自适应经验小波塔式分解的齿轮微弱故障诊断方法

针对强背景噪声下齿轮微弱故障特征难以有效提取的问题,本文提出了一种基于自适应经验小波塔式分解的齿轮故障诊断方法 .首先,在齿轮故障信号傅立叶变换基础上,通过设定分解层数对信号频谱进行有效划分,进行经验小波变换;然后进一步提出时-频峭度指标,绘制信号在不同分解层数下各分量信号的时-频峭度图,确定所感兴趣的最优共振频段范围;最终得到最优单分量信号,利用包络解调分析提取齿轮微弱故障特征.采用所提方法对齿轮故障信号进行分析,结果表明该方法可以有效提取齿轮微弱故障特征,而传统经验小波方法因为受强背景噪声影响较大,无法准确提取齿轮微弱故障特征信息.     

基于ASR降噪和改进LMD的齿轮故障诊断方法

针对恶劣环境影响下齿轮特征信息难以被有效提取出来的情况,提出了一种基于自适应随机共振降噪和改进局部均值分解的齿轮故障诊断算法。利用粒子群优化算法对随机共振参数进行优选,实现最佳随机共振输出,提取出微弱故障信息;基于故障特征频率信噪比,改进局部均值分解,剔除伪分量的干扰,提取模糊熵特征对齿轮类型进行诊断识别。实验研究表明,该方法能较好地识别出多种齿轮类型,是一种有效的齿轮故障诊断算法。     

Levy噪声下基于自适应级联三稳随机共振的4FSK信号检测

针对Levy噪声背景下数字信号检测效率较低的问题,提出了一种基于自适应级联三稳态随机共振的4FSK信号提取新方法,并与4FSK信号传统调制解调模型作对比。模拟并比较了自适应级联三稳态随机共振系统模型和传统模型的输出信号误码率。数值仿真实验结果表明,与传统调制解调模型相比,4FSK信号在经过自适应级联三稳态随机共振系统模型解调后的输出信号误码率相较于传统调制解调模型要平均降低了4%,且时域图像更为清晰,毛刺明显减少,频谱幅值大幅提升。该实验的成功表明随机共振系统对冲击噪声中的数字信号检测有很强的应用前景。     

周期势增强随机共振机械故障特征提取方法

针对机械设备早期故障特征难以提取的问题,提出一种周期势函数增强随机共振的机械故障特征提取方法。该方法利用周期势函数的无限稳态结构和抗粒子运动饱和特性,并整合频移尺度变换,能够克服经典双稳态随机共振方法的饱和问题,有利于高速高精机械设备旋转部件早期故障微弱特征的增强与提取。对仿真和电机轴承实验分别用提出方法、经典双稳态随机共振方法和集成经验模式分解方法进行故障特征提取,结果表明提出方法优于集成经验模式分解方法,而且比经典双稳态随机共振方法有更好的增强效果,能够增强和提取微弱故障特征,实现高速高精机械设备电机轴承的故障诊断。     

levy噪声背景下级联系统中弱信号的提取

针对冲击噪声背景下弱周期信号难以提取的问题,提出了以levy噪声作为背景噪声的级联随机共振方法。首先,在数值上分析了随机共振系统最佳参数区间与levy噪声参数的关系;其次,总结了系统输出的微弱信号频谱值跟随系统参数的变化规律;最后,利用级联系统对levy噪声背景下微弱信号的提取进行了研究。实验结果表明,随机共振参数的最佳区间不随噪声参数 α、β 的变化而变化;系统输出信号的频谱幅值会随噪声参数 α、β 的改变而改变,但浮动不大;在级联系统中,二级系统输出的待检测信号频谱值是一级系统的1.4倍。该系统对冲击环境中弱信号的提取具有很强的实用性。     

组合型幂指函数三稳态随机共振微弱信号检测

在强噪声背景下,针对微弱信号的检测和提取困难的问题,在经典的双稳态系统模型基础上,结合Gaussian Potential模型提出了一种新的组合型幂指函数的三稳态系统模型。首先,构造组合型幂指函数的三稳态系统模型,通过调节系统参数进行数值仿真,验证新型的三稳态系统模型能够产生随机共振现象;其次,以输出的平均信噪比（SNR）作为测度指标,结合人工鱼群智能算法进行相应参数寻优,使得组合型幂指函数的三稳态系统输出信噪比最大,从而达到随机共振现象。轴承故障诊断实验分析中,在输入信噪比为-25.8 dB条件下,分别通过双稳态系统和组合型幂指函数的三稳态系统得到的输出信噪比分别为-13.1 dB和-8.59 dB,说明组合型幂指函数三稳态系统性能优于双稳态系统性能。     

小波包特征熵在级联式变频器故障诊断中的应用

为精确诊断级联式变频器功率器件开路故障,提出了一种基于小波包特征熵的故障信号提取方法.对采集到的级联式变频器相电压信号进行三层小波包分解,提取特征熵构造电压信号的特征熵向量,并以此作为故障诊断样本,利用概率神经网络进行故障诊断.仿真结果表明,基于小波包特征熵的信号提取方法在级联式变频器故障诊断的应用中具有较高的有效性与可行性.     

基于级联双稳随机共振的微弱信号检测方法研究

微弱信号采集、检测与提取是航天测控领域研究的热点之一,学者们不断探索与研究微弱信号检测的新理论、新方法,以期能更快速、更准确地从大噪声背景中检测出微弱信号;文章介绍了随机共振的基本原理,分析了基于随机共振的微弱信号检测和故障诊断的工程实例,进一步指出了随机共振技术在微弱信号的增强放大和检测中的独特优势,为微弱信号的分析和噪声控制提供了一个新的处理思路。     

调参随机共振在超高频微弱信号检测中的应用

针对经典随机共振（SR）理论只适用于小参数,在提取高频微弱信号失效而无法使用的问题,提出一种调参随机共振检测高频率微弱信号的方法。首先,推导出双稳系统中阻尼系数与信号频率的关系,并以Kramers逃逸速率为分析手段,讨论阻尼系数变化对系统发生随机共振的影响;然后,分析了系统形状参数对系统产生随机共振现象的影响,通过联合调整阻尼系数和系统参数实现了大频率微弱信号的检测,并讨论了不同采样频率与调参系统输出频谱特性的影响,验证了该方法在低采样率下仍具有较强的稳定性;最后,以通用软件无线电设备（USRP）接收的无线电带噪信号作为系统的输入进行仿真。实验结果表明,利用该调参随机共振策略能够稳定有效地检测出强噪声背景下的超高频微弱信号,信号频率可达到MHz、GHz,拓展了随机共振原理的微弱信号检测的应用领域。     

基于小波包熵和马氏距离的级联式变频器故障诊断

针对级联式变频器内部功率管开路故障诊断中,逆变侧功率管开路故障隐蔽性较强、诊断较难的问题,提出了一种基于小波包特征熵的故障信号提取方法。为了提高级联式变频器功率管开路故障的诊断精度,采用马氏距离分类法进行故障诊断。首先,采集某型号级联式变频器在不同工况下的输入侧电流信号;其次,对采集的电流信号作小波包变换,并提取其特征熵向量作为样本数据集;最后,利用马氏距离分类法进行故障诊断。试验结果表明:采用小波包特征熵提取算法,可以有效地提取级联式变频器功率管发生开路故障时的电流信号特征;同时,采用马氏距离分类法,能够较好地对特征熵向量进行分类和识别。2种算法的结合,可以有效诊断级联式变频器功率管开路故障,也为变频器功率管开路故障的诊断提供了新方法。     

随机子空间方法在齿轮系统故障诊断中的应用

在齿轮系统故障诊断中.采用何种有效的方法对随机动态信号进行分析和特征提取是关键所在;相对于普通的分析方法而言结构模态参数辨识领域先进的时域识别方法随机子空间能更准确地识别出环境激励下结构系统的模态参数;将这一方法引入到运转的齿轮系统中进行了动态特性识别,对齿轮系统发生的故障进行特征提取、区分与诊断,并与正常齿轮系统对比,实验结果表明,该方法可以有效地对齿轮传动系统故障进行识别与诊断。     

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...     

基于双树复小波变换—最大熵谱估计和参数优化概率神经网络的齿轮箱故障诊断研究

齿轮振动信号具有非平稳性和非线性的特点。为了准确提取其故障特征并进行故障诊断,提出一种基于双树复小波变换(DTCWT)-最大熵谱估计(MESE)和惯性权重线性递减粒子群优化(LDWPSO)算法-参数优化概率神经网络(PNN)的齿轮故障诊断方法。首先,利用DTCWT把状态已知的齿轮振动信号分解为不同频带的模态分量。其次,采用MESE得到每个分量的最小偏差频谱估计,计算出不同频段的能量熵作为故障特征矩阵。然后利用LDWPSO算法寻找出最优神经网络参数——平滑因子。最后,将故障特征矩阵输入优化后的PNN模型,建立起故障特征和齿轮运行状况之间的数值化映射关系,进而完成齿轮故障诊断模型。经试验数据分析表明,采用提出的DTCWT处理齿轮的振动信号,并引入MESE处理关键分量,可以提取稳定的信号特征并降低噪声干扰。另外,相比于传统的PNN,基于改进的PNN的齿轮故障状态的数值化判别具有更高的诊断精度和稳定性。     

基于多尺度模糊熵的齿轮故障诊断方法

齿轮作为旋转机械的关键零部件之一,其健康状态会影响机械设备的正常运行,因此需要对齿轮进行故障诊断.为了克服模糊熵从单一尺度上考虑时间序列复杂度不够全面的问题,采用了多尺度模糊熵从多个尺度对信号进行处理从而提取故障特征,并借助对类域的交叉或重叠较多的待分样本集识别效果显著的K最近邻分类器对提取的多尺度模糊熵特征进行分类,确定齿轮是否发生故障和发生故障的类型.为了验证提出方法的有效性,使用齿轮故障试验台采集相关数据集对方法进行测试并与多尺度熵以及根据时间和频率特性提取的特征进行对比,提出的方法对5种不同的齿轮故障类型识别率达到了100％,明显优于两种对比特征提取方法,为齿轮故障诊断提供了新思路.     

小波包和GA-SVM在轴承故障诊断中的应用

为了解决傅里叶变换难以兼顾信号在时域和频域中的全貌和局部化特征以及支持向量机惩罚参数c和核函数参数g选取的问题,提出了基于小波包和GA-SVM的轴承故障诊断方法;首先通过实验采集多种工况下故障轴承和正常轴承的振动信号,从振动信号中提取能够表征轴承运行状态的时频域特征以及基于小波包分析的特征向量来作为GA-SVM的输入,然后在SVM的基础上,针对SVM的惩罚参数和核函数参数在不同应用场景下的取值难以确定的特性,采用了遗传算法对支持向量机进行参数优化的GA-SVM算法进行模式识别;实验结果显示,基于小波包和GA-SVM的轴承故障诊断方法比SVM和BP都具有更高的识别精度。     

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RBF神经网络的变频调速水泵故障诊断

为解决变频调速水泵振动故障问题,给出一种基于径向基函数(RBF)神经网络应用于变频水泵故障诊断的方法。对变频水泵常见故障进行分析,依据征兆诊断法,提取信号频谱中各阶倍频和分频的信号作为故障样本,对RBF神经网络进行训练,并应用于测试样本的诊断。仿真结果表明,与BP网络相比,RBF神经网络识别精度高,诊断速度快且拟合能力强,能有效提高变频调速水泵故障诊断的精度和效率。