广义平滑对数正则化稀疏分解方法研究及其在齿轮箱复合故障诊断中的应用

齿轮箱由于其工况复杂、工作环境恶劣,极易发生故障,并且振动信号中往往包含多种成分并且伴随着强烈的背景噪声,给齿轮箱故障诊断带来了很大的困难。稀疏分解方法能够在强背景噪声下有效地提取瞬态特征成分,针对传统稀疏分解方法存在的计算效率低,幅值低估以及估计精度不足等问题,提出了一种基于调Q小波变换(Tunable Q-factor wavelet transform,TQWT)作为稀疏表示字典的广义平滑对数正则化稀疏分解方法。该方法研究了满足紧框架条件的TQWT来构建稀疏表示字典,然后基于Moreau包络平滑思想提出广义平滑对数正则化方法,该罚函数可以在保持幅值的基础上精确重构出齿轮箱故障瞬态成分,最后利用前向后项分裂(Forward-backward splitting,FBS)算法精确求解该稀疏表示模型。仿真信号和试验信号验证了所提方法在齿轮箱复合故障诊断中的有效性。     

基于自适应优化品质因子的共振稀疏分解方法及其在行星齿轮箱复合故障诊断中的应用

在共振稀疏分解方法中,品质因子决定其共振属性,其值的选择对共振稀疏分解结果有着很大的影响。现有的共振稀疏分解方法主要是依靠人为选择品质因子,带有较大的主观随意性,对最终诊断结果的提升非常有限。为此,基于遗传算法的全局优化性能,提出一种自适应优化品质因子的共振稀疏分解新方法。与已有方法相比,该方法利用遗传算法优良的寻优性能,优化共振稀疏分解中的品质因子,自适应地得到与输入信号故障特征相匹配的高低共振分量的品质因子。将所提出的新方法应用于某行星增速齿轮箱中行星齿轮与行星架轴承的复合故障诊断中,有效地提取出振动信号中相应的故障特征,实现了早期复合故障的准确诊断,表明了该方法的有效性和实用性。     

ASTFA-BSS方法及其在齿轮箱复合故障诊断中的应用

自适应最稀疏时频分析（adaptive and sparsest time-frequency analysis,ASTFA）方法以分解得到的单分量个数最少为优化目标,以单分量的瞬时频率具有物理意义为约束条件,使得到的分量更加合理;结合盲源分离,提出了一种基于ASTFA的盲源分离方法并应用于齿轮箱复合故障诊断中。该方法首先利用ASTFA将单通道源信号进行分解,然后利用占优特征值法进行源数估计,根据源数重组观测信号,最后对观测信号进行盲源分离得到源信号的估计。实验结果表明,该方法可以有效地对齿轮箱复合故障信号进行分离进而实现齿轮箱的复合故障诊断。     

多尺度复合稀疏的齿轮箱复合故障诊断研究

现代机械设备传动系统中轴承和齿轮容易发生局部疲劳故障,单一部件典型故障引起的载荷波动极易造成其他部件继发性疲劳故障,使机械传动系统呈现多部件复合故障状态。针对齿轮箱传动系统中轴承和齿轮复合故障诊断问题,提出了基于多尺度卷积核匹配复合正则化的卷积稀疏编码（multiscalecompoundregularized convolutional sparse coding,简称MCRCSC）分离诊断算法。首先,根据齿轮箱轴承和齿轮典型复合故障所呈现出的稀疏性与尺度特性进行了模型假设;其次,依据不同故障的信号尺度特性与分布特点提出了多尺度卷积核与复合正则化约束的概念,并建立了多成分卷积分离模型;最后,通过交替方向乘子（alternating direction method of multipliers,简称ADMM）优化架构将频域转化后的优化方程分解为子问题进行交替求解,对分离卷积重构后的故障信号进行谱分析得到对应典型故障频率分布。实际齿轮箱故障模拟实验表明,所提算法在随机噪声和谐波干扰下仍具有优良故障分离诊断能力。     

基于低秩稀疏分解算法的铣床齿轮箱故障诊断

铣床齿轮箱的安全运行对保证机械设备的效率具有重要的作用,其故障诊断复杂难控。传统形式算法只是从原始振动信号中进行字典原子学习,并未从本质层面分析特征信息物理结构特性。采用低秩稀疏分解算法,并进行BCD求解对齿轮箱故障诊断开展分析。研究结果表明：特征信号已淹没到了噪声中,能够对等间隔冲击特征进行准确识别,并使特征信号信噪比由-9.152增大为4.716。表明采用稀疏低秩算法能够滤除噪声干扰,从而高效识别瞬态冲击成分。经过3次迭代后特征信号发生了奇异值快速衰减现象,具有明显稀疏特性。低秩稀疏分解信号形成的包络谱,已经实现了所有干扰频率成分以及噪声成分的滤除效果,采用低秩稀疏分解算法能够实现齿轮箱局部故障的准确诊断。     

广义变分模态分解及其在齿轮箱复合故障诊断中的应用

针对变分模态分解在实际应用过程中需要根据先验知识确定惩罚函数和分量分解个数这一缺陷,提出了一种改进方法,即广义变分模态分解方法。该方法减少了人为因素对分解结果造成的主观影响,将信号分解转化为非递归、变分模态分解方式,能够有效分离频率成分相近的谐波分量,且对信噪比较小的信号有着良好的鲁棒性。将该方法应用于齿轮箱复合故障诊断中,仿真和实验的结果验证了该方法的有效性。     

变分模态分解方法滤波特性及其在 齿轮箱故障检测中的应用

针对新近的时频分析工具变分模态分解在故障诊断中合理运用的问题,通过产生不同分数高斯噪声的方式对变分模态分解等效滤波特性及不同参数对其的影响进行了研究,提出了基于频谱包络的K值确认方法和中心频率初始化方式。首先检测了信号的频谱极大值,插值构建了频谱包络,将频谱包络中极大值的个数作为K值的估计值,将极大值的对应频率值进行归一化之后,作为初始化中心频率代入变分模态分解的计算之中,采用汽车座椅水平驱动器齿轮箱的振动信号进行了测试。研究结果表明:基于频谱包络的K值确认方式,有效减少了变分模态分解方法计算中心频率时的更新次数,提高了VMD的计算效率。     

蚁群优化算法在齿轮箱故障诊断中的应用

在研究蚁群优化神经网络训练算法的基础上,训练BP神经网络使网络的收敛速度大大提高,避免陷入局部最优解;根据振动实验室2级传动箱实测数据,分析研究信号以及提取信号特征值,应用训练后的BP神经网络诊断齿轮箱的故障,实验表明效果良好,是解决故障诊断问题的主要途径。     

优化VMD与CNN在齿轮箱故障诊断应用研究

针对齿轮箱的故障诊断的优化问题,提出了一种基于参数优化的变分模态分解（VMD）与卷积神经网络（CNN）相融合的故障诊断方法。该算法首先通过鲸鱼优化算法对VMD算法进行优化,之后通过正交实验法与粒子群优化算法进行了CNN模型中的重要参数进行优化,最后将分解后得到的固有模态分量输入CNN模型中进行训练学习。诊断完成后得到训练与检测结果,其中经过算法优化后CNN模型的训练与检测准确率可达98.7%与95.7%,优于未优化的准确率94.3%与91.8%。通过对结果的分析验证出该算法的可行性以及在诊断成功率方面的优越性,实现了故障特征信息的自适应性提取,并将故障类型进行分类,最终实现齿轮箱故障诊断的智能化。     

基于LCD的齿轮箱混合故障盲源分离研究

盲源分离是一种有效的混合故障诊断方法,而局部特征尺度分解（LCD）是非平稳信号的有效分析处理工具,综合两者的优点,提出了基于LCD的齿轮箱混合故障盲源分离方法。将源信号LCD分解,得到新的多维信号,采用Bayesian信息准则（BIC）估计盲源的数目并对多维信号进行重组。最后进行联合近似对角化处理,实现源信号的盲分离。仿真和实验结果表明,该方法能够有效地实现齿轮箱混合故障盲源分离。     

基于自适应模糊神经网络推理系统的齿轮箱故障诊断方法

研究利用从机械控制过程中获得的运行参数开发一种齿轮箱监测方法,而非振动与声音的传统测量方法。为了检测齿轮箱状态,采用一种自适应模糊神经推理系统来获取电机电流和控制参数之间的非线性相关性。比较自适应模糊神经推理系统模型产生的预测值和实测值来预测齿轮箱异常状态。试验结果表明,自适应模糊神经推理系统模型能够作为齿轮箱状态监测与故障检测的一种有效工具。     

基于自适应时变滤波阶比跟踪的齿轮箱故障诊断

针对多输入多输出齿轮箱传动系统和齿轮箱集群的振动信号中各啮合频率阶次相互干扰,从而导致故障诊断困难的问题,研究提出一种基于自适应时变滤波阶比跟踪的齿轮箱故障诊断方法。该方法利用基于多尺度线调频基稀疏信号分解提取各对传动齿轮的啮合频率,以各啮合频率为中心频率,对应转频的倍频为滤波带宽分别设计自适应时变滤波器对信号进行滤波,逐个提取振动信号中的啮合频率调制分量,再分别对提取的啮合频率调制分量单独进行阶比分析,有效地抑制其他无关联轴上齿轮啮合振动信号和其他非阶比噪声信号对阶比谱的影响,较好地解决阶比信号相互干扰的问题,提高阶比谱的调制识别效果,为多输入多输出齿轮箱系统和齿轮箱集群的故障诊断提供一条有效途径。仿真算例和应用实例说明方法的有效性。     

风电机组齿轮箱故障分类方法研究

风电机组齿轮箱的运行工况复杂多变,很难获取大量的所有已知故障的样本数据,为了能够实现在无已知样本数据条件下的故障分类,提出了一种基于ART2神经网络和C-均值聚类算法的风电机组齿轮箱故障分类方法。首先利用ART2无监督神经网络实现样本数据的初步分类,再利用C-均值聚类算法对分类结果进行修正,克服了由于原始神经网络算法存在"硬竞争"导致分类精度下降的问题。分析结果表明提出的方法具有更高的分类准确度,能够对健康和不同故障类型的风电机组齿轮箱进行准确分类识别。     

基于参数优化VMD的齿轮箱故障特征提取方法

为解决齿轮箱故障振动信号信噪比低、故障特征提取难的问题,提出了基于参数优化变分模态分解(VMD)的齿轮箱故障特征提取方法。首先,以分解结果的局部极小包络熵最小为目标,利用果蝇算法搜寻VMD分解参数K和α的最优组合;将原始信号分解成若干IMF分量,从中选择包络熵较小的分量进行信号重构,并对重构信号进行包络解调运算,从重构信号的包络谱中提取故障频率特征。结果表明,利用此方法对实测信号进行处理,成功降噪、提取齿轮箱故障特征,并且比利用经验模态分解方法降噪效果更好,提取的故障特征更加明显。     

频谱分析法在齿轮箱故障诊断中的应用

基于齿轮箱振动及调制边频带形成机理的分析，提出用谱平均及倒频谱分析相结合的方法，对监测系统的输出信号进行频域分析，诊断齿轮箱故障，并分析其产生原因。实例及分析结果验证了该方法可迅速、准确地对齿轮箱进行故障诊断。     

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.     

基于多尺度线调频基稀疏信号分解的轴承故障诊断

在线调频小波路径追踪算法和稀疏信号分解的基础上,提出一种基于多尺度线调频基的稀疏信号分解方法,并将其应用于非平稳转速下的轴承故障诊断。基于多尺度线调频基的稀疏信号分解方法,根据信号的特点,自适应地选择多尺度的线调频基函数对信号进行投影分解。由于基函数库多尺度特性,使得该方法比以往采用单一尺度库函数的稀疏信号分解方法更适用于分解频率呈曲线变化的非平稳信号。在非恒定转速下,当轴承出现故障时,振动信号中与故障对应的特征频率将会随转速变化而波动,采用基于多尺度线调频基的稀疏信号分解方法能准确获得非平稳转速下轴承故障特征频率随时间的变化情况,进而对其状态和故障特征进行识别,仿真算例和应用实例说明了此方法的有效性。