应用时频图像纹理特征的行星齿轮故障诊断

行星齿轮箱结构复杂,当发生故障时其振动信号呈非线性非平稳特点且故障信号微弱,为了能够准确提取行星齿轮磨损故障信息的特征,提出局部均值分解（local mean decomposition,简称LMD）结合S变换（LMD?S）的信号处理方法,且转化为时频分布图像,应用时频图像纹理特征进行行星齿轮故障诊断。首先,把振动信号经由LMD?S变换处理后利用相关分析方法滤除干扰且转化为时频分布图像;其次,利用非均匀局部二值模式（local binary patterns,简称LBP）提取不同工况下采集数据的图像纹理特征;最后,采用极限学习机识别出3种故障类型,故障识别准确率达到90%,证明了此方法的有效性。     

基于集成卷积神经网络的行星齿轮智能诊断方法

针对行星齿轮箱故障振动特征需要预处理、识别困难以及诊断模型收敛速度较慢的问题,提出基于集成卷积神经网络的行星齿轮箱智能故障诊断方法。首先,采用一维卷积对齿轮的原始时域振动信号提取特征,之后通过采用两个弱分类器,根据弱分类学习错误率的性能更新样本权重,调整权重后根据训练集训练弱分类器。重复此过程,最后通过设置策略整合弱分类器,形成集成卷积神经网络;建立一个稳定用于行星齿轮箱的智能故障诊断的模型。实验结果表明：集成卷积神经网络能很好地对行星齿轮原始振动信号进行快速诊断。相对于传统卷积神经网络对齿轮原始时域振动故障信号的诊断具有更强的辨识能力和更快的收敛速度;所建立的智能诊断模型可以有效地诊断齿轮不同的故障状态。     

基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.     

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

基于LMD能量熵和支持向量机的齿轮箱故障诊断

针对小样本情况下齿轮箱复合多种故障特征难以提取和分类的问题,提出了基于局部均值分解（LMD）能量熵和支持向量机（SVM）的故障诊断方法。首先利用LMD方法对采集的齿轮箱振动信号进行分解,得到有限个PF分量;然后根据不同故障下齿轮箱振动信号在频域区间内分布不均的特性,分析出PF分量能量在不同频域范围离散情况,即求出LMD能量熵;最后利用SVM多故障分类器对提取出的特征展开训练和测试,进行齿轮箱故障分类。实验结果显示,即使在小样本情况下,且同时存在非单一、多种齿轮箱故障时,基于LMD能量熵和SVM方法也可以对齿轮箱故障进行特征提取和精准分类,实现齿轮箱故障诊断。     

小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法

针对部分风场因有标签故障样本数据稀少而导致风电齿轮箱故障诊断准确率不高的问题,提出了一种小样本下混合自注意力原型网络的故障诊断方法。首先,通过原型网络将振动信号映射到故障特征度量空间;然后采用位置自注意力机制和通道自注意力机制进行矩阵融合构建混合自注意力模块,建立原始振动信号的全局依赖关系,获取更具判别性的特征信息,学习风电齿轮箱各健康状态下的度量原型;最后通过度量分类器进行模式识别,实现小样本条件下风电齿轮箱的故障诊断。实验结果表明,所提出的混合自注意力原型网络故障诊断方法在不同小样本数据集上均能实现风电齿轮箱高精度故障诊断。     

基于频率切片小波变换的行星齿轮箱故障诊断

风电行星齿轮箱主要由太阳轮、行星轮、行星架和内齿圈组成,由于其工作环境比较恶劣,容易产生故障。另外其各部分信号又相互叠加,增大了信号分析的难度。而风电齿轮箱运转又会随外界环境而发生变化,产生的信号具有较强的非平稳性,采用普通时频方法只能简单估测故障发生的大致位置。为了进一步确定设备故障信息,尝试将频率切片小波变换的时频分析方法应用到其故障诊断中。通过对信号的全频能量分析,选择信号故障区间进行细化分析,进而提取信号的时频特征,确定故障具体位置,取得了较好的效果,为风电行星齿轮箱的故障诊断提供了一定依据。     

基于局域均值分解的行星齿轮箱故障诊断方法

在低转速工况下,容易出现行星齿轮箱故障的微弱信号和强信号难以分离的情况,导致行星齿轮箱存在微弱故障诊断精度较差的问题,为此,提出了一种基于局域均值分解(LMD)的行星齿轮箱故障诊断方法。首先,采用DASP数据采集系统,采集了行星齿轮箱不同工况下的振动信号,采用平移不变量小波降噪方法,对其振动信号进行了降噪处理;然后,采用局域均值分解方法分解了其振动信号,分别采用了能量算子和循环频率对其进行了解调处理,获取了微弱故障信号分量所对应的幅值和相位调制信息,准确提取了行星齿轮箱的微弱故障信号特征;最后,采用最小二乘支持向量机(LSSVM)识别了齿轮箱不同故障特征,判断了行星齿轮箱的运行状态,实现了行星齿轮箱的故障诊断。研究结果表明：采用基于LMD的方法,可以对行星齿轮箱的微弱异常信号及强异常信号进行准确诊断,获得满意的行星齿轮箱故障诊断结果,有效保障行星齿轮箱的安全、稳定运转。     

应用深度学习的生成对抗网络行星齿轮箱故障诊断技术研究

为了提高旋转机械传动系统的安全性和可靠性,降低维护维修费用,本文研究了一种少样本信息情况下的行星齿轮箱故障诊断方法。针对故障诊断模型建立中的样本不均衡问题,通过生成对抗网络(GAN)的对抗学习机制,实现对振动信号的特征提取。训练生成器学习原始故障样本的分布特点,产生补充的故障数据样本,进而建立更加精确的GAN故障诊断模型。通过实验平台采集多种工况下的故障样本,进行故障诊断模型训练,实验表明在诊断样本信息不足的情况下,GAN故障诊断模型可以有效提高诊断精度。     

基于多通道加权卷积神经网络的齿轮箱振动信号特征提取

为了解决单通道振动信号输入不能全面表达故障特征信息及齿轮箱故障早期诊断问题,提出了一种新的深度神经网络(Deep neural network,DNN)模型—多通道加权卷积神经网络(Multi-channels weighted convolutional neural network,MCW-CNN),并应用于齿轮箱振动信号特征学习和故障诊断.首先,采用经验模态分解(Empirical mode decomposition,EMD)对振动信号进行处理,得到多通道一维信号突出振动信号的故障特征,并将其转化为多通道图像输入,从而充分发挥CNN在图像特征提取上的优良性能,将齿轮箱故障诊断问题进一步转化为CNN更为擅长的多通道图像识别问题;其次,针对各通道图像频率和带宽的不同,在卷积层采用动态感受野进行图像特征提取,全面提取多通道图像特征细节;针对各通道图像携带冲击特征的强弱不同,提出了基于峭度加权的多通道融合方法,增强了冲击特征强的通道故障特征.最后,通过故障诊断仿真试验和齿轮箱故障诊断试验验证所提方法的有效性.试验结果表明,MCW-CNN可有效提取振动信号的故障特征,识别正确率明显高于典型的深度学习方法和传统的分类器.     

基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断

针对变转速工况下基于深度学习的行星齿轮箱故障诊断问题,提出动态加权密集连接卷积网络的故障诊断方法。将行星齿轮箱振动信号的小波包系数二维矩阵输入到密集连接卷积网络作为网络的初始特征图;在密集连接卷积网络的跨层连接中加入动态加权层,形成动态加权密集连接卷积网络,加强网络的深层信息传递;通过动态加权网络层自适应提取不同频带内的故障特征信息进行行星齿轮箱故障诊断。试验表明了所提的动态加权密集连接卷积网络能有效诊断变转速行星齿轮箱故障。     

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。     

基于图谱特征与度量学习的行星齿轮箱健康评估

为提高行星齿轮箱健康评估准确性,提出一种基于图谱特征与度量学习的行星齿轮箱健康评估方法.从行星齿轮箱振动信号中提取图谱特征作为故障特征参数;设计基于单调性、相关性的度量学习准则,建立优化的马氏距离度量函数;采用待测样本与无故障正常样本之间的马氏距离表征故障严重程度,建立基于支持向量回归的健康评估模型.通过行星齿轮箱健康...     

基于GLCT和FPO的时变工况行星齿轮箱故障特征提取

时变转速下行星齿轮箱故障诊断存在两个问题,一是由于空间和经济条件的限制,转速传感器无法安装就无法获得设备的实时转速,二是常用的短时傅里叶变换方法时频分辨率低,难以提取到反映设备健康状态的有价值特征信息。为了克服这两个问题,提出基于广义线性调频小波变换（General Linear Chirplet Transform,GLCT）与快速路径最优（Fast Path Optimization, FPO）的无转速阶次分析故障特征提取方法。首先,使用GLCT对振动信号进行时频表征,从而提高时频分辨率,能够清晰地反映齿轮箱的时变运行状态;然后,利用FPO算法从GLCT时频表示中精确提取转频趋势线,进而采用转频曲线对原始振动信号等角度重采样将其映射到平稳的角域中;最后,从角域信号的包络阶次谱中准确地提取行星齿轮箱故障特征信息。数值仿真和应用实例的分析结果表明该方法具有较高的时频分辨率和噪声鲁棒性,能够在无转速计的情况下有效地实现时变转速行星齿轮箱齿轮故障诊断。     

基于扭转振动信号的行星齿轮箱齿根裂纹故障动力学仿真

基于振动的分析方法在行星齿轮箱齿根裂纹故障诊断中得到了广泛的应用.与传统的横向振动信号相比,扭转振动信号理论上不受时变传递路径的调制影响;其频率成分简单,易于提取故障特征.对动力学模型中提取的扭转振动信号进行分析,实现了齿根裂纹故障诊断.建立了健康行星齿轮箱的刚柔耦合模型并进行了验证;基于健康行星齿轮箱的模型,建立了3种构件的裂纹故障模型,提取了故障行星齿轮箱的动态响应信号;通过分析横向振动信号和扭转振动信号来诊断齿根裂纹故障.结果表明,采用扭转振动信号诊断行星齿轮箱轮齿裂纹故障是可行的,其相比传统的横向振动信号更具优越性.     

基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断

在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明：SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。     

高速列车转向架区气动噪声分离研究

提出了一种基于快速路径优化的自适应短时傅里叶变换时频分析方法,并将该方法用于行星齿轮箱的故障诊断。该时频分析方法通过使用快速路径优化获得瞬时频率变化规律,在短时傅里叶变换过程中自适应的改变时窗长度,从而获得更恰当的时频分辨率。针对行星齿轮箱运行状态不稳定的特点,通过使用笔者提出的时频分析方法可以有效地提取出行星齿轮箱的转速信息,利用参考转速对故障信号角度域重采样和阶次分析,从而实现变转速情况下的行星齿轮箱故障诊断。仿真分析表明,与传统短时傅里叶变换相比基于快速路径优化的自适应短时傅里叶变换得到的时频分布能量更加集中;试验分析证明了基于快速路径优化的自适应短时傅里叶变换方法在行星齿轮箱故障诊断中的有效性。     

参数化的短时傅里叶变换及齿轮箱故障诊断

提出了一种基于快速路径优化的自适应短时傅里叶变换时频分析方法,并将该方法用于行星齿轮箱的故障诊断。该时频分析方法通过使用快速路径优化获得瞬时频率变化规律,在短时傅里叶变换过程中自适应的改变时窗长度,从而获得更恰当的时频分辨率。针对行星齿轮箱运行状态不稳定的特点,通过使用笔者提出的时频分析方法可以有效地提取出行星齿轮箱的转速信息,利用参考转速对故障信号角度域重采样和阶次分析,从而实现变转速情况下的行星齿轮箱故障诊断。仿真分析表明,与传统短时傅里叶变换相比基于快速路径优化的自适应短时傅里叶变换得到的时频分布能量更加集中;试验分析证明了基于快速路径优化的自适应短时傅里叶变换方法在行星齿轮箱故障诊断中的有效性。     

浮动式齿圈行星齿轮箱齿轮故障振动频谱模型

齿轮箱振动信号频谱结构的深入研究,对齿轮箱的故障诊断有很大帮助。但是到目前为止,还没有对齿圈浮动的行星齿轮箱频谱结构的相关研究。针对浮动式齿圈行星齿轮箱传动结构的特点,研究了振动信号传递路径对频谱结构的影响,得到了浮动式齿圈行星齿轮箱齿轮故障振动信号的频谱模型。利用包络谱对故障信号的幅值调制进行分析,简化了故障诊断工作。最后,运用所提频谱模型进行了故障诊断试验,准确发现了变速箱中的故障。     

基于1.5维谱活跃频率的行星齿轮箱磨损故障诊断研究

行星齿轮箱中多种频率成分相互耦合导致无法提取故障特征,针对这一问题,提出了基于1.5维谱(三阶累积量一维对角切片谱)活跃频率的行星齿轮箱磨损故障诊断的方法。该方法先将1.5维谱能够识别的二次相位耦合推广到符合实际意义的二次频率耦合,再将解耦出的参与耦合频率与耦合产生频率逐点相乘,以得到其活跃频率;然后通过观察活跃频率与故障频率之间的关系,判断行星齿轮箱是否发生故障;实验部分首先运用该方法从仿真信号中提取出了活跃频率,然后通过搭建行星齿轮箱齿面磨损故障实验台采集振动信号,最后运用该方法提取出了其磨损故障特征频率。研究结果表明:传统的傅里叶变换方法不能提取出故障特征频率,基于1.5维谱活跃频率的磨损故障诊断方法能够从行星齿轮箱振动信号中提取出故障特征频率,实现了对行星齿轮箱磨损故障的诊断,对行星齿轮箱磨损故障诊断具有重要意义。