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．     

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.     

小波分析在陀螺信号检测中的应用

基于陀螺漂移信号模型,利用小波分析对含第一类间断点的陀螺漂移信号进行仿真分析.假设系统工作到100s时发生故障,频率发生突变,持续到200s时恢复正常,信号分析采用的小波函数为Daubechies小波.在利用db6小波对信号进行三层分解之前,同样利用小波信号分析技术,采用默认阀值对信号进行消噪处理.实验表明,小波分析技术可即时检测出陀螺发生故障位置和时间,并有效提高陀螺可靠性.     

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。     

基于盲源分离的齿轮箱复合故障诊断研究

针对传统盲源分离(BSS)技术在处理非线性变化的复合故障信号时的不足,将核独立分量分析(KICA)技术应用于齿轮箱的状态检测与故障诊断。介绍了KICA的基本原理,进行了仿真说明。最后应用该方法并结合包络阶次谱分析对设置了2种故障的齿轮箱进行故障诊断,最终找到了故障特征,成功判别出了这2种故障,并验证了该方法的有效性。     

基于双谱熵模型的故障模式识别

提出利用双谱计算信号的双谱熵,并作为特征参量进行故障模式识别的方法。分析了振动信号双谱的特征,在子空间分布概率下,推导了基于能量分布的双谱熵计算方法。在理论推导分析的基础上,进行了某齿轮箱在4种工况下的振动信号提取实验,建立了齿轮箱故障模式识别BP神经网络。最后将双谱熵特征参量作为输入,对设置了4种故障工况的齿轮箱进行了故障模式识别,成功地判别了4种工况,验证了方法的有效性。     

分形理论在齿轮箱故障诊断中的应用研究

以齿轮箱为主要研究对象,探讨了基于分形理论的复杂机械系统故障状态的诊断和预测问题．齿轮箱的轴承振动信号具有统计意义上的自相似性,因此,可用分形的特征值来表征齿轮箱的运动状态．应用G-P算法求取关联维数作为分形的特征值,给出了某型号坦克齿轮箱典型故障的诊断实例．     

基于分形理论齿轮箱故障诊断研究

在对齿轮箱的机械故障诊断中,由于齿轮箱运行过程中产生的信号中存在非线性,为此将分形理论引入故障诊断技术中。介绍了分形法诊断故障的基本原理,利用G-P算法求出各工况的分形维数并进行比较,实现了对齿轮箱故障的诊断。诊断结果表明,发动机轴承正常状态下的分形维数为2．6346,各故障状态时均有惟一确定的分形维数且都大于2．6346。由此看出,用分形维数可以表征机械故障状态,说明分形理论能从本质上反映故障的结构特征。     

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。     

里程仪故障检测的小波多分辨分析方法

针对车辆滑动等情况下里程仪故障的特点，研究了采用小波多分辨分析的里程仪故障检测方法，并进行了实验数据分析。结果表明，经多分辨分析重构的信号可以很好地揭示原信号的奇异性，从而判断出里程仪的故障点。该方法不需要进行数据建模，而且具有一定的鲁棒性，适用性强，对难以建立解析数学模型的诊断对象非常有效。     

小波神经网络在智能诊断中的应用

小波神经网络分为松散型和紧致型，前者以小波分析作为神经网络的前置处理，为其提供输入特征向量，后者采用小波函数和尺度函数形成神经元，达到小波和神经网络的直接融合，刀具故障在线监测松散型小波神经网络，用声传感器在线采集刀具的状态数据，用小波分析处理数据并提取特征量以确定网络的输入向量；用BP神经网络训练数据，调整权值和故障输出，建立刀具故障在线监测小波神经网络模型。     

基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法

滚动轴承出现损伤时,采集的振动信号呈非平稳性,采用一般的时域和频域分析方法不能准确提取出振动信号的故障特征。根据小波包多分辨、精细化的分解特性,提出一种基于小波包能量谱与主成分分析（PCA）方法的滚动轴承故障诊断算法。将振动信号进行小波包分解,得到重点频率段信息的能量谱,提取能量谱作为特征向量;利用PCA方法对特征向量降维并减小噪声信号的干扰,获得增强的故障特征;利用层次聚类方法和改进的模糊c均值聚类算法对不同类型的滚动轴承故障进行识别,两种聚类方法都准确地识别出了不同的故障类型。实例验证结果表明,所提方法能够有效地提取振动信号中的有用故障特征,实现轴承故障类型的精确诊断。     

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。     

履带车辆行驶循环的构建方法研究

基于行驶循环工况的仿真分析可以为履带车辆动力传动系统匹配提供新的技术手段,针对某履带车辆试车场的试验数据,提出了一种履带车辆行驶循环的构建方法.应用小波变换方法对试验数据进行了滤波处理.定义试车场一次整圈试验为一个运动学样本,通过统计学的相关性分析和速度-加速度概率分布分析,选出最接近样本集合的代表样本.试车场行驶循环...     

小波神经网络在模拟电路故障诊断中的应用

模拟电路故障诊断有故障字典法、故障参数识别法、故障验证法。小波神经网络可避免MLP等神经网络结构设计的盲目性，具有逼近能力强、网络学习收敛速度快、参数的选取有理论指导、能有效避免局部最小值问题等优点。随着小波理论和神经网络理论的不断发展，小波神经网络将日益成熟应用于模拟电路故障诊断领域。     

履带车辆综合传动装置箱体有限元分析

介绍对箱体的方案设计进行有限元分析的方法． 通过对箱体模型的简化、边界条件的处理以及有限元网格的生成技术来保证分析的准确性． 通过分析计算得出位移和应力分布结果, 初步判断刚度和强度条件． 在此基础上对箱体方案进行细化和改进, 提高了方案设计的效率和可靠性．