独立分量分析在齿轮箱轴承故障诊断中的应用

介绍了独立分量分析的基本原理和算法步骤,运用其对齿轮箱实测的瞬态声音信号进行了降噪处理,然后运用阶次倒谱技术分析了降噪后的信号,找到了故障特征,成功地判别出了齿轮箱的轴承外圈故障,验证了该方法的可行性和有效性。     

基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法

针对齿轮箱复合故障的故障特征分离,提出了一种基于形态分量分析与能量算子解调的齿轮箱复合故障诊断方法。该方法先根据振动信号中各组成成分形态的差异,采用形态分量分析方法构建不同形态的稀疏表示字典进行故障成分分离,将齿轮箱复合故障信号分解为包含齿轮故障信息的谐振分量、包含轴承故障信息的冲击分量和噪声分量,然后分别对谐振分量和冲击分量进行能量算子解调分析,最后根据各解调谱诊断齿轮和轴承故障。算法仿真和应用实例表明该方法能有效地分离齿轮箱复合故障振动信号中齿轮与轴承的故障特征。     

基于形态分量分析的变工况齿轮箱故障诊断研究

齿轮箱变工况运行时表现为转速和负载的变化,其振动信号是非线性的多分量信号,变工况齿轮箱故障诊断是研究难点。首先使用数字微分的阶次跟踪方法对原始振动信号按计算得到等角度重采样时刻插值,将非平稳的振动信号转化为角域平稳信号;然后使用形态分量分析(MCA)方法从角域信号中分离出冲击、简谐分量与噪声成分,提取齿轮箱非线性、多分量信号中的故障特征;再对冲击分量做角域平均突出故障特征,最后进行瞬时功率谱分析识别齿轮是否有故障。实验分析表明,使用此方法能根据瞬时功率谱分布的阶次和角度范围识别故障,适用于变工况下的故障齿轮检测。     

独立分量分析在齿轮箱故障诊断中的应用

提出了一种用于齿轮箱故障诊断的信号预处理方法.推导了基于互信息最小化的独立分量分析算法(简称ICA算法),应用确定性混合信号对算法进行了仿真验证,并将该算法应用于齿轮箱振动信号的预处理中.经3种工况下的齿轮箱振动信号的ICA分解结果分析,表明应用ICA技术后,故障信息得到了极大的增强.改变了传统的以降噪为主的故障信息增强思想,为微弱故障的有效诊断提供了一定的技术手段.     

OMA和QICA技术在齿轮箱故障诊断中的应用

通过对齿轮箱振动机理学习和LMS齿轮箱模态实验分析,运用工作模态分析技术(OMA)进行了齿轮箱故障诊断的研究,并针对实验得到的振动信息存在信噪比低、信号混叠等问题,引入了量子独立分量分析(QICA)理论,即将量子优化原理应用于独立分量分析中的改进算法,并提出了基于量子独立分量分析方法的信号特征提取计算,用BP神经网络进行识别,达到故障诊断目的。     

OMA和QICA技术在齿轮箱故障诊断中的应用

通过对齿轮箱振动机理学习和LMS齿轮箱模态实验分析,运用工作模态分析技术(OMA)进行了齿轮箱故障诊断的研究,并针对实验得到的振动信息存在信噪比低、信号混叠等问题,引入了量子独立分量分析(QICA)理论,即将量子优化原理应用于独立分量分析中的改进算法,并提出了基于量子独立分量分析方法的信号特征提取计算,用BP神经网络进行识别,达到故障诊断目的。     

齿轮箱复合故障振动信号的形态分量分析

在改进形态分量分析系数阈值去噪方法的基础上,将其用于齿轮箱复合故障振动信号的分析。齿轮箱中的齿轮出现局部故障时,其振动信号中往往出现调幅调频成分;而滚动轴承出现局部故障时,其振动信号中往往出现周期性瞬态冲击成分。调幅调频成分的幅值变化相对缓慢,可看作信号中的光滑部分;而瞬态冲击成分的幅值变化较快,可看作信号中的细节部分,故可依据此形态差异实现二者的分离。采用形态分量分析方法将齿轮箱复合故障振动信号分解为包含滚动轴承局部故障信息的冲击分量、包含齿轮局部故障信息的谐振分量及残余分量,根据冲击分量和谐振分量的Hilbert包络解调谱分别诊断滚动轴承和齿轮的局部故障。对齿轮箱复合故障振动信号的分析结果表明,该方法可有效分离滚动轴承与齿轮的故障特征,且效果要优于经验模态分解(Empirical mode decomposition,EMD)方法。     

基于形态分量分析的希尔伯特变换在滚动轴承故障诊断中的应用

形态分量分析是一种基于信号形态多样性和信号稀疏表示的信号处理方法。滚动轴承故障信号具有振幅呈指数衰减与环境噪声大的特点。通过构建一个对冲击信号敏感的字典,利用形态分量分析对轴承故障信号的时域形态特征进行最优化稀疏表示,得到滚动轴承冲击信号。并对形态分量分析后的冲击信号进行希尔伯特变换,得到明确的故障特征频率及其倍频。仿真分析与实验结果表明：该方法具有良好的降噪功能,能够准确地提取滚动轴承故障信号中的早期冲击特征。     

ASTFA-BSS方法及其在齿轮箱复合故障诊断中的应用

自适应最稀疏时频分析（adaptive and sparsest time-frequency analysis,ASTFA）方法以分解得到的单分量个数最少为优化目标,以单分量的瞬时频率具有物理意义为约束条件,使得到的分量更加合理;结合盲源分离,提出了一种基于ASTFA的盲源分离方法并应用于齿轮箱复合故障诊断中。该方法首先利用ASTFA将单通道源信号进行分解,然后利用占优特征值法进行源数估计,根据源数重组观测信号,最后对观测信号进行盲源分离得到源信号的估计。实验结果表明,该方法可以有效地对齿轮箱复合故障信号进行分离进而实现齿轮箱的复合故障诊断。     

小波分析在齿轮箱故障诊断中的应用

对齿轮箱故障特点和诊断方法进行了分析，介绍了小波分析方法，并以小波分析在信号分析和信号消噪处理中的应用为例，体现小波分析比传统分析方法的优越性，是故障诊断的一种有效方法。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network,简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

油液分析技术在齿轮箱故障诊断中的应用

齿轮箱是机械变速传动的关键部件,齿轮的故障诊断有多种方法,运用油液分析技术对齿轮箱进水故障进行诊断,并举例进行分析。     

独立分量分析在信号处理中的应用

独立分量分析(ICA)是近期发展起来的一种统计学方法,旨在寻求对非高斯分布数据进行有效的表示,使得各个分量在统计学上独立,或者尽最大可能地独立。文章介绍了独立分量分析的发展过程,基本理论等。许多应用中,这种表示意在获取数据的基本结构,包括特征提取和信号分离,目前主要应用在盲源分离,特征提取,盲反卷积等方面。     

频谱分析法在齿轮箱故障诊断中的应用

基于齿轮箱振动及调制边频带形成机理的分析，提出用谱平均及倒频谱分析相结合的方法，对监测系统的输出信号进行频域分析，诊断齿轮箱故障，并分析其产生原因。实例及分析结果验证了该方法可迅速、准确地对齿轮箱进行故障诊断。     

约束稳健独立分量分析在滚动轴承故障诊断中的应用

独立分量分析方法广泛应用于机械设备故障诊断领域。在稳健独立分量分析方法的基础上,结合故障特征频率先验信息,提出了一种约束稳健独立分量分析方法。该算法首先讨论了如何产生参考信号,然后定义了参考信号和期望信号的接近性度量函数,最后提出了改进的稳健独立分量对比函数。仿真和试验结果表明,该算法在收敛速度和计算精度方面都明显优于传统的Fast ICA算法。     

独立分量分析在直升机齿轮箱故障早期诊断中的应用

齿轮箱早期的故障信号往往十分微弱 ,信噪比低 ,这大大限制了已有诊断方法在早期诊断中的应用 ,因此如何获取真实的振动信号是提高齿轮箱早期故障诊断质量的关键 ,独立分量分析 (ICA)为此提供了一种新的思路。文中研究了ICA在齿轮箱故障早期诊断中的应用 ,首先分析了齿轮箱的混合振动信号模型 ,然后针对具体的轴承故障进行了实验 ,并使用快速ICA算法分离出轴承的振动信号 ,再将其功率谱与原始振动信号的谱相比较 ,结果表明ICA更易于实现故障的早期诊断 ;最后提出了进一步的研究建议。     

基于时间序列幅值分量标度特性的齿轮箱故障诊断

齿轮箱是复杂的动力学系统,其故障信号通常呈现出非平稳和非线性特征,因此齿轮箱故障信号的特征提取是一个难题。去趋势波动分析(Detrended Fluctuation Analysis,DFA)可以用来分析非平稳非线性数据,得到的标度曲线可以用来刻画复杂系统的动力学行为。然而原始序列的标度曲线通常具有复杂的形状,所以从原始序列的标度曲线提取故障特征具有一定的困难。为了解决这个问题,对齿轮箱故障数据增量序列的动力学特性进行了研究,结果证明增量序列的幅值分量主要携带数据的非线性特征,然后提出了基于时间序列幅值分量标度特性的齿轮箱故障特征提取方法。该方法首先计算原始序列的增量序列,获得增量序列的幅值分量,然后利用DFA方法计算幅值分量的标度曲线,最后提取标度曲线的左端点和转折点的波动参数作为故障特征进行故障诊断。利用实测数据对所提出方法的性能进行了验证,结果表明,该方法对噪声干扰具有较好的鲁棒性,可以有效地对齿轮箱故障进行诊断,与传统的时域参数方法相比具有明显的优势。     

广义平滑对数正则化稀疏分解方法研究及其在齿轮箱复合故障诊断中的应用

齿轮箱由于其工况复杂、工作环境恶劣,极易发生故障,并且振动信号中往往包含多种成分并且伴随着强烈的背景噪声,给齿轮箱故障诊断带来了很大的困难。稀疏分解方法能够在强背景噪声下有效地提取瞬态特征成分,针对传统稀疏分解方法存在的计算效率低,幅值低估以及估计精度不足等问题,提出了一种基于调Q小波变换(Tunable Q-factor wavelet transform,TQWT)作为稀疏表示字典的广义平滑对数正则化稀疏分解方法。该方法研究了满足紧框架条件的TQWT来构建稀疏表示字典,然后基于Moreau包络平滑思想提出广义平滑对数正则化方法,该罚函数可以在保持幅值的基础上精确重构出齿轮箱故障瞬态成分,最后利用前向后项分裂(Forward-backward splitting,FBS)算法精确求解该稀疏表示模型。仿真信号和试验信号验证了所提方法在齿轮箱复合故障诊断中的有效性。     

虚拟现实技术在齿轮箱故障诊断中的应用

分析了齿轮箱振动噪声产生的机理及其噪声特性，构建出了基于虚拟现实技术的齿轮箱故障诊断系统，设计出了由振动测试、数据采集和计算机信号处理组成的硬件平台，采用VisualBasic高级语言编写了相应的应用软件，可以实现齿轮箱的实体造型和故障的三维动态模拟显示，该设计方案和诊断系统具有较好的理论价值和应用前景。     

独立分量分析在滚动轴承包络分析中的应用

提出了一种利用独立分量技术消除或有效抑制包络分析中强干扰对分析结果影响的方法.该方法首先用包络分析方法提取滚动轴承振动信号的包络波形,再通过独立分量分析实现各振源包络分量的分离去噪,最后对滚动轴承相关的包络分量进行包络谱分析,获得对滚动轴承故障在强干扰源存在下的准确结果.