基于粒子滤波信号降噪的齿轮箱故障诊断研究

齿轮和轴承是机械设备中重要的部件,它的健康状况直接影响着机械设备的运行状态。研究粒子滤波对齿轮箱的振动信号进行降噪处理,需要知道信号的特性和噪声的统计特性。针对此,先对齿轮箱的齿轮进行振动分析,建立振动模型,而后再研究粒子数算法,对振动信号进行EMD分解,把分解的第一个IMF分量和残余分量进行重构,组建AR模型,经AR模型系数作为粒子滤波状态方程的系数。最后采用小波变换阈值降噪思想,把分解提出的噪声信号放到粒子滤波观测方程中,对信号进行降噪处理。     

基于光纤布拉格光栅传感的齿轮故障检测方法

针对齿轮故障难以识别的问题,提出了一种用于齿轮异常状态识别的自适应噪声补偿聚合经验模态分解方法。利用光纤布拉格光栅(FBG)传感器提取齿轮的振动信号,通过自适应补偿高斯白噪声使振动信号频谱均匀化,以消除经验模态算法分解产生的模态混叠现象。利用相关系数和峭度值组成综合评价指标来选择有效分量,并提取其特征,采用支持向量机对齿轮故障进行识别与分类。实验结果表明:所提方法能有效地识别齿轮的不同状态(正常、轻度磨损、重度磨损、点蚀、裂纹以及断齿等),识别正确率均在90%以上。     

基于EEMD的共振解调技术在列车轴承故障诊断中的应用

针对轮对轴承故障信息不易提取的特性,提出了基于EEMD的共振解调方法。首先,采用EEMD方法将原始信号分解为17个IMF分量,计算每个分量的峭度值,选取峭度值大于3的IMF分量相加,合成新的信号;然后,对新的合成信号进行谱峭度分析,得到冲击成分所在的频带,并据此设计带通滤波器对合成信号进行滤波处理;最后,对滤波后的信号进行Hilbert变换和频谱分析,提取冲击成分的频率,并与理论故障频率对比,进行故障诊断。分别对外圈故障、滚动体故障、保持架故障的轴承进行振动试验,并利用此方法对试验结果进行分析,结果表明,该方法能够有效地识别列车轮对轴承的故障信息。     

基于小波包能量熵和PSO的轴承故障诊断方法

支持向量机(SVM)在识别滚动轴承故障过程中,由于其参数选择并非最优导致识别率不高。为解决这一问题,提出了基于小波包能量熵和粒子群优化WSVM的滚动轴承故障诊断方法。首先,获取滚动轴承的振动信号,将信号进行小波包变换计算出小波包能量熵;其次,将小波包能量熵作为故障特征初步判断轴承是否发生故障;然后对各状态的特征向量集进行训练,建立WSVM故障诊断模型,采用粒子群优化算法对WSVM进行参数最优化;最后,将测试样本输入到训练好的向量机中,根据输出结果准确判断出工作状态与故障类型,还可计算得出故障识别率。结果表明:该方法能有效地判断出轴承故障类型,识别率高。     

基于VMD与多尺度一维卷积神经网络的故障诊断方法

针对旋转机械设备在多工况、小样本状态下故障诊断精度不高的问题，提出一种基于VMD与多尺度一维卷积神经网络（M1DCNN）的故障诊断方法。该方法首先利用VMD对原始振动信号进行分解，并以峭度为指标，筛选出峭度值最大的分量进行包络分析；然后构建包含多个不同尺度卷积核通道的卷积神经网络，并采用多尺度卷积核提取不同尺度下包络信号的特征信息，进而对故障进行识别。将该方法应用于齿轮箱中的齿轮和滚动轴承的振动数据分析，结果表明：该方法在多工况、小样本情况下均有较高的故障识别精度，且模型具有较强的泛化性能；同时，与单通道卷积神经网络（1DCNN）的对比分析表明，所搭建的多尺度卷积神经网络能更全面地提取信号特征，因而具有更高的诊断精度。     

Morlet小波变换结合MLP神经网络的齿轮箱故障检测方法

针对变速齿轮箱中的故障检测问题,提出了一种结合Morlet小波变换和多层感知器(MLP)神经网络的齿轮故障检测方法。利用角域技术,将时域中齿轮故障的非平稳振动信号转化为角域中的平稳信号。然后,利用进行Morlet小波变换并从小波系数中提取统计特征。同时根据最大能量与香农熵比来确定连续小波变换(CWT)的最优尺度,以此来缩减特征量,并将小波系数的能量和香农熵作为两个新特征添加到特征向量。最后,利用MLP神经网络对输入特征进行分类,从而检测故障。实验结果表明,该方法故障检测准确率高,且计算速度快。     

基于振动信号指标能量的变压器机械故障检测分析

阐述变压器振动信号本征模态函数，搭建实验测试平台，运用振动信号指标能量进行设备机械故障检测。通过振动信号测试，完成信号分量分解和指标能量特征分析，结合铁心和绕组振动信号特征向量，判定变压器发生的机械故障。     

基于IMF能量矩特征提取方法

针对辐射源中的信号识别问题中特征提取困难,提出了一种基于总体平均经验模式分解的IMF能量矩特征提取方法,并且与K最近邻分类相结合用于信号识别。首先利用总体平均经验模态分解方法把信号分解成为若干个IMF,再将重要的IMF分量关于时间轴的积分,得到IMF能量矩的特征向量,最后借助K最近邻的分类(KNN)能力对特征向量进行分类,文中对十类FSK仿真信号分类表明,该方法能够有效、准确地识别信号。     

齿轮箱故障识别系统的研究与应用

基于LabVIEW软件的同步齿轮箱故障监测平台由采集振动信号的信号采集系统、对采集信号滤波的信号调理系统,以及控制信号采集和程序运行的上位机系统组成。其中,程序采用最为实用和方便的状态机结构,首先对信号进行无量纲时域分析,再与正常值比较,初步判断出可能存在的故障。针对齿轮故障和轴故障中的信号特点进行频域分析;利用LabVIEW强大的信号处理功能分别对信号作功率谱分析、倒谱分析、Hilbert包络分析。分析结果证明,该监测平台能准确识别故障类型。投入使用证明,该系统对齿轮箱的正常运行、故障识别和寿命延长有明显的效果。     

利用相关系数图选择振动信号特征值的方法

振动信号常被用来监测机械设备工作状态,其特征值选择会直接影响监测效果。以振动信号识别发动机故障为工程背景,为了快速有效地提高识别率,提出构建相关系数图并利用其选择振动信号特征值的方法。首先,对发动机振动信号提取时域特征参数,计算各特征值之间的皮尔逊相关系数(PCC)和最大互信息系数(MIC);然后,选择不同阈值构建相关系数图,筛选特征值;最后,将特征值作为广义回归神经网络(GRNN)的输入,分析比对故障识别效果。实验结果表明,利用阈值为0.9的MIC图筛选特征值可以在仅提取少量时域特征值的前提下获得较高的振动信号对发动机故障的识别率。     

基于灰色关联-K近邻法的设备故障检测研究

文章采用灰色关联-K近邻法,快速、准确地检测球磨机齿轮磨损构件位置,将实时采集到的齿轮振动频谱中齿轮啮合频率、谐波幅值和垂直振动幅值作为训练集信号的特征向量,并将这些作为标准样本,求出每一个实时的测试样本特征向量与标准样本之间的灰色关联系数,并用K近邻法对训练测试样本做出判定,与异常数据库中数据实时进行分类识别,如果属于异常数据类别,则判定齿轮已发生磨损。该方法具有样本量小、计算量小、识别速度较快、准确性能高等优点。     

基于LCD和改进PNN的光纤周界振动信号识别

针对马赫-曾德尔光纤周界系统振动信号扰动信 息提取及识别中的问题,提出了一种 基于局部特征尺度分解(LCD)和改进概率神经网络(PNN)的识别方法。首先,采用LCD将振动 信号分解成一系列内禀尺度分量(ISC),再将分解得到的ISC分量每连续3阶一组进行独立成 分分析(ICA),提取扰动信息。其次,提取振动信号的峭度、排列熵、瞬时幅度标准差和瞬 时频率标准差构造具有准确描述能力的特征向量。最后,采用经模糊C均值聚类(FCM)优化后 的PNN对振动信号进行识别分类。利用六种振动信号实验数据进行验证。结果表明,该方法 能够高效准确的识别六种振动信号,平均识别率达到97.17%,识别时 间为0.78 s。该方法在 有效信息提取和振动信号识别方面明显优于传统的LCD算法和PNN算法,具有实际应用价值。     

PC三电平逆变器电解电容故障特征分析

针对目前NPC三电平逆变器电解电容故障特征难以提取的问题,提出变分模态分解与模态能量结合的故障特征提取方法。该方法通过采集NPC三电平逆变器输出端的电流信号,结合参考电流信号,求取电流的偏差信号。根据电流偏差信号频率分布的特点,用模态重复率对VMD的分解尺度进行参数寻优。利用VMD对电流偏差信号分解,得到具有中心频率的有限带宽的模态分量。根据模态分量的信息熵确定能表征电容故障的特征分量,进而计算特征分量的模态能量,构造特征向量,寻求特征变化规律,并对其进行分类。结果表明,此方法能够准确地反映出电解电容的工作状态。     

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。     

基于经验模态分解的有载分接开关振动信号识别

为了提升有载分接开关振动信号降噪效果及故障识别准确率,研究了一种基于经验模态分解的有载分接开关振动信号识别方法。该方法对有载分接开关振动信号进行采用掩膜的经验模态分解,降低模态混叠;采用阈值滤波方法对各个固有模态函数进行处理,降低噪声影响;再采用相关系数法选取特定固有模态函数并进行信号重构,采用时频分析和卷积神经网络方法进行特征提取和故障识别,得到故障识别结果。实验结果表明,利用所提出的方法进行降噪处理后的识别准确率得到有效提高。     

基于能量峰区域时频滤波的信号估计

本文提出了一种基于能量峰时频区域滤波的信号估计方法。首先,设计了一种基于能量阈值的时频区域提取方法,识别出信号在时频面上的能量峰,并提取出能量峰所占据的时频区域;利用线性时频滤波器获取信号中的分量,将这些分量的时频分布叠加得到改善的时频分布。仿真结果表明,对于由时频不相交分量组成的信号,本方法可以分离出其中的信号分量,并能得到较优的时频分布。     

光纤光栅型平面冲击信号方向识别的小波包分析

介绍了光纤光栅传感器检测平面冲击信号的方向识别技术的重要性;构建了基于小波包分解的能量谱特征向量,说明了能量谱特征向量用于诊断系统参数改变或损伤故障的原理;搭建了基于非平衡M-Z干涉仪和PGC相位解调技术的光纤光栅平面冲击信号检测系统;测试了与光纤光栅传感器轴向夹角为0°,30°,45°,60°,90°等方向的平面冲击信号;通过Fourier分析表明不同方向的冲击信号频谱的能量随冲击方向变化而改变;描绘了基于小波包分解构造的能量谱特征向量与冲击信号方向的关系,结果显示两者具有理想的余弦关系;实验表明基于小波包分解的能量谱特征向量能很好的识别平面冲击信号的方向。     

基于KPCA-LSSVM的单向阀故障诊断研究

针对高压隔膜泵单向阀的故障振动信号特征难以提取及诊断的问题,文中采用KPCA和LSSVM相结合的方法进行故障诊断研究。对单向阀各状态信号运用双稳SR方法和DEMD算法进行信号预处理,并利用K-L散度选择分解后的主分量进行时频域特征参数的提取以构建特征向量集。运用KPCA对向量集进行二次特征提取,并将提取的特征向量输入到LSSVM诊断系统中,以完成单向阀故障诊断及分类。经实验验证,该方法的故障诊断率可达到90%,能够较好的诊断出单向阀故障特征。     

基于VMD和BP神经网络的轨道病害诊断方法

针对从非线性、非稳态的轨枕振动信号中提取病害特征困难的问题,文中提出一种基于变分模态分解和多尺度排列熵的轨道病害特征提取方法,并采用BP神经网络病害诊断模型进行病害识别.利用变分模态分解方法将采集到的振动加速度信号进行分解,得到若干个本征模态分量.计算这些本征模态分量的多尺度排列熵值,将其作为轨道病害的高维特征向量,以...     

改进的HHT变换在光纤振动模式识别中的应用

针对双马赫-曾德尔(M-Z)干涉型光纤振动传感系统输出信号非线性、非平稳特点,提出基于互补总体经验模态分解(CEEMD)的希尔伯特-黄变换(HHT)模式识别算法。该算法采用CEEMD将振动信号分解成多个本征模态函数(IMF),利用各阶IMF的归一化自相关函数筛选出噪声分量进行中值滤波;然后对各阶IMF分量做Hilbert变换,基于Hilbert边际能量谱构造特征向量;最后利用概率神经网络(PNN)实现振动信号的模式识别。对四种典型光纤振动信号的实验验证表明,算法的平均正确识别率最低可达85%。