基于EEMD和THT的齿轮故障诊断方法

提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,简称EEMD)和TeagerHuang变换的齿轮箱故障诊断方法,该方法首先运用EEMD方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时频率和瞬时幅值,得到Teager-Huang变换时频谱.齿轮箱齿轮裂纹故障振动试验信号的研究结果表明,Teager-Huang变换时频谱优于Hilbert-Huang变换时频谱,能有效识别齿轮故障.     

全矢EEMD在轴承故障诊断中的应用

实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号.为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法.首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的...     

基于EEMD和进化支持向量机的齿轮混合智能诊断方法研究

针对齿轮早期故障特征不明显,提出了一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和进化支持向量机相结合的齿轮故障智能诊断方法。利用EEMD能对齿轮振动信号进行自适应的分解成若干本征模式分量(intrinsic mode function,IMFs),并能有效抑制经典经验模式分解可能出现的模式混叠现象。以所得的IMF分量中提取出来的能量特征为输入建立进化支持向量机,判断齿轮的故障状态。结果表明:建立的混合智能诊断方法的分类正确率最高,能有效诊断齿轮早期故障。     

变量预测模型在齿轮故障诊断中的应用

将基于变量预测模型的模式识别(variable predictive model based class discriminate,简称VPMCD)方法、经验模态分解(empirical mode decomposition,简称EMD)方法和奇异值分解(singular value decomposition,简称SVD)相结合,提出了一种基于EMD,SVD和VPMCD的齿轮故障的诊断方法.首先,对齿轮振动信号进行EMD分解,得到若干个IMF(intrinsic mode function,简称IMF)分量;其次,将包含齿轮主要故障信息的前几个IMF分量组成特征向量矩阵,并对其进行SVD分解;最后,将奇异值作为特征向量建立VPMCD多故障分类器,以此来区分齿轮的工作状态和故障类型.将提出的方法应用于齿轮实验数据,分析结果表明,该方法能够实现齿轮故障类型的分类和诊断,是一种有效可行的齿轮故障诊断方法.     

齿轮裂纹故障诊断方法综述

针对齿轮传动的重要性,简要分析了齿轮裂纹的故障机理,介绍了正常齿轮和裂纹故障齿轮振动信号的特点及其特征提取方法;重点对一些常用的齿轮裂纹故障诊断方法进行了综述,总结了各种方法的应用现状及其优缺点;简述了当前齿轮裂纹故障诊断领域可能存在的重点和难点问题,并针对不同的问题提出了可能的解决方法和技术路线,为该领域的研究和发展提供了一定参考价值。     

Hilbert-Huang变换在齿轮裂纹故障诊断中的应用

提出一种基于Hilbert-Huang变换的齿轮裂纹故障诊断的新方法。Hilbert-Huang变换是先把时间序列信号,用经验模态分解方法分解成不同特征时间尺度的固有模态函数,然后经过Hilbert变换获得信号时频分布的一种信号处理新方法,将Hilbert-Huang变换应用于齿轮箱中齿轮故障诊断的研究。齿轮故障实验信号的研究结果表明,Hilbert-Huang变换时频分析方法能有效诊断齿轮的齿根裂纹故障。     

基于EEMD、模糊熵和SVM的齿轮故障诊断方法

齿轮故障信号具有不平稳特性,故障信号特征向量难提取,典型的齿轮故障数据样本少。针对这些问题,提出基于总体平均经验模式分解(EEMD)、模糊熵和支持向量机(SVM)相结合的诊断方法。首先通过传感器采集得到加速度信号,然后,通过EEMD降低模态混叠,并将加速度信号分解成多个稳定的本征模态函数信号(IMFs)。其次,利用模糊熵能够表现信号复杂程度并且稳定的性质,取多个稳定IMFs的前几项计算模糊熵。因为SVM能够在小样本集情况下建立决策规则,所以将IMFs的前几项模糊熵值作为特征向量输入SVM训练。最后,SVM算法与常用神经网络比较,对样本训练、测试并诊断故障,说明SVM算法优于神经网络。齿轮故障诊断实验结果表明,所提出的方法诊断准确率达92.5%,可实现齿轮故障信息提取和齿轮故障的有效诊断。     

基于LMD和HMM的旋转机械故障诊断

提出了基于局部均值分解（LMD）和隐马尔科夫模型(HMM)的旋转机械故障诊断方法。首先,对故障信号进行局部均值分解,提取瞬时能量作为故障特征向量;然后将故障特征向量输入HMM分类器进行模式识别,输出各状态的似然概率;以最大似然概率所对应的故障状态为诊断结果。通过滚动轴承点蚀故障诊断试验验证了该方法的有效性,并将其与基于EMD-HMM的故障诊断方法进行了比较。结果表明,基于LMD-HMM的故障诊断方法更适用于旋转机械的故障诊断。     

Teager-Huang变换在齿轮裂纹故障诊断中的应用

提出了一种基于Teager-Huang变换的齿轮箱故障诊断方法,该方法综合利用了经验模态分解(empiricalmode decomposition,简称EMD)和Teager能量算子分析技术。由于EMD方法具有自适应的分析能力,首先利用EMD把时间序列信号分解成不同特征时间尺度的固有模态函数,然后用Teager能量算子计算各固有模态函数的瞬时幅值和瞬时频率,得到Teager-Huang变换时频谱。齿轮箱齿轮裂纹故障振动试验信号的研究结果表明:Teager-Huang变换时频谱优于Hilbert-Huang变换时频谱,能有效地识别齿轮的裂纹故障。     

EEMD近似熵和SVM在柴油机传动系统中的故障诊断研究

柴油机发电机组结构复杂,故障类型多样,其动力传动部件兼具往复机械与旋转机械的振动特性。传统的频谱分析主要通过利用傅里叶变换将在时域内难于分辩的信号映射到频域内进行分析,这对于具有平稳特点的原始信号比较有效,但是对于柴油发电机组而言,频谱分析难以提取其频率分量,因此难以实现故障诊断。通过总体平均经验模式分解(EEMD)的方法获得其本征模式函数的近似熵,将该近似熵作为特征向量结合支持向量机(SVM)进行分类,从而实现柴油发电机组的故障识别。通过实验仿真和某柴油发电机组振动异常问题的实测试验表明,该方法可以准确有效的提取其故障信息和频率,为柴油发电机组传动机构故障诊断提供支持。     

基于改进特征选择方法的齿轮故障SVM诊断

为提高齿轮故障诊断的精度,对常用的共享特征选择方法(Share feature selection,SFS)进行改进,提出了改进的特征选择方法(Improved feature selection,IFS).改进的特征选择方法结合齿轮两两故障类型之间的特点,在齿轮两两故障之间建立独立的故障特征集,用以取代所有故障类型的...     

基于支持向量机的齿轮故障诊断方法

对齿轮故障诊断的特点进行了阐述，指出由于环境噪声的干扰，在齿轮故障诊断中往往不能获得理想的诊断结果。为此在对齿轮运行状况进行有效特征提取的基础上，采用支持向量机的方法对齿轮进行故障诊断。研究结果表明采用该方法可以获得比神经网络和线性判别方法等更准确的诊断结果。     

基于Internet技术的齿轮断齿故障诊断研究

在无线网络环境下实车试验模拟了故障的发生,测得齿轮断齿时的变速箱体振动信号。介绍了提取故障的远程诊断方法,基于Internet技术和Matlab Web Server功能实现了异地数据上传,并对数据进行了幅值域、频域分析,实现了断齿故障的异地诊断。     

齿轮故障诊断中的信号处理技术研究与展望

重点讨论了各种信号处理技术在齿轮系统的故障诊断中的应用 ,包括 :平稳信号处理技术 ,非平稳信号处理技术 ,非高斯和非白色噪声信号处理技术 ,非线性信号处理技术 ,盲信号分离技术 ,奇异值分解技术以及各种智能诊断技术。详细比较了各种信号处理技术的特点、应用范围和研究进展 ,并且指出了今后的若干研究方向 ,从而为齿轮系统的故障诊断和在线监测提供了依据 ,以保证齿轮系统的安全运行。     

基于小波包能量谱齿轮振动信号的分析与故障诊断

小波包是继小波分析之后提出的一种新型的多尺度分析方法,解决了小波分析在高频部分分辨率差的缺点,体现了比小波分析更好的处理效果.测试了齿轮传动系统在几种不同故障类型下的振动信号,利用小波包变换的分解和重构算法,有效地提取出齿轮故障特征信号,得到试验结果.通过比较时域分析、频域分析和小波包分析对齿轮振动信号进行的特征提取,...     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

VMD能量熵与随机森林相结合的齿轮故障诊断

针对齿轮故障的非线性、非稳定性特点和单个分类器在故障诊断中准确率低的问题,提出了一种基于变分模态分解(VMD)和随机森林(RF)的齿轮故障识别方法.首先,采用变分模态分解将振动信号分解成有限个本征模态函数(IMFs),并与总体平均经验模态分解对比其分解效果;其次,计算各模态函数的能量熵,将能量熵作为评判齿轮状态的标准,...     

基于证据理论的齿轮故障诊断

针对传统方法在齿轮故障诊断中可靠性不高的问题,提出了基于证据理论的混合诊断算法.根据齿轮故障特征向量,采用两个并行的BP神经网络进行局部故障诊断,获得彼此独立的证据.再用证据理论对各证据进行融合,最终实现对齿轮的故障诊断.实例结果表明,该方法可充分利用各种故障的冗余和互补信息,有效地提高诊断的可信度.