基于CEEMDAN能量熵和马氏距离的齿轮箱轴承故障诊断方法

针对齿轮箱轴承信号非平稳性及其故障特征难以提取的问题,提出一种自适应白噪声平均总体经验模态分解（CEEMDAN）能量熵和马氏距离相结合的故障诊断方法。首先采用CEEMDAN方法对非平稳的轴承故障信号进行分解,获得若干阶表征信号特性的固有模态函数（IMF）分量;然后计算各IMF分量的自相关函数和相关系数,以滤除信号内的噪声干扰和对故障特征不敏感的IMF分量;最后计算各敏感故障特征分量的能量熵,将其作为特征参数形成状态特征向量,并使用马氏距离判别方法对轴承的工作状态和故障类型进行诊断。通过对实测不同工况以及不同故障程度的齿轮箱轴承信号的分析,证明了所提方法的有效性。     

基于虚拟仪器技术的齿轮箱故障诊断实验台设计

在齿轮箱故障诊断实验台的设计中,系统以工作台、传感器、信号调理器、数据采集卡、PC机为硬件开发平台,以LABVIEW为软件开发平台,将虚拟仪器技术运用到齿轮箱的故障诊断系统中,使得系统测试、显示和诊断功能更为强大.     

基于多传感器信号处理的齿轮箱轴承故障诊断

针对齿轮箱轴承发生故障时振动信号特征信息易被强噪声淹没与采集信息不完善的问题,将多传感器数据融合、多级降噪信号分解与综合指标获取固有模态函数分量(IMF)方法同时引入到齿轮箱轴承故障诊断中.首先,用相关函数对多个传感器采集的数据进行加权融合;其次,运用改进的奇异值分解(SVD)对融合信号进行初次降噪,集合经验模态分解(...     

倒频谱法在齿轮箱故障诊断中的应用

基于LABVIEW的虚拟仪器平台建立数据采集系统,实现了对齿轮进行全生命周期实验过程中采集到大量振动信号数据,提出使用时域分析法（时域同步平均）与频域分析法（功率谱）相结合的信号处理方法对振动信号数据按齿轮可能出现的各种运行状态加以分类,从而有重点的应用倒频谱法对已经出现故障的齿轮箱振动信号进行分析,倒频谱的边频带频谱识别能力有助于研究啮合频率及边频特征,进而准确诊断出齿轮故障性质,并定位出故障齿轮。实验结果得到的齿轮各阶段运行状态数据在工程中很实用,具体涉及齿轮状态判断、故障阈值设定、故障识别及定位等用途。     

基于共振解调法的机车轴承故障诊断

将基于共振解调方法的轴承故障诊断技术应用于机车车轴支撑轴承的故障检测系统中.通过对轴承振动信号和转速信号的时域实时监测和频域中的频谱分析来实现对轴承故障的诊断.能够准确判断机车车轴上轴承的状态.     

基于LMD和RBF结合的齿轮箱故障诊断

局域均值分解(Local Mean Decomposition,LMD)是近年来出现的一种新的时频分析方法,在机械设备故障诊断领域中的应用日益广泛。针对齿轮箱振动故障信号的非平稳性和非线性,提出了一种基于局域均值分解和径向基函数神经网络(Radial Basis Function Neural Network,RBF)相结合的齿轮箱故障诊断方法。该方法利用小波包对原始信号进行消噪;利用LMD对处理后信号进行分解,得到一系列PF分量(Product Function,PF);选取包含主要故障信息的PF分量并从中提取偏度系数等特征参数对RBF神经网络进行训练,并对齿轮箱故障进行识别和分类。通过实例验证了该方法的有效性。     

基于时间序列分析的行星齿轮箱故障诊断

齿轮箱运转的环境会导致信号采集时产生强大的噪声干扰,提出时间序列的方法对齿轮箱进行故障诊断。采用时间序列分析对行星齿轮箱进行谱分析,通过与传统频谱分析比较可以看出,该方法具有较好的识别能力。通过Labview虚拟仪器设计的数据采集系统进行数据的采集提取特征信号,确定模型阶次为5阶,最后利用AR模型参数算法来确定其正常状态下齿轮参数容差范围,在阶次不变的情况下分析出故障信号的模型参数,与正常信号参数容差范围进行对比,从而对齿轮箱故障进行诊断,该方法在齿轮诊断方面效果较为显著。     

基于CEEMDAN-EFICA去噪的风电齿轮箱故障诊断

针对风电齿轮箱实验样本较少,以及振动信号具有非平稳、非线性的特点,提出了基于完备集合经验模态分解(CEEMDAN)-高效快速独立分量分析(EFICA)的去噪方法.首先应用CEEMDAN与峭度-相关系数准则完成信号重构,对重构信号和原信号进行EFICA分离来获得去噪信号;然后提取去噪信号的时域特征、频域特征构建特征向量,...     

基于1D-RSLBCNN的齿轮箱故障诊断

针对传统故障模型参数多,训练和检测时间长的问题,提出了基于残差结构和局部二进制卷积(1D-RSLBCNN)的齿轮箱故障诊断方法。其利用局部二进制卷积层来替代传统卷积层,在减少模型参数的同时,加快了训练速度和收敛速度;同时在网络模型中引入残差结构,避免了由于网络深度的增加引起的正确率饱和甚至下降的问题。实验结果表明,局部二进制卷积层的参数量为传统卷积层的1/3,诊断准确率更是高达99.7%。与其他模型相比,具有更稳定、可靠的预测精度。     

基于LSTM-SVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱的故障诊断中特征提取过分依赖人为经验和准确率不高的问题,提出一种基于长短时记忆网络(LSTM)与支持向量机(SVM)相结合的方法。对原始时域振动信号作傅里叶变换,利用LSTM神经网络自适应智能提取特征的优势,结合SVM的分类功能,实现对风电机组齿轮箱更加准确的故障诊断。仿真结果显示,该网络模型在经过16轮训练后准确率可以达到100%,使用测试集数据准确率也可以达到99.1%。     

复杂工况下旋转机组齿轮箱的故障诊断方法

旋转机组日益趋向于自动化、大型化、高速化,其组成与结构变得越来越复杂。然而,通常在负载大、转速高等复杂工况下,以及长时间运行的过程中极易造成齿轮箱关键零部件的损坏。在复杂工况下及时发现故障、预测故障的发展趋势是旋转机组故障诊断的关键。针对旋转机组齿轮箱在复杂工况下面临的诊断难题,提出一种多传感器与D-S证据理论相结合的故障诊断方法。实例表明该方法可以有效解决齿轮箱存在的故障问题,确保旋转机组安全、可靠、正常地运行,减少安全事故的发生。     

基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断

针对复杂工况下齿轮箱多故障信号诊断准确率低的问题,提出了一种基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断方法。从微观信号特征角度提取奇异值特征和小波分解后的样本熵特征;从宏观角度提取故障信号时域特征,将3种特征进行融合,并输入到由稀疏自编码和Softmax堆栈得到的深度神经网络中进行特征优化和分类识别。实验结果表明:在2种不同工况下,对6种齿轮箱故障数据进行诊断均表现出较高分类识别精度,且所构建的分类模型综合性能上均高于文中其他对比模型,因此本文作者所提出的方法能有效地进行齿轮箱故障诊断。     

远程智能故障诊断技术的现状与展望

研究了远程故障诊断系统的体系结构和智能故障诊断方法。并阐述了其关键技术。对其体系结构，主要研究了C／S、B／S和多层混合模式；对智能故障诊断方法，主要研究了基于神经网络、模糊推理及模糊数学、遗传算法和诊断Agent的智能故障诊断方法；对其关键技术，主要研究了分布处理技术、数据库技术、虚拟现实技术、信息处理技术和信息融合技术。最后对远程智能故障诊断技术的发展趋势进行了展望。     

变转速变载荷工况下的齿轮智能故障诊断

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。     

风翼液压系统故障诊断方法综述

风翼助航是实现船舶绿色化发展的有效途径之一。液压系统作为风翼动力系统的重要组成部分,其运行状态决定风翼助航船运行的可靠性与节能效果。以风翼液压系统为对象,综合分析其故障部位、方式、特点以及故障后果,通过梳理国内外液压系统的故障诊断方法,分析各类诊断方法在风翼液压系统上的适用性,并总结各类诊断方法的特点和不足。结果表明：具有多层次诊断结构的智能诊断方法在提升大型复杂液压系统故障诊断精度及降低诊断模型复杂度方面具有优势,将成为船舶风翼液压故障诊断研究的发展趋势。     

几种行之有效的液压系统故障诊断方法

给出了大型装备液压系统故障诊断的一般步骤,列举了直接诊断法、原理诊断法、因果图法等几种实用的故障诊断方法。     

噪声干扰下基于二维特征图和深度残差收缩网络的齿轮箱故障诊断

针对噪声环境下一维卷积神经网络单一卷积拓扑结构难以准确诊断齿轮箱故障的难题,提出一种基于二维特征图和深度残差收缩网络(TM-DRSN)的故障诊断方法。根据采集到的齿轮箱振动信号,基于重叠采样方法获取故障数据样本,并分为训练集和测试集;基于横向插样法将一维数据样本构建成便于DRSN输入的二维特征图,在DRSN输入层构建宽卷积核层作为第一特征提取层;将残差收缩模块加入深度卷积神经网络中替换由传统卷积和池化组成的特征提取层;叠加多个残差收缩模块得到深度残差收缩网络模型;将构建的DRSN用于噪声环境下的轴承故障诊断试验。结果表明:TM-DRSN方法的故障诊断精度优于其他对比方法。