基于小波熵和ANFIS的轴承故障诊断方法

提出一种基于小波熵和自适应神经模糊推理系统(ANFIS)的滚动轴承故障诊断方法.对原始振动信号进行小波包分解,提取小波熵特征,然后用ANFIS作为分类器进行故障模式识别.比较人工神经网络(ANN)与ANFIS的故障诊断效果.结果表明,该算法诊断准确率高于神经网络.     

基于EMD降噪的递归图分析方法在齿轮故障诊断中的应用

为从齿轮振动信号中提取包含故障信息的特征量,提出了一种基于经验模态分解(EMD)降噪的递归图分析方法。该方法用EMD方法将振动信号分解为有限个固有模式函数(IMF)分量,选取包含故障信息的IMF分量建立递归图,从递归图中提取特征向量,运用高斯混合模型进行模式识别。将该方法运用于故障齿轮振动信号的识别,结果表明该方法具有较高的识别率,对齿轮故障能够有效地进行分类与诊断。     

MED和WPT技术在轴承故障检测中的应用

针对滚动轴承早期故障信息难以提取的问题,提出了一种基于最小熵卷积(MED)、小波包分解(WPT)和包络分析轴承故障检测技术,首先把采集的振动信号进行最小熵卷积处理,并根据包络谱稀疏度选择MED的滤波器长度。然后再将卷积后信号进行小波包分解,从所有的小波包节点中选择出包含故障敏感信息的节点。最后通过功率谱凸显轴承故障特征频率信息。通过实际信号对该方法进行了验证,结果表明该方法能够准确判明轴承运行状态。     

基于小波包分解与K L变换的齿轮泵振动信号故障特征提取方法

针对齿轮泵故障成因复杂、模糊性强的特点,结合小波包分解与K-L变换,提出一种适用于支持向量机故障诊断的特征提取方法。通过小波包对样本故障振动信号进行分解得到特征向量,而后利用K-L变换处理得到新的特征向量集,达到降维去噪的目的。将处理后的特征向量集用于支持向量机的模型训练,分析结果表明:该方法能够有效提高故障模式识别准确率和识别效率。     

最小二乘支持向量机在电梯故障诊断中的应用(英文)

针对电梯故障诊断中特征提取困难和故障样本数量少问题,提出了应用小波包分解和最小支持向量机( LS-SVM) 相结合进行电梯急停智能故障诊断的方法。借助小波包分解,该方法首先提取电梯轿厢振动信号作为特征向量,然后利用 LS-SVM 分类模型对故障进行辨识。实验证明,小波包与 LS-SVM 相融合的故障诊断与识别技术可发挥两者的优势,该方法对电梯急停故障的诊断具有较好的诊断效果。     

基于Autogram的齿轮断齿故障特征提取方法

针对复杂生产背景下产生的强噪声淹没齿轮有效故障特征信息的问题,利用Autogram方法对其进行特征提取。该方法利用最大重叠离散小波包变换,对齿轮断齿故障振动信号进行不同层数分解处理,每层得到若干个信号,被称为“node”。为了更加全面地描述故障特征信息,对每个node进行包络谱的3种无偏自相关谱峭度求取,以便选取合适node作为信号源进行下一步分析。最后,对该信号源引入阈值处理,以便加强频谱分析的全面性,实现对齿轮断齿故障特征信息的有效提取。通过对比分析仿真和实测齿轮故障振动信号,验证了该方法的有效性。     

基于优化变分模态分解和卷积神经网络的齿轮故障诊断

针对齿轮振动信号具有非稳定特性、为了实现减速机齿轮箱的智能诊断且变分模态分解(VMD)参数组合[K,α]的大小需要使用者反复尝试而不能有效确定的问题,提出了一种改进的遗传算法(MGA)对变分模态分解参数优化选取方法,在此基础上将优化的VMD与深度卷积神经网络(DCNN)结合。提出了优化VMD与DCNN齿轮智能故障诊断方法,首先用优化后的VMD对信号进行分解,其次采用DCNN进行故障模式识别。最后,将该方法应用于实例中,结果表明,该方法不仅有效地对信号进行分解和对齿轮故障类型可达到精准识别,同时还可诊断齿轮轻度磨损的早期故障。     

基于小波包的齿轮故障检测与分析

在齿轮故障的监测诊断中,利用小波包对信号的高分辨率把信号分解到不同频段,然后选择有效频段来提取齿轮传动的故障信息特征.实验表明,该方法能对齿轮的故障特征进行有效的监测.     

基于VMD能量熵和HMM的行星齿轮箱故障识别方法

针对行星齿轮箱振动信号成分复杂、非平稳、非线性的特点,提出一种基于变分模态分解(VMD)能量熵和隐马尔科夫模型(HMM)的故障识别方法。利用VMD算法对不同故障类型的齿轮振动信号进行分解,提取经信号分解得到的各阶本征模态函数(IMF)的能量熵。基于不同故障类型的各IMF分量能量熵在分布上的各异性,将其集合作为故障识别的特征向量。利用不同故障类型的特征向量组成的训练集训练HMM,计算最大对数似然概率值,用于判断测试样本的故障类型。利用该方法对一定转速下行星轮的3种故障进行识别,结果表明：当载荷不同时,它对行星轮齿根裂纹、断齿和齿面磨损3种故障的平均识别率可达到95.83%     

基于流形学习与学习矢量量化神经网络的齿轮故障诊断模型

为了提高对齿轮非平稳、非线性故障振动信号的可分性及其故障诊断的准确性,并针对其高维数据样本的特点提出一种基于流形学习与LVQ的齿轮故障诊断模型。该模型首先利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法进行齿轮故障振动信号的分解,得到一系列固有模式函数(Intrinsic Model Function,IMF)分量。接下来对含有主要故障信息的IMF分量进行特征提取和选择并构造高维观测样本,再用流形学习等距特征映射(ISOMAP)算法对初步的高维观测样本故障特征进行进一步的提取并对特征属性的数量进行压缩,在保留齿轮故障特征的整体几何结构信息的同时降低了特征数据的复杂度,增强了齿轮故障模式识别的分类性能。最后通过学习矢量量化神经网络(Learning Vector Quantization,LVQ)根据样本的特征将样本划分到一定的类别中去从而实现模式识别。通过比较实验结果来验证该模型的可行性。     

基于细化谱和隐马尔科夫模型的齿轮故障分类方法

为了快速准确地对齿轮故障作出分类,结合隐马尔科夫模型（HMM）高效的模式分类能力,提出了基于细化谱（ZOOMFFT）和隐马尔科夫模型的故障分类方法。采用时域同步平均法从复杂信号中提取目标齿轮的啮合信号作为分析对象,对其进行细化谱分析,提取基频、倍频及其边频带幅值作为特征量输入到HMM中训练和识别,再通过对比对数似然概率值来确定齿轮故障类型。试验结果表明该方法可以有效地对齿轮故障进行分类。     

基于源信号包络矩阵奇异值的机械故障诊断方法

在机械信号处理中,机械振动信号大多是调制信号,而且测量信号也多是振动源信号的混合信号。提出了基于源信号包络矩阵奇异值的机械故障诊断方法,采用机械设备的多通道传感器观测信号进行盲源分离,得到其独立振动源信号,由源信号的上、下包络信号分别组成上、下包络矩阵并奇异值分解,上、下包络矩阵的奇异值首尾相接,组成机械设备的故障特征向量,最后引入最小二乘支持向量机分类器来识别和诊断机械设备的故障类型。液压齿轮泵的故障诊断试验表明,提取的源信号包络矩阵奇异值特征向量具有良好的聚类划分特性,而且数值稳定,最小二乘支持向量机分类器也取得了较高的故障识别率,因此,该方法是有效的,可以应用于机械设备的故障诊断实践中。     

基于排列熵和CHMM的齿轮故障诊断

针对齿轮故障特征提取和状态识别困难的问题,提出一种基于排列熵和连续隐马尔可夫模型(CHMM)的齿轮故障诊断方法。首先对提取的目标齿轮啮合信号作降噪处理,再采用排列熵算法进行分析,提取排列熵均值、方均根、最大值、最小值作为特征量输入到CHMM中训练和识别,通过对比最大对数似然概率值来确定齿轮的故障。最后在变速箱齿轮故障模拟试验台上,对正常、轻微磨损、严重磨损和断齿4种齿轮状态进行试验验证,结果表明该方法能有效地对齿轮故障进行诊断。     

谱峭度和Vold-kalman阶比跟踪在风电机组齿轮箱故障诊断中的应用

针对风电机组齿轮箱在时变工况下的振动信号具有非平稳特性,提出一种谱峭度和Vold-kalman阶比跟踪(Vold-Kalman Filter Based Order Tracking,VKF-OT)相结合的故障特征提取方法。以转频和啮合频率作为VKF-OT的提取频率,获得随转速变化的阶比信号,通过阶比信号复包络直接求两种频率分量的幅值、相位,经实验分析这种方法能保留齿轮箱的瞬变信息。而后计算两种频率分量的谱峭度,以最大谱峭度对应的频率带能量与原阶比信号总能量之比作为故障特征,最后采用高斯混合模型对风电机组齿轮箱在不同工况下的150组振动信号进行特征描述,运用最大贝叶斯分类器实现故障识别。故障识别率表明该方法可有效地识别任意时变工况下的齿轮早期局部微弱故障。     

变负载下的特征提取与基于CHMM算法的齿轮故障诊断

为了对变负载工况下齿轮故障特征进行有效的提取,提出了基于ARX模型的特征提取方法,并用利用连续隐Markov模型(CHMM)对齿轮的故障进行了识别。实例分析中,对正弦性变化负载的齿轮箱进行了全寿命实验,采用基于ARX模型的方法提取特征,输入到CHMM对故障进行了准确的识别,验证了该方法的有效性。     

基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法

提出一种基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法。通过对完整齿轮、裂齿齿轮和缺齿齿轮3种齿轮工作状态的声信号进行小波分析并建立特征数据库,构建深度自编码网络与模糊推理系统相结合的诊断系统,实现了齿轮故障诊断与辨识。实验结果表明:这种基于声信号的故障诊断方法能够有效检测矿用齿轮箱的运行状况;与传统神经网络诊断方法以及奇异值分解诊断方法相比,该诊断方法对故障状态的辨识准确度分别提高了3.8%和8%。与传统基于振动信号的故障诊断方法相比,基于声信号的诊断方法对故障状态的辨识准确度无明显差别。表明深度自编码网络模糊推理系统同样适用于基于振动信号的矿用齿轮箱的故障特征提取与分析。     

基于VMD与正交局部保持投影的齿轮故障诊断

为了提高齿轮非平稳、非线性振动信号故障特征的可辨识性提出一种变分模态分解方法与正交局部保持投影的齿轮故障状态识别模型。该模型首先利用VMD对齿轮故障振动信号分解,接着对含有敏感信息的本征模态函数进行特征初步提取并构造高维观测样本,再用流形学习OLPP算法对高维观测样本特征进行压缩和二次提取,最后选用随机森林与概率神经网络算法实现模式识别。结果表明:该模型可以有效的抑制噪声对数据内在本质结构的破坏,提高了故障诊断的准确率且具有很好的泛化学习能力。     

基于改进LMD的齿轮故障特征增强方法

针对齿轮发生故障时信号的调制特点,采用相关分析对局部均值分解(Local Mean Decomposition,LMD)解调方法进行改进,并提出了基于改进LMD的故障特征增强方法。将该方法应用于实际齿轮断齿故障特征的提取,结果表明:该方法能有效地增强齿轮故障特征,其增强效果优于传统的Hilbert包络解调分析方法。