基于KICA-GDA和LSSVM的齿轮箱轴承故障诊断

摘 要：为了提高齿轮箱轴承故障识别率，提出基于核独立分量分析（KICA）、广义辨别分析（GDA）与最小二乘支持向量机（LSSVM）的轴承故障识别方法。首先将轴承故障振动信号的谱峭度、信息熵等故障特征作为原始特征向量，通过KICA方法将原始特征向量映射到核特征空间,从而去掉不同故障特征间的冗余并消除原始特征向量间的相关性。然后利用GDA方法对故障特征进行非线性融合，并构造新的特征向量。最后，将新的特征向量作为LSSVM分类器的输入，并实现轴承的故障分类。齿轮箱滚动轴承故障诊断试验结果表明：KICA-GDA和LSSVM的故障诊断方法可以识别出更多的轴承故障信息，且提高了LSSVM的分类性能，该方法相对于直接采用LSSVM进行分类的轴承故障方法具有更优秀的分类性能。     

风力机齿轮箱故障诊断

对齿轮箱做振动测试和分析,通过模式识别找到齿轮箱损坏时呈现的特性,为齿轮箱故障诊断提供依据。     

基于小波包和BP神经网络的风机齿轮箱故障诊断

为了对风力发电机组中最容易发生故障的核心部件齿轮箱进行故障诊断,提出基于小波包变换和BP(Back Propagation)神经网络的齿轮箱故障诊断方法。首先,根据齿轮箱工作时的振动信号特性,通过小波包变换方法对振动信号进行去噪、分解与重构,有效提取不同故障下各频段能量的故障特征;其次,将提取的能量故障特征输入至BP神经网络诊断系统中进行识别,实现故障的智能诊断。通过试验证明了该方法的有效性。     

基于空间相关与自适应滤波的齿轮箱故障诊断

振动信号作为风电机组齿轮箱故障诊断的重要依据,一直是风电机组故障诊断领域关注的研究热点。基于不同频率、不同能量振动信号的传播规律,对齿轮箱上不同测点的振动信号的相关性进行分析,建立以互相关信号为参考信号的自适应滤波模型,利用该模型提取振动信号中的相似成分,进而利用幅值谱分析相似成分,得到更加清晰的转频及其倍频,为齿轮箱的故障诊断提供依据。方法的有效性得到实测振动数据的验证。     

基于SWD-AVDIF的齿轮箱复合故障诊断方法

针对由噪声干扰和故障强度分布不均引起的齿轮箱复合故障诊断问题,论文提出了基于群分解和平均差值形态算子（Swarm Decomposition- Average Difference Filter,简称SWD-AVDIF）的齿轮箱复合故障诊断方法。首先运用群分解（Swarm Decomposition, 简称SWD）将齿轮箱振动信号分解为若干单一模态振荡分量（Oscillatory Components,简称OCs）;然后对分量进行AVDIF解调,得到SWD-AVDIF解调谱;最后根据解调结果判别故障类型。与EMD对比,仿真信号验证了SWD方法在频率区分能力上的优越性;运用齿轮箱复合故障仿真信号和实验信号进行分析,结果表明该方法能够有效地分离不同故障信号并加强故障特征,为齿轮箱复合故障诊断提供了一种新的方法。     

一种基于层次熵和SVM的轴承故障诊断方法

针对样本熵在分析时间序列复杂度上的局限,在样本熵和多尺度熵的基础上提出一种新的基于层次熵（Hierarchical Entropy）的滚动轴承故障特征提取方法。首先用层次分解方法对实验数据进行分解,然后采用分解节点上的样本熵值作为特征向量,利用支持向量机（support vector machine,简称SVM）对故障进行识别。实验数据分析结果验证该方法的有效性。     

基于LMD与MCKD的风电机组轴承早期故障诊断方法

当滚动轴承出现早期故障时,其故障特征信号微弱,且环境噪声较大,因此其早期故障特征一般难以提取。针对上述问题,提出基于LMD与MCKD的滚动轴承早期故障诊断方法。为了克服局部均值分解（LMD）在早期故障诊断中易受噪声影响的不足,该方法对其包含故障信号大部分能量的前4 个乘积函数（product function, PF）分量进行最大相关峭度解卷积（MCKD）,突出轴承信号中淹没在噪声信号中的周期脉冲成分,最后再对其进行包络解调,便可得到轴承故障特征频率,进而对滚动轴承早期微弱故障进行诊断。实验信号验证了该方法的有效性。     

齿轮箱轴承故障诊断的应用实践

本文通过运用齿轮箱故障诊断的方法对齿轮箱轴承进行故障诊断,准确判断出齿轮箱轴承存在的故障,预防性的处理设备故障,取得了显著的经济效益和社会效益。     

STFT和HHT在风力机轴承故障诊断中的应用

对异常工作风力机进行振动测试,获取振动测试信号,选取额定风速时采集的一段信号分别进行时频域分析、短时傅里叶变换分析、希尔伯特黄变换分析,提取故障特征信号。结果表明,短时傅里叶变换具有较好的时频分辨率,能够较好的提取故障特征信号,较为适合非线性、非平稳信号的分析;希尔伯特黄变换是一种很好的自适应信号处理方法,非常适合于非线性和非平稳信号的分析。希尔伯特黄变换对于风力机滚动轴承的故障诊断取得了很好的效果,准确提取了故障信号特征。对风力机故障诊断技术的发展具有较大的意义。     

遗传算法优化稀疏分解的齿轮箱故障诊断研究

齿轮箱传动结构复杂,其出现故障时的振动信号往往含有强噪声。在强噪声背景下微弱信号的特征提取是振动信号处理领域的难题。稀疏分解方法能够自适应地提取强噪声背景下的微弱信号特征,但其在寻找最优匹配原子时计算量特别大。为加快匹配最优原子的速度,提出利用遗传算法优化匹配追踪的信号稀疏分解算法,优化后的算法大大降低了匹配追踪算法中寻找最优原子参数的计算量。齿轮故障振动信号的主要特征是调制现象,通过稀疏分解对含有噪声的信号进行降噪,然后进行频域分析,根据频域分析结果实现齿轮的故障诊断。对仿真的齿轮调制振动信号和实际采集的齿轮箱振动信号分析表明,该方法能够从含有强噪声的振动信号中快速且准确地提取出故障特征频率。     

基于LMS和Fast-Kurtogram的滚动轴承早期故障诊断

针对滚动轴承早期故障特征提取困难的问题，本文提出一种LMS（Least Mean Square，LMS）算法降噪、Fast-Kurtogram选频和共振解调技术相结合的滚动轴承故障诊断方法。首先对采集到的信号进行自适应降噪，减弱背景噪声的影响；然后利用谱峭度值对故障信号中瞬态成分敏感的特性，通过计算降噪后信号的快速峭度图，确定滤波器最优频带中心和带宽；最后进行共振包络解调提取出滚动轴承早期故障特征。通过仿真和实验验证分析，验证了该方法在滚动轴承早期故障诊断中的适用性和有效性。     

基于EMD和MKD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出基于经验模态分解(Empirical Mode Decomposition,EMD)与最大峭度解卷积(Maximum Kurtosis Deconvolution, MKD)的滚动轴承故障特征提取方法。利用EMD方法分解振动信号得到一组固有模态分量(Intrinsic Mode Function,IMF),然后根据时域峭度和包络谱峭度,筛选出敏感IMF分量进行信号重构。然后对重构信号进行最大峭度解卷积处理以增强故障信息,最后得到包络功率谱,从而获得轴承故障特征频率信息。通过实验台信号验证了所述方法的有效性及优点。     

基于LMS和Fast-Kurtogram的滚动轴承早期故障诊断

针对滚动轴承早期故障特征提取困难的问题,本文提出一种LMS（Least Mean Square,LMS）算法降噪、Fast-Kurtogram选频和共振解调技术相结合的滚动轴承故障诊断方法。首先对采集到的信号进行自适应降噪,减弱背景噪声的影响;然后利用谱峭度值对故障信号中瞬态成分敏感的特性,通过计算降噪后信号的快速峭度图,确定滤波器最优频带中心和带宽;最后进行共振包络解调提取出滚动轴承早期故障特征。通过仿真和实验验证分析,验证了该方法在滚动轴承早期故障诊断中的适用性和有效性。     

基于 GSO算法的自适应随机共振轴承故障诊断

摘 要:针对强噪声下轴承故障弱信号较难检测和传统仅靠单参数优化随机共振系统问题,提出一种基于萤火虫优化算法(GSO）的自适应随机共振轴承故障信号检测方法。首先按固定频率压缩比压缩频率;然后以传统随机共振系统输出信噪比作为GSO算法的初始荧光素,利用GSO算法选取随机共振系统的结构参数a,b;最后通过双稳随机共振系统的输出信噪比检测轴承故障弱信号是否增强,通过系统的输出时域图分析信号的周期性,通过功率谱分析轴承故障弱信号的特征频率。仿真验证与试验验证结果分析表明,该方法可检测出轴承故障弱信号,实现弱信号的增强和降噪。     

小波分析在自行火炮变速箱滚动轴承故障诊断中的应用

本文对某自行火炮变速箱中的滚动轴承进行故障诊断研究.分析了自行火炮变速箱中滚动轴承典型故障信号特征,介绍了小波分析工程应用的基本理论,最后研究了在发动机振动、齿轮啮合振动等大背景噪声下,利用小波分析方法有效地提取滚动轴承故障特征的方法,并通过实验结果分析验证了方法的可行性.     

基于偏度的滚动轴承声信号故障分析方法

为了快速直接地对轴承故障进行诊断,且不受载荷和转速的影响,采用偏度作为时域分析的参数。首先,将声信号取绝对值,去掉信号的对称性,偏度便具有了诊断能力。其次,根据正态分布的特点,得到无故障轴承声信号偏度值的参考范围。最后,通过对仿真信号的研究得到了偏度与信噪比的拟合关系,从而初步判断轴承的故障程度。实验结果表明,偏度能准确地诊断出轴承是否有故障,而且在判断轴承故障程度上有良好表现。     

基于自适应多尺度散布熵的滚动轴承故障诊断方法

针对滚动轴承振动信号的非平稳、非线性特性,将一种新的衡量时间序列复杂性和不规则程度指标——散布熵(dispersion entropy,DE)引入到滚动轴承非线性故障特征提取,提出一种基于经验模态分解与DE相结合的自适应多尺度散布熵滚动轴承故障诊断方法。首先,采用经验模态分解对振动信号进行分解,得到若干不同尺度的本征模态函数;其次,计算每个本征模态函数的DE值;再次,将得到的DE值作为特征向量输入到基于支持向量机建立的多故障分类器进行训练和识别。最后,将提出的滚动轴承故障诊断方法应用于试验数据分析,结果表明,提出的方法能准确地识别滚动轴承故障类型。     

滚动轴承故障诊断的研究

针对滚动轴承故障信号的非平稳和调制特点,使用小波分解,对包含故障信息的信号进行分解、重构。应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断出滚动轴承故障模式。小波分解和Hilbert变换结合对滚动轴承局部损伤故障的检测是有效的。