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.     

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,使用核主分量分析(KPCA)对向量降维处理实现特征信息融合;最后采用复合神经网络对信号特征集进行分类完成故障诊断。通过实验数据对比,证明了该方法消噪效果更好且复合神经网络的诊断准确率最高,所提方法具有可行性和优越性。     

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%。     

基于小波分析的轧机齿轮箱故障诊断

轧机齿轮箱为轧钢生产线关键设备,其状态的好坏直接影响着轧线的生产和效益。本文简要介绍了小波变换理论,并通过对现场轧机齿轮箱振动信号的采集,采用谐波小波变换,对采集的振动信号进行处理和分析并与变换前的信号进行比对,诊断了现场轧机齿轮箱故障,对轧机齿轮箱状态进行了把握,真正实现了设备的状态管理。     

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。     

基于正交匹配追踪算法的齿轮箱轴承故障诊断及实验验证

为了提高传动振动过程中齿轮箱轴承内外圈故障诊断能力,采用正交匹配追踪(OMP)算法建立了故障诊断模型,并开展仿真分析及实验验证。研究结果表明：通过OMP算法对轴承外圈故障仿真加噪信号进行处理,能够看到信号呈周期性波动,通过频率及其倍频呈现逐步衰减,故障特征明显;经过OMP算法处理的轴承内圈故障仿真纯净信号呈周期性波动,能够看到滚动轴承的故障,轴承内圈通过频率和倍频以及边频带呈现逐步衰减,故障特征明显。为了进一步验证OMP算法处理齿轮故障的有效性,搭建封闭式功率流齿轮箱试验台,OMP重构故障信号谱图中啮合频率360 Hz峰值较低,边频带被完全掩盖,不存在大量的干扰成分。经OMP算法处理过的故障信号的谱图能很好地体现故障特征。     

基于SVMD和自适应MOMEDA的齿轮箱故障诊断

受背景噪声和传输路径的影响,故障信号往往被淹没,故障特征难以提取。基于此,提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法,通过SVMD前处理得到重构信号,然后以平均谱负熵为适应函数,通过人工鱼群优化算法自适应选择MOMEDA的最优参数。利用所得参数对重构信号进行MOMEDA滤波,最后进行包络谱分析,做出故障类型诊断。将所提方法应用于齿轮箱主动轮断齿故障的仿真信号和实验信号中,在包络频谱中可以清楚地分辨出小齿轮转频及其倍频, 同时所提方法相对其他方法具有更好的表现效果。     

基于广义S变换的滚动轴承故障诊断方法研究

鉴于广义S变换继承了短时Fourier变换、小波变换和标准S变换的所有优点,同时也弥补了它们存在的不足,具有良好的自适应的独特特性,提出了一种基于广义S变换的滚动轴承故障诊断方法,并与传统的短时Fourier变换、Wgner-Ville分布、小波变换、标准S变换等时频分析方法进行了对比分析。仿真研究表明,广义S变换具有明显的优势,能灵活地通过调节参数来自适应地调节窗函数的宽度,以便达到最佳的时频分辨率。最后,滚动轴承故障实验研究进一步验证了提出的方法的有效性。提出的方法能有效地反映不同轴承故障的特征频率,为滚动轴承故障诊断提供了一种有效的方法。     

基于倒谱分析的齿轮箱齿轮点蚀故障诊断研究

齿轮箱是各种机械设备上重要的传动部件,齿轮故障诊断对设备的长期安全运行起着至关重要的作用。阐述了近年来国内外齿轮传动系统故障特征提取和模式识别方法的研究现状;介绍了倒频谱分析的原理及其在齿轮箱诊断中的优点;在对齿轮箱的振动信号进行幅值谱、功率谱分析的基础上,利用倒谱分析诊断出齿轮箱中的点蚀故障,并确定点蚀故障所在的齿轮,证明了倒谱分析的有效性和可行性。     

基于CMCPSO-SVM的轴承微弱故障诊断方法

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明：该故障分类模型的识别准确率高于其他分类模型。     

基于改进ACCUGRAM的滚动轴承故障诊断方法

滚动轴承故障信号的特征容易被强噪声淹没,难以提取信号中的冲击成分。针对这一问题,提出多点最优调整的最小熵解卷积（MOMEDA）优化的ACCUGRAM算法,并应用于滚动轴承故障诊断。首先利用MED算法对原始信号进行滤波预处理,突显信号中的有效循环冲击成分,提高MOMEDA优化ACCUGRAM算法中频带选择的分类精度,选择最佳的带宽和中心频率,最后对获得包含信息量最大的频带进行故障特征频率的提取和轴承的故障诊断。仿真和试验数据分析结果表明：该方法能够有效提取信号中的周期性冲击特征,具有一定的实用性。