局域波降噪及样本熵在齿轮箱故障诊断中的应用

针对齿轮箱振动信号中存在大量背景噪声及以往故障诊断中在时域、频域寻找与故障相关信息过程相对复杂的问题,提出了一种将局域波降噪与小波包分解提取频带能量最大信号的样本熵作为特征量相结合的齿轮箱故障诊断方法.首先,以峭度值作为依据对局域波分解后的各IMF(本征模式分量)分量进行重构,完成对原始信号的降噪.接着对降噪后的信号进行小波包分解并计算各子带的能量,选取子带能量最大的频段信号计算其样本熵作为特征量完成对故障的识别.以齿轮箱试验台实测信号为对象进行对比分析,证明了该方法的有效性.     

基于EEMD和二维边际谱熵的齿轮箱故障诊断

针对信号经验模态分解（EMD）过程中存在波形混叠现象,提出一种基于聚合经验模态分解（EEMD）和Hilbert二维边际谱熵相结合的方法对齿轮箱故障进行分类故障诊断．首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对3种工况信号进行Hilbert变换并计算得到边际谱,并且提取二维边际谱熵作为支持向量机（SVM）的输入量,建立故障诊断模型．经测试该方法在齿轮箱故障诊断方面有着较强的分类能力和诊断精度,具有一定的可行性．     

基于EEMD-CWD的齿轮箱振动信号故障特征提取

为实现齿轮箱故障特征提取,提出一种基于集成经验模态分解（EEMD）和乔-威廉姆斯分布（CWD）的齿轮箱振动信号特征的提取方法。对现场采集的振动信号进行EEMD分解,再对分解得到的固有模态函数（IMF）分量依照峭度准则进行排序,选取峭度指标较大的IMF分量进行CWD分析,最终得到信号的CWD.该方法可以有效抑制由于干扰项引起的频率混叠和干扰问题,有助于将原始信号在时间历程、频率成分和幅值大小3个方面的特征信息同时进行准确提取。利用该方法对实际齿轮发生断齿、裂纹故障进行了实验分析,结果表明：该方法能够全面、有效地提取齿轮振动信号中所蕴含的齿轮箱状态信息,为后续进行齿轮箱状态识别和故障诊断奠定基础。     

基于高阶累量谱的轴承故障诊断

在轴承故障诊断中，故障信号的提取是一个关键问题。实际测得的轴承振动信号一般是非平稳和非高斯分布的信号，信噪比很低，微弱的故障信息往往完全淹没在噪声中，信号特征的提取非常困难。信号的高阶累积量对加性高斯噪声和对称非高斯噪声不敏感，应用在轴承的故障诊断中，可以有效地分离信号与噪声，提高信噪比，增强故障信息。对轴承在不同状态下的振动信号进行对比分析，提取了不同状态下轴承振动信号的功率谱与高阶累量谱（双谱），建立了用于故障诊断的双谱特征向量，并利用BP神经网络进行了故障诊断。分析结果表明，从高阶累积量提取的特征与功率谱相比，对故障特征比较敏感，容易实现智能诊断中的数字特征提取，可有效地区分轴承的故障。     

S变换相对谱熵及其在液压泵退化状态识别中的应用

为更好地表征液压泵的退化状态,对液压泵退化特征提取方法和退化状态识别方法进行研究。基于S变换分析非平稳信号的优异能力以及相对熵较好表征振动信号概率分布差异的特性,提出S变换相对谱熵的液压泵退化特征提取方法,对液压泵仿真信号分析结果验证了所提出的S变换相对能谱熵和S变换相对奇异谱熵作为退化特征的有效性和可行性。将两个特征指标组成退化特征向量,对滑靴磨损和松靴故障模式下不同故障程度的液压泵振动信号进行分析,进一步验证所提出的特征指标作为液压泵退化特征的有效性。将加权灰关联法用于液压泵退化状态识别,建立了液压泵的标准退化模式矩阵,对两种故障模式下液压泵待检测样本的退化特征向量和标准模式矩阵做加权灰关联分析,根据灰关联度的大小判定液压泵的退化状态,结果验证了所提出方法的良好性能。     

改进的神经网络和灰色理论在故障诊断中的应用

在分析神经网络和灰色关联度诊断方法的基础上,研究并提出了改进的BP神经网络和ABO灰色关联度诊断法。应用小波分析法对齿轮箱振动信号进行小波消噪,提取了信号的时频域特征参数。讨论了特征参数的无量纲化处理方法,并结合ABO灰色关联度诊断法简单易于实现和BP神经网络法诊断精度较高的特点,完成了齿轮箱的故障模式识别和诊断决策。     

基于小波尺度谱重排与小波排列熵的自动机故障诊断

用小波包变换对自动机振动响应信号进行时频分析,提出了对每层小波包系数进行小波尺度谱重排处理,计算了每层小波系数的排列熵,并以此作为自动机短时瞬态冲击时微弱故障信号的特征量,使用支持向量机对特征量进行故障分类识别,结果表明,该方法能有效地提取特征值并识别微弱故障,可较好地解决自动机的故障诊断问题。     

行星变速箱振动信号的线性量子信息熵特征

针对行星变速箱在运行时产生的非线性非平稳振动且故障特征信号微弱等问题,将量子理论引入信息熵的计算中,提出一种全新的特征提取方法——线性量子信息熵。介绍了量子理论的基本概念及振动信号的线性量子表达,建立了振动信号的多量子位系统;基于振动信号多量子位表达提出了线性量子信息熵算法;对行星变速箱故障模拟试验台采集到的齿轮正常、K1小行星轮裂纹、K1大行星轮裂纹、K2行星轮裂纹和K3太阳轮裂纹5种状态振动信号的线性量子信息熵进行求解,并与时频熵、排列熵、样本熵计算结果对比。结果表明,线性量子信息熵能够有效提取行星变速箱的运行状态特征。     

基于混沌理论的自动机故障诊断研究

针对某型号自动机的结构特点、运动过程和几种常见的故障模式进行分析。结合自动机的运动过程分析及其振动信号的非线性短时冲击特性,提出用混沌理论对自动机的故障进行诊断研究。提取了所测信号的李雅普诺夫指数,验证其为混沌系统,运用关联维数和Kolmogorov熵几个混沌参量提取出实测信号的特征。最后应用Elman神经网络进行了故障模式的识别,实现了基于试验测试的自动机故障诊断。为自动武器的故障诊断提供了一种新思路,对高速自动机的故障诊断有着重要的理论和现实意义。     

某型导弹发射装置液压泵故障预测研究

分析了某型导弹发射装置中液压泵的故障模式,优化了振动传感器的安装位置,通过对其振动信号进行时域分析和小波包分析,提取了用于液压泵故障预测的特征参量;基于支持向量机理论,在Matlab 6,5环境下建立了液压泵的故障预测模型（包括故障映射模型和特征参量预测模型）;预测出液压泵的典型故障。最后通过实例验证了该故障预测模型的有效性。     

基于参数优化变分模态分解和多尺度熵偏均值的行星变速箱故障特征提取

针对某型装甲车辆行星变速箱行星轮故障特征难以提取的问题,提出了结合参数优化变分模态分解(VMD)和多尺度熵偏均值的故障特征提取方法。为克服VMD算法参数选取依赖经验的弊端,采用粒子群优化算法对VMD参数进行优化。使用参数优化后的VMD算法对信号进行分解,并依据互信息选取有效分量对信号进行重构。多尺度熵能反映信号在多尺度下的复杂度,偏均值可以反映多尺度熵的均值和变化趋势。采用基于多尺度熵的综合指标多尺度偏均值,以全面反映振动信号在多尺度下的特性,用于衡量行星变速箱运行状态,从而进行故障特征提取。行星变速箱实验数据处理结果表明,新方法可以更加有效的提取行星变速箱故障。     

基于改进ART2神经网络的发动机故障诊断方法

基于改进ART2神经网络的发动机故障诊断方法,用警戒和调整因子的双因子法控制网络识别过程中对已知故障再学习,使网络不断学习和优化.以某发动机的相关状态模式训练ART2网络,利用db4小波包对各模式的振动信号进行分解,再利用小波系数计算出各频带的能量构成向量,经归一化后为该模式下的特征向量.其网络只对相似度超过调整因子的识别样本进行学习,有助于提高网络发动机状态模式的识别精度.     

装甲车辆传动箱齿轮健康监测与诊断方法

装甲车辆传动装置是装甲车辆关键组成部分之一,对车辆机动性能的发挥具有重要作用。机械传动是装甲车辆传动装置构成的基本样式,其中以齿轮传动为主。针对装甲车辆服役条件下的关键零部件健康监测与故障诊断难题,以传动箱齿轮为研究对象,探索利用加速度传感器在线长期监测振动信号以进行装甲车辆旋转件（齿轮、轴、轴承等）状态评估和诊断的可行性。采用有限元分析对正常、点蚀、裂纹和断齿4种状态下的齿轮进行了模态分析,在齿轮箱模拟试验平台上进行了振动信号的采集与处理,对比分析了正常与断齿条件下的振动信号频谱。结果表明：齿轮损伤会引起其固有频率下降,随损伤加剧,固有频率降幅增大。因此,齿轮固有频率随其状态变化而变化,可作为损伤指标;振动信号频谱分析,特别是边频带结构特征,有助于实现齿轮故障诊断。     

基于KPCA-HSMM设备退化状态识别方法的研究

为消除多通道观测信息冗余,压缩高维故障特征,提出了基于核主元分析( KPCA)多通道特征信息融合的隐半马尔可夫模型( HSMM)设备退化状态识别的新方法。首先,对采集的单通道振动信号进行小波相关滤波处理,构造单通道振动信号的小波相关特征尺度熵向量;然后,利用KPCA方法对多通道的小波相关特征尺度熵向量进行冗余消除和特征融合,得到多通道的融合小波相关特征尺度熵向量;并以此融合特征向量作为HSMM的输入进行训练,建立基于HSMM的设备运行状态分类器,从而卖现设备退化状态的识别。实验结果表明,该方法能有效的识别设备的退化状态,从而为多通道特征信息融合设备退化状态识别开辟新的途径。     

Research on Gear-broken Fault Diagnosis in a Tank Gearbox

A fault diagnosis method of working position gear in a tank gearbox is put forward based on simulating the fault of working position gear in an actual tank, extracting the envelope of vibration signal by Hilbert transformation amplitude demodulation method, and zooming the low-frequency band to envelope signal.     

基于嵌入和遥测的轮式自行火炮变速箱测试诊断研究

针对在有线连接的条件下无法实现轮式车辆变速箱带载荷测试的问题,提出基于嵌入式和遥测技术的变速箱性能检测新方法,包括系统硬件和软件设计等。嵌入式检测系统随车采集变速箱的状态信息,经特征提取后,反映变速箱工况的特征量通过无线数传模块发送给远端的信号分析单元,信号分析单元在提取变速箱故障特征的基础上,应用模糊聚类分析方法对变速箱工作状态进行识别。该方法由于充分利用了车辆行驶时的动态载荷,使得测试的振动信息更有代表性,可以反映更多的系统特性,能够提高轮式车辆变速箱的故障定位精度。