GASA-PSO优化算法共振稀疏分解齿轮故障诊断研究#br#

针对齿轮箱齿轮早期微弱故障信号在恶劣工况下信噪比降低、故障特征不明显、提取困难等问题,提出一种基于遗传模拟退火算法与粒子群算法融合的共振稀疏分解故障诊断方法,对成分复杂、存在模态混叠的非平稳齿轮箱振动信号进行分析。建立齿轮箱故障模型,模拟齿轮故障信号,将遗传模拟退火算法与粒子群融合算法对品质因子全局快速寻优,利用最匹配品质因子对齿轮振动信号分离得到高、低共振分量与残差分量,对低共振分量做Hilbert 包络分析,得到冲击脉冲信号,进而对齿轮箱进行故障诊断;利用MATLAB仿真分析与实验证明,所提出的方法可以有效提取齿轮箱早期微弱的故障信号,具有较高的分离精度,实现齿轮微弱故障诊断,证明了该方法的可行性与有效性。     

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。     

BP神经网络在机械故障诊断中的应用

随着现代化生产的进行,机械设备的故障诊断技术日益受到重视.介绍BP算法神经网络模型,给出BP神经网络应用于机械故障诊断的基本步骤.阐述三层BP神经网络采用数据驱动正向推理的故障诊断策略.即从初始状态出发,向前推理到达目标状态为止.介绍BP神经网络在机械故障诊断中的应用及实例,对某型号拖拉机变速箱中的主要零件——齿轮和轴承进行故障诊断振动测试,对部分齿轮和轴承发生故障时的振动信号进行测量.虽然BP网络在机械故障诊断中已得到广泛的应用,但由于神经网络本身还处于发展之中,还有不少问题需要进一步深入研究.     

行星轮系动力学仿真分析与故障诊断

目前行星齿轮箱已经在军用和民用装备中广泛应用,研究行星齿轮箱的故障诊断方法意义重大。为了研究行星齿轮传动的故障机理,揭示其故障特征,本文建立了行星齿轮系统的动力学模型,研究了齿轮裂纹对齿轮啮合刚度的影响,得出了齿轮正常、太阳轮裂纹和行星轮裂纹等三种状态下系统的频率特征,总结了故障特征频率;最后试验验证了仿真结果的有效性,得出的故障特征频率可用于行星轮系的故障诊断。     

基于SANC和一维卷积神经网络的齿轮箱轴承故障诊断

近来以深度学习算法为代表的滚动轴承特征智能提取和故障辨识技术被广泛研究,但目前研究大多局限于无强干扰的轴承故障。在齿轮箱存在较强齿轮振动干扰条件下,基于此类算法的轴承故障辨识率将显著降低。为提高在较强齿轮振动信号干扰下齿轮箱轴承故障智能辨识的准确率,提出了一种基于自参考自适应噪声消除技术(SANC)和一维卷积神经网络(1D-CNN)的齿轮箱轴承故障诊断方法。首先利用SANC将齿轮箱振动信号分离为周期性信号分量成分和随机信号分量,抑制齿轮等周期强干扰成分,再通过1D-CNN对包含轴承故障特征的随机信号成分进行智能特征提取和识别,实现在齿轮振动干扰下齿轮箱轴承故障辨识率的提高。通过与不同方法的对比验证了本文所提方法的优势和有效性。     

轨道不平顺激扰下机车传动齿轮振动特性研究

为研究轨道不平顺激扰下机车传动齿轮的振动特性,采用Simpack软件建立机车动力学模型以仿真获取轨道对轮对的反作用力矩,并建立机车齿轮传动系统的集中参数动力学模型。以齿轮时变啮合刚度为内部激励、轨道对轮对的反作用力矩为外部激励,仿真分析机车传动齿轮在变载荷下的振动特性。结果表明,轨道不平顺激扰下齿轮的低频位移响应与载荷波动趋势一致;故障齿轮的故障特征频率与啮合频率处均存在以载荷主频为间隔的边频带,健康齿轮的啮合频率处也存在该边频带,这将对故障的诊断造成干扰。并且当载荷主频与故障特征频率或啮合频率一致时系统会发生共振现象,将严重影响机车运行的平稳性和安全性。研究结论揭示了轨道不平顺激扰对机车齿轮传动系统的影响机理,可为机车齿轮动力学研究与机车齿轮箱故障诊断工作提供理论基础。     

含行星轮局部故障的行星齿轮箱振动仿真及实验研究EI北大核心CSCD

针对现有行星齿轮箱局部故障振动仿真模型使用小波变换和加窗振动分离技术进行故障诊断时效果不明显的问题,提出了一种以齿轮啮合冲击响应和齿轮啮合顺序为基础的行星轮局部故障振动仿真模型。以齿轮啮合冲击响应为基础,仿真正常齿和故障齿的单次啮合冲击振动响应;计算每次齿轮啮合的时间点,按照轮齿啮合顺序使用单次啮合冲击振动响应进行拼接,综合考虑振动信号的时变传递路径和太阳轮、行星轮和行星架转频的调制影响;建立了满足加窗振动分离技术故障特征提取的行星轮局部故障振动仿真模型。通过与行星齿轮箱的试验平台实测振动信号和振动仿真信号的分析对比,验证了所建立模型的正确性。     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法。通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类。为了避免因人为选择DBN结构参数,导致模型识别精度下降的问题,利用改进的混合蛙跳算法(ISFLA)对DBN结构参数进行优化。试验表明,与BP神经网络、未经优化的DBN以及单传感器故障诊断相比,该研究提出的信息融合及优化方法具有更高的故障识别精度。     

大功率风电齿轮箱系统耦合动态特性研究

大功率风电齿轮箱为风力发电机组关键部件之一,其工作特性对风电机组稳定运行具有重要影响。针对某大功率风电齿轮箱参数及工况,考虑斜齿轮副时变啮合刚度和传递误差激励,建立齿轮箱传动系统子结构模型;基于均匀弯曲Timoshenko理论,建立齿轮箱箱体子结构模型;根据传动子结构和箱体子结构系统变形协调条件,建立大功率风电齿轮箱系统耦合动力学模型,对系统振动响应进行计算分析。研究表明:各级齿轮啮合激起结构响应频率,结构响应频率与系统齿轮啮合频率未发生共振;在系统振动加速度响应频率成分中,除三级齿轮传动啮合频率外,存在调频现象,并将研究结果与试验结果进行对比分析。     

旋转机械故障诊断的神经网络方法研究

BP神经网络具有较好的非线性映射能力,可以描述频率特征和故障之间的关系,而概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题。根据两种神经网络的原理选择合适的参数建立两个旋转机械故障诊断模型,并利用模型对某旋转机械的故障数据进行处理,结果显示两种网络在故障诊断方面的实用价值。通过对故障数据的结果对比可以看到PNN网络比BP网络具有更好的容错能力。     

行星齿轮箱典型故障对内齿圈齿根应变的作用机理研究

行星齿轮箱由于具有优良的特性被广泛应用于多领域的机械传动系统中,但恶劣的工作条件导致其故障频发,因此开展行星齿轮箱故障诊断方法的研究工作十分必要。传统的基于振动信号的故障诊断方法在识别行星齿轮箱早期微弱故障方面具有局限性,为此提出基于内齿圈齿根应变信号的行星齿轮箱故障诊断方法,并主要开展行星齿轮箱典型故障对内齿圈齿根应变的作用机理研究工作。分析行星齿轮箱内齿圈齿根应变模型的构建方法,将内齿圈齿根应变模型分解为行星轮-内齿圈啮合力模型、内齿圈轮齿的齿形系数模型和齿间载荷分配系数模型;利用行星齿轮箱的纯扭转模型计算行星轮-内齿圈啮合力,利用材料力学理论推导内齿圈轮齿的齿形系数,并对行星轮-内齿圈啮合过程中的齿间载荷分配系数进行分析;研究行星齿轮箱典型故障对啮合刚度的影响,并根据内齿圈齿根应变模型计算得到典型故障下内齿圈齿根应变的变化规律。建模仿真计算分析结果表明,不同类型、不同部位、不同剧烈程度的故障会对行星齿轮箱内齿圈齿根应变信号造成不同影响,利用内齿圈齿根应变信号可有效识别行星齿轮箱的故障行为。     

一种基于行星齿轮箱复合运动的故障诊断指标

行星齿轮箱广泛应用于风力发电、航空、船舶等大型工程机械中,恶劣的工作环境使得其中的关键部件容易出现严重的磨损或疲劳断裂等故障。现有的故障诊断方法大多在时、频域中对信号进行处理,然而由于行星齿轮箱振动响应信号频率成分的复杂性和故障传递路径的时变特性,使得传统的针对定轴转动齿轮系统的故障诊断方法很难有效的对行星齿轮箱进行故障诊断;抓住行星齿轮系统复合运动的突出特征,结合故障振动传递路径的时变特性,提出了一种基于故障运动特征的潮汐频率特征指标对行星齿轮箱进行故障诊断。通过对行星齿轮箱太阳轮局部故障的振动数据分析,验证了潮汐频率指标的存在,分析了潮汐频率作为行星齿轮箱故障诊断指标的优势和前景。     

基于自适应模糊神经网络的发动机故障诊断

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了自适应模糊神经网络发动机故障诊断。首先建立了发动机故障信号采集试验台,在试验台上人工模拟四种工况,通过加速度传感器采集正常工况和异常工况的振动信号。再利用小波理论对采集到的振动信号进行消噪处理,提高信噪比,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,即对发动机故障进行模式识别。通过仿真分析,取得了很好的诊断效果;同时与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。     

SOM-BP复合神经网络在齿轮箱故障诊断中的应用研究

针对齿轮箱的故障模式和特征量之间复杂的非线性关系，采用SOM-BP复合神经网络，引用齿轮箱常见的故障及其相关参数作为训练样本建立诊断模型。在Matlab环境下，通过仿真试验并与BP网络进行比较，验证了此复合神经网络用于齿轮箱故障诊断的正确性和精确性，具有一定的工程应用价值。     

基于BP网络和LVQ网络的故障诊断比较的研究

齿轮箱故障诊断是一个复杂的非线性系统,影响因素比较多,很难建立一个理想的故障诊断数学模型。利用BP网络和LVQ网络的原理和工作方法分别对齿轮箱故障进行诊断。这里把齿轮箱分为3种故障模式:无故障、齿根裂纹、断齿。实验表明BP网络和LVQ网络都能有效地进行故障诊断,同时实验证明LVQ网络进行故障诊断更具精确性。     

变载荷齿轮箱故障信号智能检测方法

针对变载荷激励下齿轮故障信号检测和故障识别的问题,提出一种基于经验模态分解和深度信念网络的变载荷齿轮箱故障信号智能检测方法。首先通过经验模态分解方法将非平稳的加速度振动信号分解成若干平稳的本征模态函数;选出啮合频率及倍频所在的本征模态函数,重构信号,求出重构信号的频谱,作为深度信念网络的输入;深度信念网络通过对输入频谱进行预训练和特征学习,并建立变载荷激励下齿轮故障识别分类模型;最后,用构建好的深度信念网络对测试样本进行故障诊断。试验结果表明,提出的方法能有效地检测和识别变载荷激励下齿轮故障。     

基于峭度与IMF能量融合特征和LS-SVM的齿轮故障诊断研究

针对齿轮振动信号非线性非平稳特性,为避免传统时频方法在表征设备状态时的不足,提出一种基于融合峭度与IMF能量特征和LS-SVM的齿轮故障诊断方法。首先,对齿轮振动信号在EMD分解;然后,提取包含主要故障信息的IMF分量的峭度特征和能量特征,组成融合特征向量;最后,将齿轮正常、齿根裂纹、断齿3种状态下的融合特征向量输入到LS-SVM,通过训练好的LS-SVM对齿轮状态进行分类识别。仿真实验结果表明:该方法能准确识别齿轮的工作状态,且与BP神经网络、SVM相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。     

QAPSO-BP算法及其在水电机组振动故障诊断中的应用

针对水电机组振动故障耦合因素多、故障模式复杂等问题,提出了一种基于量子自适应粒子群优化BP神经网络(QAPSO-BP)的故障诊断模型。在QAPSO-BP算法中,利用量子计算中的叠加态特性和概率表达特性,增加了种群的多样性;根据各粒子的位置与速度信息,实现惯性因子的自适应调节;为避免陷入局部最优,在算法中加入变异操作;并以此来训练BP神经网络,实现网络的参数优化,进而构建了机组的振动故障诊断模型。仿真实例表明,与粒子群优化BP网络(PSO-BP)法和BP网络法相比,该算法具有较高的诊断准确度,适用于水电机组振动故障的模式识别。     

局部均值分解和排列熵在行星齿轮箱故障诊断中的应用EI北大核心CSCD

目前行星齿轮箱已经在军用和民用装备中广泛应用,研究行星齿轮箱的故障诊断方法意义重大。针对行星齿轮箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,提出一种结合局部均值分解和排列熵的行星齿轮箱故障诊断方法。利用局部均值分解方法将不同状态下的振动信号分解为多个乘积函数分量,针对包含有故障信息的分量进行排列熵计算,以此判断故障类型。最后通过采集行星齿轮箱故障模拟试验台三种状态(齿轮正常、太阳轮裂纹故障及行星轮裂纹故障)的振动信号,对其进行局部均值分解和排列熵计算,验证了此方法的有效性。     

基于小波包与质心粒子群的齿轮箱故障诊断及应用

针对齿轮箱振动信号中蕴含大量状态信息难以有效提取的问题,利用小波包分解对原始振动信号进行降噪及特征能量提取,通过BP神经网络实现故障的模式识别。针对神经网络收敛速度慢、易陷入局部最优值问题,提出利用简单、易行的质心粒子群算法对BP神经网络的权值和偏置进行优化。在粒子群算法中,通过设计种群质心和最优个体质心、根据粒子位置动态改变惯性权重,并将其引入粒子群算法的速度调整公式中:来构建质心粒子群算法。分别将该方法与基本粒子群算法、遗传算法应用在齿轮箱故障诊断中,通过比较表明该方法可以有效提高分类效率和准确率。