基于α稳定分布参数和支持向量机的齿轮箱故障诊断方法

针对含有尖脉冲的齿轮箱振动信号故障特征难以提取且样本较少的问题,提出了一种基于α稳定分布和支持向量机故障诊断的新方法。先设计齿轮箱故障测试方案,获取齿轮箱振动信号;然后提取齿轮箱振动信号的α稳定分布参数,用它作为故障类型的特征样本,并结合决策树和投票法构造多分类支持向量机齿轮箱故障决策系统。该方法较好地解决了小样本学习问题,避免了人工神经网络进行诊断时的过学习、收敛速度慢等缺点。实际齿轮箱故障诊断实验结果表明所提方法有效。     

小波分解和最小二乘支持向量机的风机齿轮箱故障诊断

根据齿轮箱故障时振动信号特点,提出了一种基于小波分解和最小二乘支持向量机(LS-SVM)相结合的齿轮箱故障诊断方法。通过对齿轮箱振动信号进行小波分解,得到各分解节点对应频率段的重构信号和节点的能量,并将各节点能量组成的特征向量作为诊断模型的特征向量,输入到LS-SVM多类分类器中进行故障识别。诊断结果表明:该方法能够准确地识别风力发电机组齿轮箱的常见故障。     

基于LabView平台的齿轮箱性能动态测试与诊断

提出了基于Labview技术的齿轮箱性能动态测试和故障诊断方法,给出了系统的软硬件结构和功能模块,通过对齿轮箱振动信号的采集、处理与分析,实现对齿轮故障的诊断。应用表明系统具有程序编写简单、抗干扰能力强、测试效率高的特点。大大提高了齿轮箱性能动态测试和故障诊断的水平。     

矿用带式输送机齿轮箱混合故障诊断研究

针对基于振动信号分析的矿用带式输送机齿轮箱故障诊断方法存在不易处理混合故障信号的问题,提出了一种基于自组织映射网络的矿用带式输送机齿轮箱混合故障诊断方法。采用融入Shannon熵的小波阈值去噪方法对矿用带式输送机齿轮箱的标准多故障样本进行预处理,对预处理后的标准多故障样本建立高斯混合分布模型后,采用最大期望算法进行模型的参数估计,得到相应特征向量并输入自组织映射网络,自组织映射网络对不同混合故障类型的故障信号进行聚类和识别,从而判断故障类别。实验结果表明,该方法能有效诊断出矿用带式输送机齿轮箱的多故障混合信号对应的故障类别,整体诊断准确率为88%,在6种工况下诊断准确率为100%,为矿山机电设备的齿轮箱故障诊断提供了一种新方法。     

基于振动模型的直升机行星齿轮故障分析与仿真研究

针对直升机主减速器进行基于振动信号的故障诊断试验需要高昂费用的问题,以直升机主减速器的行星齿轮系统为例,对理想条件下McFadden建立的模型进行分析与改进,推导了振动信号的时间延迟模型,从而确定了系统运行时边频的相位变化。分析了行星齿轮系统振动信号的产生与变化规律,建立了故障状态的振动信号模型,并对其进行仿真。通过振动信号的仿真比较,为行星齿轮系统的故障监测与诊断提供借鉴。     

7500吨浮吊齿轮箱故障诊断系统的研究

针对7500吨浮吊齿轮箱故障诊断问题,将离散小波变换和Tikhonov支持向量机结合建立了一个浮吊齿轮箱故障诊断系统。在输入层对振动信号进行离散小波变换,提取不同频带的能量参数作为故障特征向量,利用这些特征向量进行Tikhonov支持向量机的学习,训练后的Tikhonov支持向量机诊断浮吊齿轮箱故障。实验结果表明,离散小波Tikhonov支持向量机具有很强的故障识别性能和鲁棒性,诊断精度优于常规的BP网络方法。     

基于振动模型的采煤机摇臂齿轮局部故障频谱分析

从齿轮传动机理出发,考虑直齿轮局部故障对啮合振动的调幅调频作用,建立了直齿轮局部故障振动信号模型;在直齿轮局部故障模型的基础上,分析了行星齿轮结构特征及振动信号产生和变化规律,建立了行星齿轮局部故障振动信号模型。对带有不同齿轮局部故障的摇臂进行加载试验,对采集的试验振动信号进行了频谱分析,分析结果表明,所建立的齿轮故障振动信号模型能客观、准确地反映摇臂齿轮故障状态,应用频谱分析方法可实现摇臂齿轮局部故障诊断。     

基于多小波包的齿轮故障诊断方法研究

提出了一种全新的基于多小波包的齿轮箱故障诊断方法。在机械故障诊断领域,小波分析已经被应用在利用齿轮振动信号进行的故障诊断中。由于小波函数空间在高尺度上频带较宽,因此隐藏在信号中的在较高频段发生的窄带故障信号的频率成分不能被精确地诊断。提出的多小波变换,通过划分小波变换不同层的频带克服了单小波(标量小波)系统的这种缺陷。通过多小波包变换,可以自动并精确地划分不同小波包结点的频率段,从而对频率段较窄的瞬变故障信号进行精确的诊断。对齿轮箱的仿真实验结果表明,应用多小波包系统,不但可以对齿轮系统中包含瞬变现象的故障信号进行诊断,而且可以精确确定齿轮中坏齿的位置。     

时频特征联合VGG-16的风力发电机齿轮箱故障诊断方法

针对传统风力发电机齿轮箱故障诊断存在效率低、实时性较差、准确率偏低等问题,本文提出了一种时频特征联合深度学习的风力发电机齿轮箱故障诊断方法。通过实时测取的箱体振动信号,利用离散小波转换提取信号的时频特征,并联合改进的VGG-16模型,完成齿轮组不同类型故障的诊断。实验结果表明,所设计诊断方法的Recall和mAP值较高,分别为93.51%、91.85%;断齿、磨损以及根裂故障的诊断准确率均在90%以上,且检测实时性良好,能较好地满足实际应用需求。     

基于多小波包的齿轮故障诊断方法研究

提出了一种全新的基于多小波包的齿轮箱故障诊断方法.在机械故障诊断领域,小波分析已经被应用在利用齿轮振动信号进行的故障诊断中.由于小波函数空间在高尺度上频带较宽,因此隐藏在信号中的在较高频段发生的窄带故障信号的频率成分不能被精确地诊断.提出的多小波变换,通过划分小波变换不同层的频带克服了单小波(标量小波)系统的这种缺陷.通过多小波包变换,可以自动并精确地划分不同小波包结点的频率段,从而对频率段较窄的瞬变故障信号进行精确的诊断.对齿轮箱的仿真实验结果表明,应用多小波包系统,不但可以对齿轮系统中包含瞬变现象的故障信号进行诊断,而且可以精确确定齿轮中坏齿的位置.     

基于小波变换和TMS320F2812的水泵故障诊断系统研究

对于水泵等旋转机械来说,通过采集水泵振动信号并进行分析,能够较全面地判断出水泵设备运行状态;因此,振动信号的采集就成为设备状态监测与故障诊断的关键部分;设计了一套基于小波变换和DSP的水泵故障诊断系统,该系统可以实现对水泵振动信号的实时采集;为了提高振动信号的信噪比,得到较为纯净的振动信号,采用小波消噪的技术对采集的振动信号进行消噪处理;并且以水泵机组正常运行和发生绕组过热、轻度不平衡、严重不平衡、支座松动等故障为例进行诊断实验,并且故障集参数amax,smax,Tamax,Tsmax和amin,smin,Tamin,Tsmin分别为1.1500,0.1600,46.9787,446.5000和0.9000,0.0700,40.9825,410.6000;实验结果表明,该系统可以有效发现故障,区分故障类型及识别故障程度,为水泵机组故障诊断提供了又一种有效的方法,对其它类似机械故障诊断具有一定的指导意义。     

基于多维特征评价的风机齿轮箱早期故障诊断

为了及时有效地诊断风机齿轮箱早期微弱故障,针对齿轮箱微弱故障信号非线性、非平稳、低幅值、低信噪比的特点,提出一种基于多维特征评价的风机齿轮箱早期故障诊断方法.首先,利用变分模态分解将原始振动信号分解为多个固有模态分量,并构建“信息熵-峭度-包络谱峭度”多维特征评价模型,结合熵权法筛选关键特征分量以重构信号;其次,运用改进的小波阈值法降低噪声干扰对重构信号的影响,得到显著的故障冲击特征;再者,使用宽度学习系统进行状态识别,并利用$L_{21     

EMD分解和支持向量机技术在风电齿轮箱早期齿轮磨损故障诊断中的应用

针对目前风电机组齿轮箱故障率很高,特别是对兆瓦级风电机组齿轮箱早期齿轮故障缺乏有效诊断经验的现状,提出EMD分解和支持向量机技术方法相结合的故障诊断方法,以行星齿轮箱为试验平台,充分利用两种方法的各自优势,对风电机组齿轮箱的齿轮早期故障诊断进行研究。     

电气设备振动故障实时监测预警方法

为及时发现电气设备振动故障，确保其稳定运行，研究电气设备振动故障实时监测预警方法。使用基于单片机的信号采集技术采集电气设备振动信号，结合CEEMD与改进小波阈值去噪方法，去除电气设备振动信号中的噪声元素后，进行归一化处理。利用卷积神经网络，通过全连接层前增加卷积层的方式，构建基于改进卷积神经网络的电气设备故障诊断模型，感知与预测电气设备振动故障并及时预警。实验结果表明，该方法可有效监测预警电气设备振动故障，具有较好的信号采集、去噪以及故障监测预警效果。     

基于局部特征尺度分解与瞬时频率谱的齿轮故障诊断

齿轮故障振动信号具有非平稳、非线性特征,且可视为多个调幅-调频分量的叠加,单个调幅-调频分量的瞬时频率蕴含了齿轮的故障特征;为了将信号准确分解、获得单分量的瞬时频率,进而根据瞬时频率谱进行齿轮故障诊断,提出了局部特征尺度分解与瞬时频率谱相结合的故障诊断方法;该方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个瞬时频率有物理意义的内禀尺度分量,然后分别应用希尔伯特变换技术求取每个分量的瞬时频率,并对瞬时频率进行傅里叶变换得到瞬时频率谱,最后根据瞬时频率谱进行故障诊断;对齿轮断齿故障实验数据进行了方法有效性分析,分析结果表明:该方法不仅能够准确诊断出齿轮箱故障情况,还能定位发生故障的齿轮,该方法可有效地应用于齿轮故障诊断。     

基于信息融合与CNN的齿轮箱故障诊断方法

齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障。针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法。IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类。多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法。     

基于FFT-DBN的行星齿轮箱齿面磨损故障智能判定方法研究

为智能、准确地实现行星齿轮箱齿面磨损故障判定，提出了基于快速傅里叶变换（FFT）和深度置信网络（DBN）的智能判定方法。首先利用FFT将采集到的振动信号由时域转换到频域，然后输入到DBN分类模型中，最后利用Softmax分类器给出判定结果。该方法是一种人工智能（AI）方法，以行星齿轮箱实验数据为例进行分析,结果表明，与笔者之前研究成果相比，所提出的方法智能化程度更高、结果更准确。     

基于MED和边际谱的自动倾斜器轴承故障诊断

针对直升机自动倾斜器轴承早期微弱故障特征易被强烈背景噪声淹没的问题，提出了一种基于最小熵反褶积（Minimum Entropy Deconvolution，MED）和边际谱的自动倾斜器轴承故障诊断方法。采用MED对采集的振动信号进行滤波降噪，提高了信号的信噪比，突出了轴承早期微弱故障特征；通过Hilbert变换和经验模态分解（Empirical Mode Decomposition，EMD）获取去噪包络信号的本征模态函数（Intrinsic Mode Functions，IMF）集，并引入峭度筛选准则选取合理IMF集计算局部Hilbert边际谱，有效地提取了故障特征频率，能够通过故障特征频率进行故障类型判别。通过某型直升机自动倾斜器故障诊断试验系统验证了该诊断方法的合理性和可行性。     

基于决策树与多元支持向量机的齿轮箱早期故障诊断方法

齿轮箱部件的故障形式多样,典型故障训练样本数量有限;为了提高齿轮箱故障诊断的精度和效率,提出了基于决策树与多元支持向量机的齿轮箱早期故障诊断方法;利用决策树分类速度快、效率高的优点和支持向量机在小样本二元分类方面突出的特点构建多元分类识别模型,在不同故障情形下提取齿轮箱振动信号典型特征参数作为故障特征向量训练模型,并对样本进行测试;实验结果表明,该方法在小样本情况下识别效果明显优于神经网络方法,同时在识别效率方面比常规多元支持向量机方法有了较大的提高。     

便携式变压器振动监测与故障诊断系统设计

设计一种基于嵌入式Windows系统的便携式变压器振动监测与故障诊断系统。介绍系统设计与实现的关键技术,包括信号采集、信号调理、A/D转换等硬件模块以及数据库、故障诊断算法、用户界面等软件模块的开发过程。该系统通过采集变压器的振动、电流、电压等信号对变压器状态及其故障进行分析与诊断,使用多种分析诊断算法,包括谱分析、幅值分析等常规方法,以及周期性诊断算法、模型诊断算法等新的分析诊断方法,用于及时地发现变压器的异常并发出警报。应用结果表明,该系统能够方便、有效地实现变压器运行状态及其故障的带电监测。