变工况齿轮箱故障诊断方法综述

齿轮箱是机械传动链中的关键且故障多发部件,传统齿轮箱诊断方法难以对运行在变工况下的齿轮箱故障进行准确的检测和有效识别。综述了国内外对于变工况齿轮箱故障诊断技术、研究现状及进展,并简要讨论了变工况齿轮箱故障诊断方法的应用现状及可能的发展趋势。     

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。     

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

基于系统模型的齿轮箱故障诊断

用时间序列和神经网络相结合的方法,建立振动信号的时间序列模型,作为齿轮箱系统模型。分析模型特性,提取齿轮箱故障的特征参数,然后以此建立相应的神经网络,识别齿轮箱的运行故障。结果表明该方法能很大地提高诊断的准确性。     

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)...     

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LabVIEW的齿轮箱故障诊断系统设计

介绍了利用虚拟仪器技术进行齿轮箱故障诊断系统设计的原理和方法。硬件系统由加速度传感器、信号调理卡、数据采集卡和PC机组成。以LabVIEW为平台设计了界面友好的软件系统,采用"小波去噪+EEMD分解"的非平稳信号处理方法进行故障信号的特征提取。运行结果表明,该系统能快速准确地对齿轮箱故障进行诊断,具有良好的应用前景。     

小波包与改进BP神经网络相结合的齿轮箱故障识别

应用小波包分解技术提取齿轮箱振动信号中的故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立了齿轮箱运行状态分类器,用以识别齿轮箱的运行状态。试验结果表明,小波包分解与神经网络相结合的齿轮箱齿轮故障识别方法是可靠的,可以准确识别齿轮箱的故障。     

一种改进1DCNN的滚动轴承变工况故障诊断方法

针对滚动轴承在强噪声背景时运行存在不同工况下样本分布不同而导致传统模型诊断精度较低的问题，提出一种改进一维卷积神经网络的滚动轴承变工况故障诊断方法。以一维卷积神经网络模型为基础，通过全局均值池化代替全连接层，减少模型训练参数，同时在全局均值池化层引入最大均值差异域自适应迁移学习实现滚动轴承变工况故障诊断。与ResNet和1DCNN+DA等方法的对比分析表明，将1DCNN模型中的FC层通过GAP层代替并与DA迁移学习相结合，能够提高整个模型的泛化性和诊断精度。     

基于FSST-Res Net的滚动轴承变工况数据故障诊断研究

针对滚动轴承运行工况复杂多变,难以诊断的问题,提出一种基于短时傅里叶的同步压缩变换(FSST)与残差神经网络(ResNet)相结合的故障诊断方法。该方法对轴承振动信号做短时傅里叶变换后,将时频系数压缩重排,生成基于FSST时频图在3种变工况下的训练集和测试集。考虑到深度模型的网络退化问题,采用ResNet模型对数据集进行时频特征提取和故障诊断,进一步提升轴承故障诊断的精度。通过3种变工况实验证明了该方法的有效性和可行性,平均诊断准确率高达98.9%,与其他方法相比,诊断精度有较大提高。     

基于阶次分析与循环平稳解调的齿轮箱复合故障诊断方法

针对变转速下的齿轮箱中复合故障的特征提取,提出了一种基于阶次分析与循环平稳解调的齿轮箱复合故障诊断方法.该方法先用线调频小波路径追踪算法从原始振动信号中提取转频信号,再根据转频信号对原始振动信号进行等角度重采样,将时域非平稳信号转化为角域周期平稳信号,最后对角域周期平稳信号进行循环平稳解调分析,根据故障特征阶次处的切片解调谱进行齿轮箱复合故障诊断.通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变转速齿轮箱复合故障进行了分析,分析结果表明,该方法在无转速计的情况下能有效地提取处于变转速下的齿轮箱复合故障的特征.     

基于双隐含层RWPSO-BP神经网络的齿轮箱故障诊断研究

针对齿轮箱故障诊断过程中采集到的振动信号通常都比较复杂多变,随机性和偶然性也比较强的特点,提出了一种基于随机权重粒子群优化(Random Weight Particle Swarm Optimization,RWPSO)算法的双隐含层反向传播(Back Propa-gation,BBP)神经网络(RWPSO-BP)的齿轮箱故障诊断方法.对江苏千鹏诊断工程有限公司所公布的齿轮箱故障诊断实验中的原始振动数据进行多特征值提取;利用主成分分析法(Principal Component Analysis,PCA)对特征集进行降维处理,将多个变量的数据集转变为较少新变量的数据集(即主成分),把所选主成分归一化处理后利用双隐含层RWPSO-BP 神经网络进行诊断分析;将分析结果与单隐含层RWPSO-BP神经网络对测试样本的识别结果作对比.最后的诊断结果为:双隐含层RWPSO-BP神经网络的误差更小,可以较为准确地对齿轮箱故障类型进行有效的识别.     

基于双隐含层RWPSO-BP神经网络的齿轮箱故障诊断研究

针对齿轮箱故障诊断过程中采集到的振动信号通常都比较复杂多变,随机性和偶然性也比较强的特点,提出了一种基于随机权重粒子群优化(Random Weight Particle Swarm Optimization,RWPSO)算法的双隐含层反向传播(Back Propa-gation,BBP)神经网络(RWPSO-BP)的齿轮箱故障诊断方法.对江苏千鹏诊断工程有限公司所公布的齿轮箱故障诊断实验中的原始振动数据进行多特征值提取;利用主成分分析法(Principal Component Analysis,PCA)对特征集进行降维处理,将多个变量的数据集转变为较少新变量的数据集(即主成分),把所选主成分归一化处理后利用双隐含层RWPSO-BP 神经网络进行诊断分析;将分析结果与单隐含层RWPSO-BP神经网络对测试样本的识别结果作对比.最后的诊断结果为:双隐含层RWPSO-BP神经网络的误差更小,可以较为准确地对齿轮箱故障类型进行有效的识别.     

基于双隐含层RWPSO-BP神经网络的齿轮箱故障诊断研究

针对齿轮箱故障诊断过程中采集到的振动信号通常都比较复杂多变,随机性和偶然性也比较强的特点,提出了一种基于随机权重粒子群优化(Random Weight Particle Swarm Optimization,RWPSO)算法的双隐含层反向传播(Back Propa-gation,BBP)神经网络(RWPSO-BP)的齿轮箱故障诊断方法.对江苏千鹏诊断工程有限公司所公布的齿轮箱故障诊断实验中的原始振动数据进行多特征值提取;利用主成分分析法(Principal Component Analysis,PCA)对特征集进行降维处理,将多个变量的数据集转变为较少新变量的数据集(即主成分),把所选主成分归一化处理后利用双隐含层RWPSO-BP 神经网络进行诊断分析;将分析结果与单隐含层RWPSO-BP神经网络对测试样本的识别结果作对比.最后的诊断结果为:双隐含层RWPSO-BP神经网络的误差更小,可以较为准确地对齿轮箱故障类型进行有效的识别.     

齿轮箱故障诊断灰色神经网络模型的研究

传统的信号处理方法不易提取故障特征,给齿轮箱的故障诊断带来很大困难。建立了齿轮箱故障诊断的灰色神经网络模型,结果验证该模型的诊断结果具有较高准确性,适于提取故障信号的非线性特征,理论上为齿轮箱故障诊断提供了一个快速有效的方法。     

基于CNN-BiLSTM的滚动轴承变工况故障诊断方法

针对变工况和噪声背景下滚动轴承故障难以诊断的问题,提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络（convolutional neural network?bidirectional long short?term memory,简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先,将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理,构建标签化的训练数据集和测试数据集;其次,把注意力机制引入到BiLSTM中提取更加重要的深层故障特征,同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题,从而得到改进的CNN?BiLSTM模型;然后,将处理后的标签化数据集输入改进的模型中训练;最后,利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证,证明该方法均有较好的泛化性和抗噪能力。     

基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究

针对齿轮箱的复合故障诊断问题,将深度卷积神经网络(Deep Convolutional Neural Network,DCNN)与XGBoost(e Xtreme Gradient Boosting)算法相结合,建立故障诊断模型。首先,利用深度卷积神经网络自适应提取原始振动加速度信号的特征矩阵。其次,将所得到的特征矩阵作为输入数据,运用网格调参法对XGBoost算法进行参数调整,得到XGBoost模型。最后,作为训练数据训练XGBoost模型,得到DCNN-XGBoost齿轮箱故障诊断模型。为了验证该模型的有效性和XGBoost算法的优越性,与DCNN-BP神经网络、DCNN-随机森林和DCNN-支持向量机三种模型作对比分析,并且对DCNN所得特征矩阵和人工提取的特征矩阵进行t-SNE可视化降维分析。结果表明,DCNN获得的特征矩阵可视化的效果优于人工提取的特征矩阵,并且随机森林的稳定性不如XGBoost算法,和BP神经网络相比,XGBoost算法在防止过拟合方面有一定的优势,SVM与DCNN的结合有其局限性,最后DCNN-XGBoost模型的诊断正确率和时间优于其他模型。     

基于门控循环单元胶囊网络的滚动轴承故障诊断

针对目前噪声、变负载工况下基于深度学习的轴承故障诊断方法可能存在准确率下降的问题,提出一种基于门控循环单元(GRU)的胶囊网络模型,利用门控循环单元充分提取故障特征,再通过胶囊网络神经元中的向量提取更多细节特征并减少信息的丢失,最终完成故障的分类.试验及对比分析表明,该模型在0 dB信噪比的加噪状态下仍能达到94.37...     

基于小波时频图和卷积神经网络的行星齿轮箱故障诊断方法

针对行星齿轮箱故障诊断中故障类型难以区分的问题,提出了一种基于小波时频图和卷积神经网络相结合的行星齿轮箱故障诊断方法。首先,对原始信号进行连续小波变换,获取小波时频图;然后,对小波时频图进行统一处理和压缩,将处理好的小波时频图输入到卷积神经网络中进行分类识别,通过调整小波基函数和卷积神经网络参数,最终得到一个较为理想的诊断模型。试验证明,在训练集数据和测试集数据转速不同的情况下,该方法与BP神经网络相比,在诊断准确率和鲁棒性方面都有提升。该方法的研究为行星齿轮箱的故障诊断提供了参考。