基于盲源分离的齿轮箱状态检测与故障诊断

针对高背景噪声的影响及混合故障诊断困难这一问题，采用盲源分离技术作为信号预处理与故障特征提取的主要工具，并应用这一新技术解决了故障曝气机WA5齿轮箱振动信号的故障诊断问题.通过盲源分离得到准确的故障信号，并根据故障振动信号频谱诊断出故障.利用盲源分离技术可以有效地去除外来干扰，提高故障诊断精度 ，解决了现实工作中的故障定位、早期故障诊断率低等难题.     

频谱分析法在齿轮箱故障诊断中的应用

利用各种频谱分析手段(细化功率谱和倒频谱)对某轧钢厂齿轮箱振动信号进行了全面分析,发现整个传动装置产生的不平衡导致齿轮箱振动异常,经过装配调整,并做了动平衡试验,有效地解决了这一问题.     

轨道车辆齿轮箱故障诊断系统研究与开发

对传感器采集的齿轮箱监测数据信号进行数学处理,先进行特征因子计算,如峰值、均值、均方、偏度、峭度、峰值因子等,再进行高级分析,如傅立叶变换、希尔伯特变换、小波变换、倒频谱变换等,通过这些处理后的数字图形可以帮助更好的进行故障诊断.通过振动诊断的时域分析方法、频域分析方法、模糊诊断方法等识别和诊断故障,并建立故障诊断专家系统,用以实现智能故障诊断.     

基于数据库的某型装备液压故障诊断专家系统的研究

根据某型装备液压系统故障诊断的知识和系统要求,设计了基于数据库的故障诊断专家系统.针对某型液压系统故障的特点,通过对知识库中规则的优化设计,提高了故障诊断效率.设计中采用Access数据库组建知识库,并结合VB语言建立推理机制,用户只需要在人机交互界面上选择输入详细的故障征兆,系统就可以根据相应规则判断出故障的原因和维修方法.     

大型齿轮箱回转支承故障诊断

高炉无料钟炉顶传动齿轮箱工况恶劣,在重载、高温、灰尘和高炉煤气的复合作用下长年运行,为防止其突发故障,在设备运行期间对其进行了振动和油脂检测,并采用频谱和光谱手段对数据进行分析处理;在设备解体后对故障部件进行了材质化验,研究表明:大多数炉顶传动齿轮箱停止运行是由于回转支承卡死造成的,回转支承卡死的原因之一是保持架破损,之后轴承滚柱在运动过程中发生错位,个别滚柱的运动状态由滚动变为滑动.最后造成滚柱因相互之间挤压而产生破损,导致齿圈的转动严重受阻甚至卡死.     

齿轮箱振动源信号分离与故障诊断研究

对齿轮的运行状态进行监测能够有效消除设备的潜在故障,避免大的事故发生.然而由于工作条件恶劣,很难采集到齿轮箱真实可靠的振动信号.由此,提出了一种基于独立分量分析（ICA）和支持向量机（SVM）相结合的齿轮故障诊断方法.首先利用ICA从被噪声污染的齿轮箱振动信号中分离出真实振动源信号,以提取可靠的齿轮状态高阶统计特征信息;而为了准确监测设备运行状态,采用支持向量机（SVM）对所提取的特征进行学习与智能分类,以检测齿轮早期故障.结果表明,通过齿轮箱故障实验分析,所提出的方法能够有效提取齿轮振动源信号,准确识别与诊断齿轮裂纹、点蚀以及断齿等故障状态,且精度比未进行源分离高10%,具有较好工业应用价值.     

基于改进型 BP 算法的齿轮箱故障诊断

对齿轮箱的故障检测诊断问题进行了研究,将人工神经网络技术应用于齿轮箱的故障诊断中,对已有的ＢＰ学习算法进行了改进,实例测试数据表明该诊断系统是可行和有效的。     

基于倒频谱特征提取的齿轮箱故障诊断

介绍了齿轮箱故障的特点、倒频谱分析的基本原理以及例频谱分析在齿轮箱故障诊断中的应用。首先,用传统的傅立叶变换法对故障信号进行分析,结果无法有效地提取故障特征;其次,对故障信号进行倒频谱分析,发现能很好地捕获故障信息。实验证明：倒频谱分析在齿轮故障诊断中具有无比的优越性。     

基于混合特征提取和WNN的齿轮箱故障诊断

提出了一种基于混合特征提取和小波神经网络(WNN)的齿轮箱故障诊断方法,运用时域分析法、小波分解和小波包分解相结合的方法对齿轮箱振动信号进行故障特征提取,将所提取的特征值作为WNN分类器的特征输入参数,采用反向传播(BP)算法对WNN结构中的平移参数、尺度参数、连接权值和阈值进行调整和优化.在实验中采用不同裂纹尺寸的齿轮来模拟三种故障模式,通过对三种故障齿轮进行诊断和分类,能证明本文所提议的故障诊断方法是有效且可靠的.     

基于ZigBee的风力发电机齿轮箱故障诊断系统

ZigBee技术是一种近距离、低复杂度、低功耗、低速率、低成本的双向无线通讯技术.针对风力发电机工作环境复杂、要求监测点较多、齿轮箱相对体积较小、维修困难等特点,提出将ZigBee技术应用于风力发电机齿轮箱的信号采集,并分析了采集信号.根据信号分析结果,对齿轮箱做出故障诊断.     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析（WPA）,经验模态分解（EMD）和快速傅里叶变换（FFT）的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数（IMF）;最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析(WPA),经验模态分解(EMD)和快速傅里叶变换(FFT)的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数(IMF);最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

嵌入式装备故障诊断专家系统

为了提高故障诊断专家系统的工作效能和可移动性,通过分析基于故障树进行故障诊断的过程,在设备中嵌入数据采集模块,使用故障征兆表的方式进行故障诊断,在嵌入式Linux操作系统上开发了便携式诊断客户端．维修人员根据嵌入在装备中的诊断Agent输出信号直接判断该装备工作是否正常,通过诊断客户端对装备故障信息进行推理判断,快速定位装备的故障源．嵌入式故障诊断专家系统将数据采集功能和知识库的推理功能有效地结合起来,使得维修人员能够陕速、高效地对设备进行诊断维修．     

复杂电子装备故障诊断建模方法研究

针对复杂电子系统功能层次较明显的特点，结合多信号模型和相关矩阵的策略，提出了一种用于复杂电子装备的相关建模方法，该方法可高效灵活地构建复杂电子装备的故障诊断模型，能有效实现故障诊断率和故障隔离率，并在某微机系统测试中得到验证。该方法建模简单，诊断速度快，能适应复杂电子系统的故障诊断。     

小波包变换在齿轮箱螺栓拉断故障诊断中的应用

针对齿轮箱运转异常时,经小波包变换的信号某一频带振动能量值会有较大变化的特征,探讨了小波包变换在齿轮箱故障诊断中的应用.通过对测取的齿轮箱振动信号进行小波包变换,可有效提取齿轮箱螺栓拉断的故障信息.分析表明,旋转机械的振动信号有稳定的频带分布,通过结合故障特点,把每一故障的频带特征提取出来,能为故障诊断提供很好的征兆.     

基于EEMD和BP神经网络的风机齿轮箱故障诊断方法

根据风机齿轮箱故障信号的非平稳特性,提出一种基于总体平均经验模式分解(EEMD)和BP神经网络的风机齿轮箱故障诊断方法。首先,对原始信号进行小波去噪。然后,对故障信号进行EEMD分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,选取若干含有主要故障信息的IMF分量做进一步分析。最后,从各IMF分量中提取故障信号能量特征参数,将归一化后的能量特征参数作为BP神经网络输入参数进行故障诊断。实测结果表明:该方法故障诊断准确率达到了99%左右。可以准确、有效的对风机齿轮箱进行故障诊断。     

基于贝叶斯网络的海洋工程装备故障诊断模型

针对海洋工程装备结构工艺复杂、质量问题难以追溯的现状,构造了以工艺活动为中心的海洋工程装备贝叶斯网络故障诊断模型。该模型通过对海洋工程装备建造全过程的工艺进行结构和参数学习,结合专家意见构建贝叶斯网络、网络拓扑结构实现故障问题的智能推理诊断,以达到为实现质量追溯系统提供理论依据、提高企业质量管理水平的目的。最后,通过分析海洋工程装备平台建造中典型的焊接工艺贝叶斯网络,说明了贝叶斯网络在海洋工程装备领域的应用及其应用效果。     

面向齿轮箱故障诊断的序贯概率比检验理论和方法

提出了一种基于序贯概率比检验的齿轮裂纹故障诊断方法,并选用了无裂纹和有裂纹的齿轮模拟故障模式.实验中提取的振动信号夹杂着噪声等干扰,运用具有良好去噪效果的小波包方法对齿轮箱振动信号进行预处理.采用时域分析法提取预处理后信号的特征值,提取对冲击性振动非常敏感的峭度值作为特征值.将序贯概率比检验算法应用于齿轮箱故障模式的检验和识别.为了验证所提出方法的诊断能力,本文选用均方根误差的方法来计算同种故障之间,以及不同种类故障之间的识别误差,结果表明了所提出的方法是有效且强大的.     

基于纵横交叉算法优化BP神经网络的风机齿轮箱故障诊断方法

风电机组齿轮箱的运行工况比较复杂,容易发生故障. 针对常规BP（Back Propagation）神经网络故障诊断容易陷入局部最优的问题,提出一种基于纵横交叉算法（Crisscross Optimization Algorithm,CSO）优化BP神经网络的风电齿轮箱故障诊断新方法. 考虑到风电齿轮箱振动信号的波动性和非线性,首先从信号中提取故障特征参数,建立带评价因子的误差分析模型,然后通过纵横交叉算法优化BP的权值和阈值对神经网络进行训练,最后用训练好的神经网络对样本进行测试. 经实验仿真并与其他方法的对比,验证了本文方法用于风电机组故障诊断有效性及优越性.