基于MRSVD与LMD的工业机器人交叉滚子轴承故障特征提取

针对奇异值分解(SVD)优化局部均值分解(LMD)方法提取工业机器人交叉滚子轴承振动信号微弱故障特征分量时出现的模态混淆现象,提出一种基于最大分辨率SVD与LMD的工业机器人交叉滚子轴承故障特征提取方法。以最大奇异值分辨率原则将一维振动信号构造成Hankel矩阵,采用SVD对Hankel矩阵进行分解得到奇异值序列;按照奇异值曲率谱原则及非目标值抑制原则对奇异值序列进行重构,将包含故障突变信息的重构奇异值序列进行SVD逆运算得到重构振动信号;最后利用LMD方法对重构振动信号进行故障特征提取,得到能够表征原始振动信号振动特征的故障特征分量。通过与SVD优化LMD方法对比可知,该方法完整地提取了工业机器人交叉滚子轴承振动信号的微弱故障特征分量,改善了模态混淆现象。     

基于形态学的一种齿轮故障特征提取方法

针对数学形态学滤除白噪声能力不足的问题,提出了奇异值分解（ SVD）、局域均值分解（ LMD）和数学形态学相结合的特征提取方法。将信号进行奇异值分解,对分解后的主要成分取均值,然后进行局域均值分解,选取主要分量求和重构,再用形态学差值滤波器提取故障信号的频率特征。通过数值仿真试验和齿轮局部故障模拟实验,结果表明：该方法能够清晰地提取出故障信号的频率特征,并与奇异值分解形态滤波法相比较,证明了该方法的有效性。     

基于形态学的一种齿轮故障微弱信号提取方法

针对数学形态学滤除白噪声能力不足的问题,提出了奇异值分解（SVD）、局域均值分解（LMD）和数学形态学相结合的特征提取方法。将信号进行奇异值分解,对分解后的主要成分取均值,然后进行局域均值分解,选取主要分量求和重构,再用形态学差值滤波器提取故障信号的频率特征。通过数值仿真试验和齿轮局部故障模拟实验,结果表明：该方法能够清晰地提取出故障信号的频率特征,并与奇异值分解形态滤波法相比较,证明了该方法的有效性。     

齿轮故障诊断的小波分析方法

在齿轮故障监测与诊断中,故障特征提取是诊断的关键,而特征提取的方法也是多种多样的.利用双正交小波基将齿轮的故障振动信号分解到时频域,并提取出齿轮的故障特征.同时结合MATLAB编程语言检验小波在齿轮故障检测中的应用效果.     

基于多域空间状态矩阵奇异值与局部保持投影的滚动轴承故障特征提取方法

针对滚动轴承振动信号复杂且难以从中提取有效故障特征的问题,提出了一种总体经验模态分解(EEMD)、奇异值分解(SVD)和局部保持投影(LPP)相结合的故障特征提取方法。首先,对振动信号进行EEMD分解,利用EEMD分解后的固有模态分量(IMF)分别构造时域、频域和时频域空间状态矩阵;其次,利用SVD提炼时域、频域和时频域空间状态矩阵中的故障信息,筛选其中累加百分比大于90%的奇异值组成多域有效奇异值数组,构造多域奇异值特征矩阵;然后,利用LPP约简多域奇异值特征矩阵,提取低维、高区分度的故障特征;最后,利用支持向量机(SVM)对提出的故障特征提取方法进行评估。实验结果证明了该方法提取的故障特征可有效反映滚动轴承的故障状态。     

SVD-LESE在滚动轴承微弱故障识别中的应用研究

矿用电机运行过程中环境噪声强且复杂,其滚动轴承的早期故障特征容易被淹没。提出一种有限包络谱熵(LESE)引导的振动信号奇异值分解方法,用于滚动轴承早期故障特征提取。根据待分解信号中频率和奇异值之间的对应关系,将对应同一振动信号成分的奇异分量进行累加作为一个信号子分量进行输出;提出LESE用来解决轴承微弱故障信号经SVD处理后故障敏感信号分量的筛选;最后通过对故障敏感信号分量进行包络谱分析从而确定滚动轴承的故障类型。实验结果表明：上述方法能够实现对轴承早期故障特征提取,有利于及时发现轴承问题,避免设备进一步劣化。     

基于奇异值差分谱降噪与经验模式分解的滚动轴承故障特征提取方法

针对滚动轴承振动信号含有大量噪声且具有非线性、非平稳特性致使故障特征难提取的问题,提出一种基于奇异值差分谱降噪与经验模式分解(EMD)相结合的滚动轴承故障特征提取方法。首先,将滚动轴承振动信号在相空间重构的基础上利用奇异值差分谱完成降噪;其次,将降噪后的信号经EMD筛分为多个含有信号局部特征的本征模式分量(IMF);最后对与原信号相关度最大的IMF进行Hilbert包络解调,进而提取故障特征频率。实验结果表明:该方法不仅有效去除信号噪声,而且准确提取滚动轴承的故障特征。     

基于VMD与正交局部保持投影的齿轮故障诊断

为了提高齿轮非平稳、非线性振动信号故障特征的可辨识性提出一种变分模态分解方法与正交局部保持投影的齿轮故障状态识别模型。该模型首先利用VMD对齿轮故障振动信号分解,接着对含有敏感信息的本征模态函数进行特征初步提取并构造高维观测样本,再用流形学习OLPP算法对高维观测样本特征进行压缩和二次提取,最后选用随机森林与概率神经网络算法实现模式识别。结果表明:该模型可以有效的抑制噪声对数据内在本质结构的破坏,提高了故障诊断的准确率且具有很好的泛化学习能力。     

VMD复合熵值法在齿轮故障诊断中的应用

针对齿轮实际工况复杂、故障特征难以提取的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)复合熵值法的故障诊断方法.首先,采用VMD方法对不同工况下齿轮振动信号进行分解,并对分解过程中关键参数的选择进行了研究;其次,根据频域互相关系数准则筛选出可有效表征齿轮状态特征的...     

基于小波包的齿轮故障检测与分析

在齿轮故障的监测诊断中,利用小波包对信号的高分辨率把信号分解到不同频段,然后选择有效频段来提取齿轮传动的故障信息特征.实验表明,该方法能对齿轮的故障特征进行有效的监测.     

基于VMD能量熵和HMM的行星齿轮箱故障识别方法

针对行星齿轮箱振动信号成分复杂、非平稳、非线性的特点,提出一种基于变分模态分解(VMD)能量熵和隐马尔科夫模型(HMM)的故障识别方法。利用VMD算法对不同故障类型的齿轮振动信号进行分解,提取经信号分解得到的各阶本征模态函数(IMF)的能量熵。基于不同故障类型的各IMF分量能量熵在分布上的各异性,将其集合作为故障识别的特征向量。利用不同故障类型的特征向量组成的训练集训练HMM,计算最大对数似然概率值,用于判断测试样本的故障类型。利用该方法对一定转速下行星轮的3种故障进行识别,结果表明：当载荷不同时,它对行星轮齿根裂纹、断齿和齿面磨损3种故障的平均识别率可达到95.83%     

基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法

提出一种基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法。通过对完整齿轮、裂齿齿轮和缺齿齿轮3种齿轮工作状态的声信号进行小波分析并建立特征数据库,构建深度自编码网络与模糊推理系统相结合的诊断系统,实现了齿轮故障诊断与辨识。实验结果表明:这种基于声信号的故障诊断方法能够有效检测矿用齿轮箱的运行状况;与传统神经网络诊断方法以及奇异值分解诊断方法相比,该诊断方法对故障状态的辨识准确度分别提高了3.8%和8%。与传统基于振动信号的故障诊断方法相比,基于声信号的诊断方法对故障状态的辨识准确度无明显差别。表明深度自编码网络模糊推理系统同样适用于基于振动信号的矿用齿轮箱的故障特征提取与分析。     

谱峭度和Vold-kalman阶比跟踪在风电机组齿轮箱故障诊断中的应用

针对风电机组齿轮箱在时变工况下的振动信号具有非平稳特性,提出一种谱峭度和Vold-kalman阶比跟踪(Vold-Kalman Filter Based Order Tracking,VKF-OT)相结合的故障特征提取方法。以转频和啮合频率作为VKF-OT的提取频率,获得随转速变化的阶比信号,通过阶比信号复包络直接求两种频率分量的幅值、相位,经实验分析这种方法能保留齿轮箱的瞬变信息。而后计算两种频率分量的谱峭度,以最大谱峭度对应的频率带能量与原阶比信号总能量之比作为故障特征,最后采用高斯混合模型对风电机组齿轮箱在不同工况下的150组振动信号进行特征描述,运用最大贝叶斯分类器实现故障识别。故障识别率表明该方法可有效地识别任意时变工况下的齿轮早期局部微弱故障。     

基于多传感数据融合的变速运行齿轮异常振动故障诊断

变速运行齿轮异常振动故障诊断性能过差会增加汽车维护成本,缩短齿轮使用寿命。为了及时识别齿轮故障,保证汽车变速器总成具有良好的振动特性,提出基于多传感数据融合的变速运行齿轮异常振动故障诊断方法。通过分析多传感器数据融合技术,掌握变速运行齿轮异常振动故障诊断的理论框架,并以此为基础,参考传感器融合模块、特征级并行多神经网络局部诊断模块和终端分类模块,结合变分模态分解、多通道加权融合和单隐层前馈神经网络训练算法,从信号采集、信号特征提取和信号特征分类3个步骤实现变速运行齿轮异常振动故障诊断。实验结果表明：在齿轮发生轻度磨损时,磨损振动信号的幅值在20~40 mV之间,磨损振动信号的频率在0~4 000 Hz区间;中度磨损时,信号的幅值在30~55 mV之间,信号频率在3 000~7 000 Hz区间;重度磨损时,信号幅值在50~70 mV之间,信号频率在6 000~12 000 Hz区间,且各阶段诊断结果均与故障程度的实际转折点吻合。由此可知在各样本数量均相同的情况下,提出的故障诊断方法预测值与真实值均相同,故障程度和故障类型的诊断性能均较好。     

基于MCKD和峭度的液压泵故障特征提取

液压泵早期故障信号具有非平稳性、强背景噪声、弱故障特征特点,故障特征难以有效提取。为此,提出基于自相关分析与最大相关峭度解卷积算法的齿轮泵故障特征提取方法,利用MCKD算法对采集信号去噪处理,增强信号中的原始冲击成分,提高信号的信噪比;基于峭度（或峭度绝对值,或峭度平方值）的特征信息提取方法,来度量机械信号的非高斯性程度,以表征机械设备的运行状态信息。试验结果证明：所提方法能够有效提取液压泵故障信号中的特征信息。     

传感器位置对齿轮故障的敏感性研究

齿轮的故障特征信息常常隐藏在齿轮的振动信号中,而振动信号则往往通过加速度传感器采集获得。在不同位置所采集到的振动信号,其噪声干扰也往往存在着强弱差异,因此找到传感器对信号采集的敏感位置在信号采集中显得尤为重要。通过采用故障特征参数值分析方法中的不同的故障状态指标作为参考依据,同时在去噪方法中采用能明显提高信噪比的时域同步平均方法进行去噪,结果发现:安装在靠近轴承座附近位置的A04号传感器所采集的振动信号噪声干扰较小;通过加速度传感器采集齿轮箱的振动故障信号时,最敏感位置应存在于轴承座附近。     

变转速变载荷工况下的齿轮智能故障诊断北大核心

针对变转速变载荷工况下的齿轮故障检测、识别和分类问题,提出一种基于最大重叠离散小波包变换和人工神经网络的智能故障诊断新方法。研究自相关谱峭度图中的最大重叠离散小波包变换,并采用它将复杂的齿轮故障振动信号分解为频带和称为节点的中心频率。推导出每个节点的平方包络的自相关,以便计算每个节点在每个分解层次上的峭度,减少了非周期性脉冲和噪声的影响。将上一步得到的特征矩阵作为径向基函数神经网络的输入,从而实现齿轮状态的自动分类。并在变转速变载荷(16种)工况下对健康状态和5种不同类型齿轮故障的齿轮箱进行了具体测试分析。结果表明:该方法可以更好地提取特征信息,为齿轮故障诊断定位合适的解调频带,提高了所有工况下齿轮故障诊断的准确率。     

基于Hankel矩阵与奇异值分解降噪方法的齿轮故障诊断研究

将Hankel矩阵与奇异值分解相结合对齿轮故障信号进行降噪处理,并应用MATLAB软件实现,来降低信号中的噪声,提高信噪比,从而凸显故障的信息特征。首先将含噪的测量信号构成的Hankel矩阵分解成两个互不相关的空间——真实信号空间与噪声空间,采用3种不同的奇异值选择方法,即奇异值差分谱方法、特征均值方法以及奇异值中值方法,对两个空间的奇异值矩阵处理后,再重构信号,实现降低测量信号噪声的目的。利用计算数据和图像说明不同奇异值选择方法的降噪效果,得出奇异值中值方法对齿轮断齿故障信号降噪效果最佳。