齿轮箱在线监测诊断方法研究与系统设计

研究了齿轮箱齿面缺损和齿轮偏心等典型故障的时域、频域和时频域特征,以此为依据提取了故障特征向量,应用RBF神经网络进行了齿轮箱故障识别,识别试验表明文中所研究的方法能准确识别齿轮箱故障状态。以前面研究的故障诊断方法为基础设计了基于LabVIEW的齿轮箱在线监测诊断系统,系统具有齿轮箱振动信号采集,齿轮箱振动信号时域、频域分析和时频分析,以及齿轮箱故障模式识别功能,系统已经应用于交通部救助局海洋救助船船舶动力装置监测诊断系统,作为齿轮箱监测诊断模块。     

基于混合特征提取和WNN的齿轮箱故障诊断

提出了一种基于混合特征提取和小波神经网络(WNN)的齿轮箱故障诊断方法,运用时域分析法、小波分解和小波包分解相结合的方法对齿轮箱振动信号进行故障特征提取,将所提取的特征值作为WNN分类器的特征输入参数,采用反向传播(BP)算法对WNN结构中的平移参数、尺度参数、连接权值和阈值进行调整和优化.在实验中采用不同裂纹尺寸的齿轮来模拟三种故障模式,通过对三种故障齿轮进行诊断和分类,能证明本文所提议的故障诊断方法是有效且可靠的.     

基于EEMD特征提取的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性与非线性的特点,提出将集合经验模态分解（ensemble empirical mode decomposition,EEMD）方法用于轴承信号处理.滚动轴承故障诊断的重要环节是特征提取,其直接关系到轴承故障诊断的正确率.因此,将熵知识应用到轴承特征提取步骤中,应用奇异熵与能量熵知识,提出一种峭度值与以上两种熵进行特征融合的特征提取方法,完成滚动轴承故障诊断.该方法首先对滚动轴承的振动信号进行EEMD模态分解为若干个本征模态函数（intrinsic mode function,IMF）之和,对每个含有故障特征的IMF进行奇异熵、能量熵与峭度值求取;其次,将求得的三种数据输入核主元分析（kernel principal component analysis,KPCA）中进行特征融合与特征提取;最后,将提取的特征作为支持向量机（support vector machine,SVM）的输入参数进行故障分类.试验结果表明此方法能够准确有效地识别出滚动轴承的工作状态,实现了滚动轴承故障分类的自动化.     

基于多特征提取的滚动轴承故障诊断方法

滚动轴承故障是旋转机械失效和损坏的最主要原因之一。轴承振动信号通常表现为非线性和非稳态的特征。常规的时域和频域方法不容易对轴承工作的健康状况做出准确的评估。提出了一种基于多特征提取的滚动轴承故障检测方法,首先从轴承振动信号中提取故障特征（熵特征、Holder系数特征及改进分形盒维数特征）,然后通过灰色关联理论算法自动地识别出轴承的故障类型和严重程度。该方法能够在确保检测实时性的同时,准确有效地识别不同的滚动轴承故障类型及其严重程度。     

基于阶次倒双谱分析的滚动轴承故障诊断方法

针对齿轮箱升降速过程中振动信号非平稳的特点,将常规的阶次分析与倒双谱技术相结合,提出了基于阶次倒双谱的轴承故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域采样,再对时域非平稳信号进行等角度重采样,转化为角域平稳信号,最后对角域重采样信号进行倒双谱分析,就可提取滚动轴承振动信号的故障特征.通过对滚动轴承内圈、外圈故障实验信号的分析.表明阶次倒双谱分析能有效地诊断滚动轴承故障.     

基于阶次跟踪和角域平均的齿轮裂纹故障诊断

针对齿轮箱升速过程中振动信号非平稳的特点,将常规的阶次分析与时域平均技术相结合,提出了基于阶次跟踪和角域平均的齿轮箱故障诊断方法．该方法先对齿轮箱升降速瞬态信号进行时域采样,再对时域信号进行等角度重采样,转化为角域平稳信号,然后对角域重采样信号进行角域平均分析,就可提取齿轮的故障特征．通过对齿轮齿根裂纹故障实验信号的分析,表明该方法能有效地诊断齿轮的裂纹故障．     

面向振动信号的滚动轴承故障诊断算法综述

针对机械设备在运行中滚动轴承是极易发生故障的关键部件.文中从数据预处理、故障特征提取与特征识别三方面对滚动轴承故障诊断经典算法进行梳理,论述了各种算法的主要原理、特征和应用场合.对比了基于小波阈值降噪-CEEMDAN能量熵-PSO-LSSVM和基于小波阈值降噪-GA-VMD-VNWOA-LSSVM两种故障诊断方法与经典...     

动车组齿轮箱滚动轴承变转速故障诊断方法

动车组齿轮箱滚动轴承在运行过程中处于高温重载的变转速工况,容易产生裂纹、点蚀等故障,且不易被检测出来。为及时诊断出动车组齿轮箱滚动轴承的故障,保证动车组的安全行驶,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,结合短时傅里叶变换(STFT)无干扰项与魏格纳-威尔分布(WVD)高时频分辨率的特点,提出了一种融合时频分析算法,该算法能够提高变转速信号分析时的时频矩阵精度;然后,针对动态路径规划方法无法处理归一化时频矩阵的局限性,对其进行了改进,并提取出融合时频矩阵中的转速曲线;此外,进一步提出了一种插值重采样的阶次分析方法,根据转速对采集到的原始信号进行插值重采样,在角域对信号进行重构,并得到对应的阶次谱,实现滚动轴承的故障诊断;最后,通过试验台对提出的变转速动车组故障滚动轴承诊断方法进行了验证。结果表明：本文所提出的方法在动车组转速变化的情况下,能够有效提取出滚动轴承的变转速曲线,并且准确识别出齿轮箱中滚动轴承发生的故障类型。     

基于cICA-Kurtogram的变转速齿轮故障特征提取

在变转速齿轮故障特征提取过程中,针对约束独立分量分析对源噪声免疫能力差的问题,提出一种将约束独立分量分析、计算阶次跟踪和快速谱峭度相结合的方法。根据电机瞬时转频,获得故障齿轮的瞬时啮合频率,建立矩形波参考信号;利用约束独立分量分析提取故障特征更明显的时域信号,即相应的独立分量;然后基于故障齿轮所在轴的瞬时相位,通过等角度重采样将时域相应的独立分量转换为角域平稳信号;从阶次谱中提取故障齿轮特征阶次;根据快速峭度谱选择合适的滤波器参数对角域相应的独立分量进行滤波,获得平方包络谱,以判断故障齿轮所在轴的位置。结果表明,该方法是一种适用于变转速工况下齿轮箱振动状态监测与故障诊断的有效方法。     

基于多重分形谱参数的刀具磨损状态特征提取

鉴于多重分形理论在精细刻画系统非线性现象和过程方面具有独特优势,提出了基于多重分形理论的刀具磨损状态特征提取方法.首先估计去噪后的刀具磨损声发射信号多重分形谱,验证其标度不变性和自相似性;然后在此基础上研究了刀具磨损多重分形谱参数α0、Δα和f(αmin)随磨损量变化情况,并通过散点图描述三种特征参数表征刀具磨损阶段的有效性;最后结合切削条件讨论特征f(αmin)与切削速度的关联性.研究结果表明:多重分形谱参数与磨损阶段之间具有较强的关联性,进而提出了基于多重分形谱参数进行刀具磨损状态特征提取的新方法.     

基于深度学习的机械轴承故障智能诊断

智能故障诊断对于提高智能制造的可靠性具有重要意义。基于深度学习的故障诊断方法在工业领域已经取得了很大的成功,但是不同的模型提取的特征存在一定的差异。针对数据特征提取不全面等问题,提出一种基于深度学习的融合网络模型(CLOD)。首先通过傅里叶变换对故障信号进行时频分析,得到时频谱样本,然后将样本送入经过LSTM模型和改进的CNN模型融合后的卷积网络模型(CLOD)中训练学习,最后通过更新网络参数来提高模型性能,实现轴承故障精确智能诊断。与传统方法比较,CLOD在保证准确率的基础上,极大的增加了模型的拟合速度和稳定性。     

基于信息融合的超谱图象分类方法研究

针对高数据维给超谱图象有效信息提取和分类造成的困难，引入了自适应子空间分解方法进行数据源的划分，并在此基础上进行了基于信息融合的超谱图象分类研究，在根据超谱数据本身特点获得的子窨上进行信息融合，有利于分类特征的集中和提取，实验结果表明，利用自适应子空间分解方法划分数据源是有效的，基于小波变换的特征层融合和基于意见一致性理论的决策层融合适合超谱图象的分类。     

数据驱动的GMC稀疏增强诊断方法

在机械故障诊断中,针对传统方法提取微弱故障特征时易受强背景噪声干扰而精度低的问题,提出了一种基于数据驱动的广义最小最大凹惩罚函数增强的稀疏特征提取方法。该方法利用非凸的最小最大凹惩罚函数建立无约束优化问题目标函数来提高故障特征的提取精度。该惩罚函数非凸可加强特征的稀疏性,并且证明了保持目标函数整体呈现严格凸性所需要满足的约束条件。将近端算法用于所构造的无约束优化问题的求解。此外,研究了数据驱动的正则化参数设置准则,保证所提出的稀疏特征提取方法具有参数自适应性。在仿真信号和实际故障实验中验证了所提出的自适应稀疏增强的特征提取方法,结果表明所提出的方法可以精准地提取出故障特征且效果更稀疏。     

基于HHT/PNN的故障信息融合诊断方法

为提高动态随机故障诊断能力,提出了基于HHT/PNN的故障信息融合诊断方法.利用HHT提取信号的瞬时频率和瞬时幅值特征,采用过程神经元网络实现对时域幅值、瞬时频率和瞬时幅值3种故障特征的融合诊断.对基于HHT/PNN和基于神经网络的2种故障诊断方法进行了比较.仿真结果表明:对于动态随机故障,基于HHT/PNN的故障信息融合诊断方法比基于神经网络的故障诊断方法的故障诊断准确度高.     

基于威布尔分布和支持向量机的滚动轴承故障诊断方法

提出了一种基于威布尔分布模型和支持向量机的滚动轴承故障诊断方法。首先对滚动轴承原始振动信号建立威布尔分布模型,提取其形态参数和尺度参数构建表征轴承运行状态的特征向量,然后将提取的特征向量输入支持向量机分类器进行故障诊断和识别。分别与基于小波分解和小波包分解特征提取的支持向量机诊断方法进行滚动轴承故障试验仿真比较,结果表明,基于威布尔分布模型特征提取的支持向量机诊断方法具有更高的故障识别准确率。     

基于信息融合和加权证据理论的故障诊断系统的研究与实践

为了较全面地获得设备的故障状态信息,增加故障诊断的可信度,考虑故障诊断过程中不同故障特征对特定故障的贡献率,提出了加权证据理论的多故障特征信息融合的故障诊断方法,建立了多故障特征信息融合诊断模型。经实验表明,该方法能有效提高故障诊断的准确性并且具有较好的实用性。     

基于小波变换和优化CNN的风电齿轮箱故障诊断

针对传统故障诊断方法过于依赖人为经验的缺陷,提出小波变换和二维密集连接扩张卷积神经网络(WT-ICNN)的风电齿轮箱智能故障诊断方法. 所提方法将一维振动信号通过连续小波变换(WT)转换成二维故障图像;再将二维故障图像输入ICNN中进行训练和测试. 通过齿轮箱开源数据和风场实测数据验证结果表明,与传统故障诊断方法相比,所提方法采用密集连接的结构自适应特征提取时频图,有效加强了故障特征的利用效率;在对风电齿轮箱的故障诊断中,所提方法具有更好的特征复用能力和更高的诊断精度.     

基于多重多尺度融合注意力网络的建筑物提取

针对全卷积神经网络模型在进行建筑物提取时易产生过度分割以及内部空洞的问题,提出基于多重多尺度融合注意力网络（MMFA-Net）的高分辨率遥感影像建筑物提取方法. 该方法以U-Net为主体架构,设计2个模块：多重高效通道注意力（MECA）和多尺度特征融合注意力（MFA）. MECA设计在模型跳跃连接中,通过权重配比强化有效特征信息,避免注意力向无效特征的过渡分配;采用多重特征提取,减少有效特征的损失. MFA被嵌入模型底部,结合并行连续中小尺度空洞卷积与通道注意力,获得不同的空间特征与光谱维度特征,缓解空洞卷积造成的大型建筑物像素缺失问题. MMFA-Net通过融合MECA和MFA,提高了建筑物提取结果的完整度和精确率. 将模型在WHU、Massachusetts和自绘建筑物数据集上进行验证,在定量评价方面优于其他5种对比方法,F₁分数和IoU分别达到93.33%、87.50%;85.38%、74.49%和88.46%、79.31%.     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

模拟集成电路故障诊断与参数辨识的代数方法

为实现模拟电路参数辨识和降低故障诊断成本,提出一种基于矩阵扰动理论的模拟电路故障诊断和参数辨识方法。该方法不同于基于数字信号处理（DSP）与人工智能的方法,而是从代数观点出发,以被测电路响应矩阵的本征值随被诊断器件参数的变化而变化的对应关系为基础,建立故障模型。该模型将故障检测,故障定位和参数辨识一体化处理,具有易于工程实施的优点。实验结果表明该方法的计算时间开销小,可降低测试成本,故障定位和故障参数辨识精度高,实验结果中的最大辨识误差为2.35%。