基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法

行星齿轮箱振动信号具有非平稳特性,需要一定的先验知识和诊断专业知识设计和解释特征从而实现故障诊断。为了实现行星齿轮箱的智能诊断,提出一种基于经验模态分解(Empirical mode decomposition,EMD)和深度卷积神经网络(Deep convolutional neural network,DCNN)的智能故障诊断方法。首先对振动信号进行经验模态分解得到内禀模式函数(Intrinsic mode function, IMF);然后利用DCNN融合特征信息明显的IMF分量,并自动提取特征;最后,将特征用于分类器分类识别,从而实现行星齿轮箱故障诊断的自动化。试验结果表明:该方法能准确、有效地对行星齿轮箱的工作状态和故障类型进行分类。     

基于1-DCNN的行星齿轮箱故障诊断

传统的机器学习方法在行星齿轮箱故障诊断方面存在识别率低、特征提取操作繁琐等问题。为提高行星齿轮箱的诊断效率,提出基于一维深度卷积神经网络(One-dimensional deep con-volutional neural network,1-DCNN)的故障诊断方法,将原始信号直接输入到网络中进行诊断。通过对行星齿轮箱行星轮5种故障信号进行训练验证,精度可达100%,且在诊断精度和效率上优于其他常用算法。     

改进辛几何模态分解的滚动轴承故障特征提取

针对滚动轴承故障冲击信号难以提取的问题,提出了一种改进辛几何模态分解（Improved Symplectic Geometry Modal Decomposition,ISGMD）滚动轴承故障特征提取方法。首先将振动信号进行辛几何模态分解,然后,利用k均值聚类的方法对分解得到的辛几何分量进行聚类,通过包络谱稀疏度指标筛选出故障特征明显的聚类辛几何分量（Cluster Symplectic Geometry Component,CSGC）并进行重构,对重构分量进行包络解调,提取出故障特征。将该方法运用到轴承故障仿真和实验信号,结果表明,这里提出的方法能够有效提取出滚动轴承故障特征。     

广义变分模态分解及其在齿轮箱复合故障诊断中的应用

针对变分模态分解在实际应用过程中需要根据先验知识确定惩罚函数和分量分解个数这一缺陷,提出了一种改进方法,即广义变分模态分解方法。该方法减少了人为因素对分解结果造成的主观影响,将信号分解转化为非递归、变分模态分解方式,能够有效分离频率成分相近的谐波分量,且对信噪比较小的信号有着良好的鲁棒性。将该方法应用于齿轮箱复合故障诊断中,仿真和实验的结果验证了该方法的有效性。     

基于频率切片小波变换的行星齿轮箱故障诊断

风电行星齿轮箱主要由太阳轮、行星轮、行星架和内齿圈组成,由于其工作环境比较恶劣,容易产生故障。另外其各部分信号又相互叠加,增大了信号分析的难度。而风电齿轮箱运转又会随外界环境而发生变化,产生的信号具有较强的非平稳性,采用普通时频方法只能简单估测故障发生的大致位置。为了进一步确定设备故障信息,尝试将频率切片小波变换的时频分析方法应用到其故障诊断中。通过对信号的全频能量分析,选择信号故障区间进行细化分析,进而提取信号的时频特征,确定故障具体位置,取得了较好的效果,为风电行星齿轮箱的故障诊断提供了一定依据。     

自适应变分模态分解的齿轮箱故障诊断研究

强噪环境下,复合故障特征提取难度更大,VMD(Variational Mode Decomposition)被大量应用于齿轮箱故障诊断中;但是它属于参数型分解方法,K过大或过小都会导致过分解或欠分解现象,因此分解的层数需要自适应的确定。提出了一种多点峭度和VMD的复合故障特征提取方法。考虑到多点峭度可以提取多故障的冲击性周期的个数;周期性冲击个数决定VMD的分解层数K,通过VMD处理后,进一步通过FFT确定故障特征。所提出的自适应复合故障特征提取方法和EEMD(En?semble Empirical Mode Decomposition)对比分析,验证了它可以克服模态混叠的特征,通过对实测性信号处理进一步确定了此方法的有效性。最终确定了齿轮剥落和轴承滚珠等复合故障特征。     

基于电机电流经验模态分解的行星轮故障诊断

在故障诊断领域,电机电流信号分析法(MCSA)已经逐渐应用于齿轮故障诊断中,但该方法在诊断行星轮缺齿故障时由于电流基频干扰较大,导致故障特征不明显,难以实现故障诊断.因此提出一种基于电流信号经验模态分解(EMD)的故障诊断方法.通过对电机电流信号进行EMD分解,选取合适的IMF分量经傅立叶变换求其频谱图,根据频谱图中是...     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断.为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)...     

应用ICEEMDAN和SVM的行星齿轮箱故障诊断

针对行星齿轮箱复合故障准确分类问题,应用了改进自适应噪声完备集合经验模态分解(ICEEMDAN)和支持向量机(SVM)相结合的故障诊断方法。首先,将行星齿轮箱的不同故障信号分别进行ICEEMDAN分解,得到各阶内禀模态函数(IMF);其次,利用各阶IMF分量与原信号的相关性大小,剔除虚假的IMF分量;最后,以优选IMF分量的多尺度模糊熵均值作为特征向量,输入到多分类SVM中进行故障分类,分类准确率高达100%,实验结果证明了该方法的可行性。     

基于变分模态分解和相关峭度的齿轮箱混合故障诊断

针对齿轮箱混合故障信号非线性、非平稳、噪声成分多以及多故障信号相互干扰的特点,提出了基于变分模态分解和相关峭度的齿轮箱混合故障诊断方法。利用变分模态分解能够有效地将信号分解为若干个具有紧致性模态分量的特点,对混合故障信号进行分解处理,将包含不同故障的模态分量分离出来;然后,根据相关峭度能够识别不同周期的冲击性信号的特点,利用最大相关峭度原则提取出包含不同故障的模态分量;最后,对这些模态分量进行包络分析,实现混合故障诊断的目的。通过实验信号的分析验证,证明了所提方法应用在混合故障诊断中的有效性。另外,分析了模态分量个数变化对方法结果的影响,为后续研究提供了经验性的结论。     

基于改进经验小波变换的行星齿轮箱故障诊断

行星齿轮箱振动信号具有复杂多分量和调幅-调频的特点。幅值解调和频率解调方法能够避免传统Fourier频谱中的复杂边带分析,有效识别故障特征频率。经验小波变换通过对信号Fourier频谱的分割构造一组正交滤波器组,能提取具有紧支撑Fourier频谱的单分量成分,再对单分量成分运用Hilbert变换即可实现信号的解调分析。经验小波变换能够有效分离出调幅-调频成分,不存在模态混叠现象,具有完备的理论基础,自适应性好、算法简单、计算速度快。将改进的经验小波变换应用于行星齿轮箱振动信号的解调分析;提出了一种单分量个数的估算方法,解决了经验小波变换中的Fourier频谱划分问题;给出了对故障敏感的信号分量的选取方法,提高了分析的针对性。将改进方法应用于行星齿轮箱振动仿真信号和实验信号分析,验证了该方法的有效性。     

Fault diagnosis of spur gearbox based on random forest and wavelet packet decomposition

This paper addresses the development of a random forest classifier for the multi-class fault diagnosis in spur gearboxes. The vibration signal’s condition parameters are first extracted by applying the wavelet packet decomposition with multiple mother wavelets, and the coefficients’ energy content for terminal nodes is used as the input feature for the classification problem. Then, a study through the parameters’ space to find the best values for the number of trees and the number of random features is performed. In this way, the best set of mother wavelets for the application is identified and the best features are selected through the internal ranking of the random forest classifier. The results show that the proposed method reached 98.68% in classification accuracy, and high efficiency and robustness in the models.     

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

Study on planetary gear fault diagnosis based on entropy feature fusion of ensemble empirical mode decomposition

Because planetary gear is characterized by its small size, light weight and large transmission ratio, it is widely used in large-scale, low-speed and heavy-duty mechanical systems. Therefore, the fault diagnosis of planetary gear is a key to ensure the safe and reliable operation of such mechanical equipment. A fault diagnosis method of planetary gear based on the entropy feature fusion of ensemble empirical mode decomposition (EEMD) is proposed. The intrinsic mode functions (IMFs) with small modal aliasing are obtained by EEMD, and the original feature set is composed of various entropy features of each IMF. To address the insensitive features in the original feature set and the excessive feature dimension, kernel principal component analysis (KPCA) is used to process the original feature set. Kernel principal component extraction and feature dimension reduction are performed. The fault diagnosis of planetary gear is eventually realized by applying the extracted kernel principal components and learning vector quantization (LVQ) neural network. The experiments under different operation conditions are carried out, and the experimental results indicate that the proposed method is capable of extracting the sensitive features and recognizing the fault statuses. The overall recognition rate reaches to 96% when the motor output frequency is 45 Hz and the load is 13.5 N m, and the fault recognition rates of the normal gear, the gear with one missing tooth and the broken gear can reach to 100%. The recognition rates of different fault gears under other operation conditions also can achieve better results. Thus, the proposed method is effective for the diagnosis of planetary gear faults.     

基于互信息的EMD分解对齿轮箱故障进行诊断

对加载为0.2A的断齿故障齿轮进行分析。利用互信息去除虚假EMD分解出的imf分量,对有用的imf分量进行hilbert变换,再对其包络的频谱进行分析。     

基于全矢谱的风力发电系统齿轮箱的故障诊断

介绍了风力发电齿轮箱系统变载荷、低转速、工况复杂的运行特点,阐述了风力发电系统齿轮箱的主要故障特征,针对旋转机械单源振动信号信息具有不完善性的缺陷,提出了基于同源信息数据融合的思想,将全矢谱技术应用于风电齿轮箱的故障检测方法。结合北方某风电场19#风机齿轮箱故障检测的实例,将全矢谱技术应用于诊断实例且得到了正确的诊断结果,证实了将全矢谱技术应用于风电齿轮箱检测中是准确、有效、实用的旋转机械故障诊断方法。     

New degradation feature extraction method of planetary gearbox based on alpha stable distribution

Journal of Mechanical Science and Technology - The planetary transmission system has been widely used in industry because of its various advantages. And the study on degradation feature extraction...     

基于多元经验模态分解的旋转机械早期故障诊断方法*

针对旋转机械早期微弱故障诊断问题,提出了基于多元经验模态分解的旋转机械早期故障诊断新方法。首先将多个加速度传感器合理布置在轴承座的关键位置,同步采集多通道振动信息;再利用多元经验模态分解同时对多通道振动信号进行自适应分解,得到一系列多元IMF分量;最后,依据峭度准则和相关系数从中选取包含故障主要信息的IMF分量进行信号重构,提取故障特征。多元经验模态分解方法克服了EMD等方法在进行多通道数据融合时缺乏理论依据的局限性。仿真信号和旋转机械故障信号的实验结果表明,该方法明显优于EEMD方法,对齿轮和滚动轴承故障的检测精度更高,可以在强背景噪声情况下更好地提取出故障冲击特征。     

基于参数自适应特征模态分解的滚动轴承故障诊断方法

针对强背景噪声下轴承故障信息难以有效提取的问题,提出一种基于参数自适应特征模态分解的滚动轴承故障诊断方法。首先,为了克服原始特征模态分解(FMD)需要依赖人为经验设定关键参数而不具有自适应性的缺点,提出基于平方包络谱特征能量比(FER-SES)的网格搜索方法自动地确定FMD的模态个数n和滤波器长度L;随后,采用参数优化的FMD将原轴承振动信号划分为n个模态分量,并选取具有最大FER-SES的模态分量为敏感模态分量;最后,通过计算敏感模态分量的平方包络谱来提取故障特征频率,从而判别轴承故障类型。通过仿真信号和工程案例分析验证了提出方法的有效性。与变分模态分解(VMD)和谱峭度方法(SK)相比,提出方法具有更好的故障特征提取性能。     

基于虚拟样机技术的行星变速器设计仿真

介绍了采用PRO／ENGINEER和ADAMS软件进行虚拟样机建模仿真的方法，并以ZI50行星变速器为例，建立了其虚拟样机模型，针对仿真结果进行分析。