵和双谱分析的轴承故障诊断方法,能在强噪声干扰背景中提取轴承故障瞬态冲击特征,准确识别轴承故障,其性能优于传统双谱和小波变换域双谱,为一种轴承故障诊断的有效方法。     

基于倒阶次谱分析的齿轮故障诊断研究

针对齿轮箱升速过程中振动信号非平稳的特点，将常规的倒谱分析技术与阶次谱结合，提出了倒阶次谱的齿轮箱故障诊断方法。首先对齿轮箱升降速瞬态信号进行时域同步采样，再对时域信号实行等角度重采样，转化为角域平稳信号，最后对角域重采样信号进行倒谱分析，就可提取齿轮的故障特征。通过对齿轮齿根裂纹和齿面磨损故障实验信号的分析，表明该方法能有效地诊断齿轮的故障。     

基于双谱分布区域的齿轮聚类分析与故障诊断

齿轮(尤其是故障齿轮)振动信号具有明显的非高斯性,双谱是分析非高斯信号的有效方法.齿轮不同故障模式振动信号双谱分析表明齿轮双谱分布区域与故障模式间存在映射关系,可作为分类特征.采用阈值化的双谱二值图作为特征向量,基于目标函数的聚类法实现分类与故障诊断.聚类过程以训练样本双谱二值图的逻辑与运算表征类间分布共性,逻辑或运算表征类间分布范围,构成类模板,测试样本与类模板距离最小值构造最近邻模板分类器,实现聚类,整个过程只是计算1的个数,简单、实用.齿轮故障诊断实例验证了该方法的有效性.     

基于EMD和功率谱的齿轮故障诊断研究

提出了一种基于经验模态分解EMD（Empirical Mode Decomposition）的齿轮裂纹故障诊断的新方法。EMD方法具有自适应的信号分解和降噪能力，EMD是先把时间序列信号，分解成不同特征时间尺度的固有模态函数（Intrinsic Mode Function，简称IMF），然后通过选取表征齿轮裂纹故障的IMF分量进行功率谱分析，就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明：该方法能有效地识别齿轮的齿根裂纹故障。     

基于VPMCD和EMD的齿轮故障诊断方法

提出了基于VPMCD（Variable predictive model based class discriminate,简称VPMCD）和EMD（Empirical mode decomposition,简称EMD）的齿轮故障诊断方法,并将它应用于齿轮稳态信号的分析。VPMCD方法是一种新的模式识别方法,特别适合于非线性分类问题,它充分利用从原始数据中所提取的特征值之间的相互内在关系建立数学模型,从而进行模式识别。在基于VPMCD和EMD的齿轮故障诊断方法中,首先采用EMD方法将齿轮振动信号自适应地分解为若干个单分量信号,然后提取各个分量的样本熵并将其作为特征值,最后采用VPMCD分类器进行故障识别和分类。结果表明该方法能够有效地突出齿轮故障振动信号的故障特征,提高了齿轮故障诊断的准确性。     

排列熵与核极限学习机在齿轮故障诊断中的应用

针对齿轮故障难提取和极限学习机(extreme learning machine,ELM)隐层节点数需要人为设定,致使齿轮故障分类模型准确度低、稳定性差的问题,提出基于核极限学习机(kernel extreme learning machine,K-ELM)的齿轮故障诊断方法。首先,将测得信号经经验模态分解(empirical mode decomposition,EMD)处理后得到一系列IMF本征模式分量,并提取各分量的排列熵(permutation entropy,PE)值组成高维特征向量集;然后利用高斯核函数的内积表达ELM输出函数,从而自适应确定隐层节点数;最后,将所得高维特征向量集作为K-ELM算法的输入建立核函数极限学习机齿轮故障分类模型,进行齿轮不同故障状态的分类辨识。实验结果表明:与SVM、ELM故障分类模型相比,核函数ELM滚动齿轮故障诊断分类模型具有更高的准确度和稳定性。     

基于信息融合和广义循环互相关熵的电机轴承故障诊断

针对传统基于单路振动信号的故障识别可靠性较差和传统谱相关方法难以有效处理非高斯噪声的问题,该研究提出了一种基于多传感器振动信号信息融合和广义循环互相关熵谱的轴承故障诊断方法.首先推导了广义互相关熵、广义循环互相关熵和广义循环互相关熵谱密度的计算公式;然后给出了电机轴承故障诊断步骤;再利用轴承外圈故障仿真信号,分析了轴承...     

Wigner-Ville时频分布研究及其在齿轮故障诊断中的应用

虽然Wigner—Ville分布具备时—频分布的优点，但Wigner—Vtlle分布的一个致命缺点就是交叉干扰项的存在，并影响其广泛应用。本文介绍了Wigner双谱、Wigner三谱，以及如何选用合适的核函数消除交叉干扰项的影响。并以齿轮为实验对象，成功应用上述方法消除交叉干扰项，达到诊断齿轮故障的目的。     

时延自相关解调频原理及其在齿轮故障诊断中的应用

当齿轮发生故障时,调幅和调频现象往往同时存在,但是传统方法通常只适用与解调幅,而不能解调频。同时振动信号中常含有大量的噪声,严重的影响了解调结果。由于高延迟的自相关函数具有受噪声影响比较小的特点,已有文献用时延自相关法解调幅,但是用做解调频还鲜有研究。为此,从理论上分析了调频信号和调幅调频信号的自相关函数,得出调频信号的自相关函数是调幅信号,调频调幅信号的自相关函数仍然是调幅调频信号,且其调制频率不变。这样就从理论上说明了时延自相关解调法是解调频和解调频的通用方法。最后通过仿真实验和实例分析,表明了时延自相关解调法不仅能有效的解调频,而且具有较好的抗噪性。     

基于加权相空间重构降噪及样本熵的齿轮故障分类

提出了一种基于加权相空间重构降噪及样本熵的齿轮故障分类方法,给出了加权相空间重构降噪及样本熵的原理及计算公式.该方法将一维的时间序列重构到高维的相空同,通过区分吸引子在高维空间的不同的属性与特征,对原始信号进行加权相空间重构降噪,再计算降噪后信号的样本熵从而实现对齿轮故障信号的分类.对该方法进行了仿真与实验研究,结果表明,降噪后的信号有效地抑制了噪声对实验结果的影响,使得样本熵能够对齿轮不同的工作状态进行有效区分.     

基于特征处理的MVU算法在齿轮故障诊断中的应用

针对不同故障类别齿轮的故障信息难以有效获取、齿面多类故障难以准确聚类的问题,提出一种基于特征处理的最大方差展开(Maximum Variance Unfolding,MVU)维数简约的齿轮故障诊断模型。首先对获取的振动信号进行最小熵反卷积(Minimum Entropy Deconvolution,MED)预处理,将高低频段进行分离并筛除不确定信号,并在多域上提取信息熵作为特征指标;而后,利用样本点分布矩阵筛选高效表征特征指标并构建高维特征空间,并利用改进的MVU算法对其进行维数简约,获取低维的真实子空间;最后,将其输入到超球多类支持向量机中进行超球构造与分类识别。通过实验数据的分析对比验证模型的有效性。     

基于EMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出了基于经验模态分解（empirical mode decomposition,EMD)和支持向量机的齿轮故障诊断方法。首先通过EMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(intrinsic mode function, IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可以通过计算不同振动信号的EMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机（support vector machine,SVM）,判断齿轮的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于齿轮的故障诊断。     

局部均值分解在齿轮故障诊断中的应用研究

局部均值分解(Local Mean Decomposition,简称LMD)作为一种新的自适应的时频分析方法,在故障诊断领域开始得到研究。本文利用仿真信号研究了LMD算法的特性,验证了LMD处理描述齿轮故障信号特征的多分量调幅调频信号的有效性;在此基础上将LMD综合应用于断齿、磨损和剥落三种齿轮故障诊断中,并与传统解调方法进行了对比。结果表明,LMD方法可以有效提取故障齿轮的故障特征,消除虚假成分的影响,从而提高了齿轮故障诊断的准确性     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法.通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类.为了避免因人为选择DB...     

A realistic dynamic model for gear fault diagnosis

A reliable dynamic model that predicts the vibrations of a gear transmission containing a fault may allow us to recognize the effects of that fault, to identify its severity, and to develop methods for characterizing its type by using a limited number of experiments. In this research, a new generic model for gear dynamics is proposed. This model is solved numerically, and combines the most advanced approaches for gear modeling, including: modeling the contact between gear pairs as a set of springs, modeling the effect of faults on the mesh stiffness, and integrating the geometric errors. As a result, the model simulates successfully the acceleration signal of a realistic gear pair in a realistic environment. In this paper, we present a different approach to simulate partial tooth face faults, which takes into account the partial contact loss along the tooth contact line due to the fault's geometry. We propose a new analytical formulation for modeling complete tooth face faults that are located across the entire contact area. Additionally, a modified analytical expression for describing the tooth profile errors is proposed. Using a realistic simulation, we were able to experimentally validate the model.     

LMD的LabVIEW实现及其在齿轮故障诊断中的应用

将局部均值分解(local mean decomposition,LMD)算法在LabVIEW平台上加以实现,开发出LabVIEW的LMD模块。为减小误差,采用三次样条插值法代替滑动平均法来获得局部均值函数和包络估计函数,用形态学滤波算法得到瞬时频率和瞬时幅值的平滑曲线,并通过仿真信号验证LMD算法对于多分量信号的分解能力。最后,利用开发的模块对实测齿轮磨损、断齿故障信号进行分析,成功提取出故障特征频率信息,结果表明开发的LMD模块可以有效应用于齿轮故障的诊断。     

一种增量式半监督VPMCD齿轮故障在线诊断方法

针对齿轮故障诊断中难以获得大量故障样本的问题及实时在线诊断的需求,提出了一种基于增量式半监督多变量预测模型(Incremental Semi-supervised Variable Predictive Model based Class Discriminate,ISVPMCD)的齿轮故障在线检测方法。首先使用VPMCD方法给少量的已知样本建立初始预测模型,接着利用VPMCD方法中的判据给未标识样本赋予初始伪标识,然后通过互相关准则筛选出伪标识样本,最后利用伪标识样本和已知样本作为训练样本更新初始预测模型,使得更新的预测模型能兼顾整个样本集的信息,从而可以有效地解决小样本的故障诊断问题,另外,由于该方法在实时更新新样本的过程中不需要再次建立判别模型,从而缩短了分类时间,为实时在线诊断提供了新的思路。对UCI标准数据以及齿轮实测数据的分析结果表明,适合于小样本的ISVPMCD模式识别方法可以更快更准确地识别齿轮工作状态和故障类型。     

基于LMD的谱峭度方法在齿轮故障诊断中的应用

针对齿轮故障振动信号的非平稳调制特性以及传统共振解调方法不易确定滤波器参数的缺点,提出了一种基于局部均值分解（Local mean decomposition,LMD）时频分析的谱峭度 （Spectrum Kurtosis,SK）分析方法,并将其应用于齿轮故障诊断。该方法首先利用LMD对齿轮故障振动信号进行分析得到时频分布,然后将时频分布按照不同的尺度分成若干不同的频段,计算每一频段内信号的谱峭度值,并得到相应的峭度图,再根据峭度最大原则选取滤波频段,对滤波后的信号进行包络分析以获得齿轮振动信号的故障信息。利用该方法分别对仿真信号以及齿轮故障振动信号进行了分析,结果表明,基于LMD的谱峭度分析方法能够有效地提取齿轮故障振动信号特征。