基于ANCEEMD样本熵特征提取的行星齿轮箱智能故障诊断

以行星齿轮箱为研究对象,针对经验模态分解（EMD）存在模态混叠、易出现端点效应等缺陷,导致难以很好地解决行星齿轮箱振动信号耦合及非线性特征的提取问题。本文以自适应噪声完备总体经验模态分解（ANCEEMD）为信号处理方法,引入样本熵进行特征提取,应用群智能融合算法优化的神经网络模型对行星齿轮箱故障进行识别和诊断。对于混合蛙跳算法（SFLA）与粒子群优化算法（PSO）,实施“两层优化和内外循环”的融合机制,提出SFLA-PSO融合算法。开展了行星齿轮模拟故障实验,采集了行星齿轮箱的多种故障的振动信号,进行了样本熵特征提取,应用SFLA-PSO融合算法优化了BP神经网络模型,对行星齿轮箱故障进行识别诊断。结果表明：基于ANCEEMD样本熵特征提取的SFLA-PSO-BP诊断模型较PSO-BP和BP在行星齿轮箱故障诊断中的准确率分别提高了5%、15%。     

基于PSO-FC优化KPCA的特征提取及行星齿轮磨损损伤程度识别

行星齿轮传动系统发生故障时,其信号传递中相互耦合,呈现非线性的特性,使得行星齿轮的故障类型及损伤程度难以识别。借鉴模式识别中Fisher准则(FC)判别函数,构建核函数尺度参数优化的数学模型,应用改进的粒子群优化方法对其寻优,充分改善核主元分析法(KPCA)对于非线性问题的分析性能,将其应用于行星齿轮的磨损损伤程度的识别和诊断中。实例分析结果表明,基于PSO-FC智能优化后的KPCA改善了特征空间内数据分布结构,在行星齿轮的磨损损伤程度识别中取得了较好的尺度聚类效果,可以有效地解决复杂机械传动中损伤边界模糊、损伤程度难以识别的问题。     

基于ALNAFSA优化BP神经网络的行星齿轮箱故障诊断

以行星齿轮箱为研究对象,提出了一种新型故障诊断方法。介绍了一种改进的自适应局部邻域人工鱼群算法(ALNAFSA),用该算法优化BP神经网络,避免了BP出现局部极值。对行星齿轮箱进行了实验,提取出5种工况的样本熵并构成特征向量,将其输入到ALNAFSA-BP模型中进行分类识别。与BP神经网络模型进行比较,结果表明,ALNAFSA-BP神经网络故障诊断准确率显著提高,达到95%。     

基于MEEMD与相关分析的行星齿轮箱测点优化

机械传动设备行星齿轮箱极易发生故障,为了减少行星齿轮箱故障诊断中传感器的布置数量,进而降低成本.提出了一种基于改进的集成经验模态分解(MEEMD)信息熵与相关分析相结合的行星齿轮箱测点优化方法.首先,使用MEEMD算法分解5种工况的振动测试信号.其次,用分解出的各分量与原始数据之间的相关系数筛选出包含主要故障信息的IM...     

基于SFLA-BP模型和KPCA特征提取的行星齿轮箱故障诊断

混合蛙跳算法(SFLA)是将竞争进化策略和有限度随机搜索有机结合的群智能优化算法,已应用于各种优化问题。分析混合蛙跳算法用于全局优化问题的优势,并建立了基于混合蛙跳优化BP神经网络(SFLA-BP)算法模型,进行了仿真研究。以行星齿轮箱为工程实例,分析了行星齿轮故障信号传递路径复杂,相互耦合,呈现非线性的特性。应用核主元分析(KPCA)提取了时、频域敏感的特征参数,特征属性由27维压缩到9维,并建立了结构为9-14-4的神经网络故障诊断系统。充分利用混合蛙跳算法全局搜索的优势实现了行星齿轮不同磨损程度的故障诊断。诊断结果表明:SFLA-BP模型与BP神经网络相比,整体输出误差较小,诊断的准确率提高了12. 5%,对不同损伤程度的故障可以达到准确的识别效果。     

基于特征融合与ResNet的行星齿轮箱故障诊断

针对行星齿轮箱振动信号相互耦合和故障诊断不准确等问题,提出一种基于特征融合与深度残差网络(ResNet)的行星齿轮箱故障诊断方法。首先,对采集到的行星轮裂纹、磨损,太阳轮断齿及复合故障等模拟故障振动信号应用多维集成经验模态分解(MEEMD)和VMD进行分解,分别筛选确定有效分量。然后,将筛选出的有效特征进行融合,分别应用传统卷积神经网络(CNN)和深度残差网络对其进行分类识别。结果发现,深度残差网络,分类准确度更高,可达95%以上。最后,应用深度残差对特征融合前后数据的分类准确度进行了比较。融合前准确度最高只达91.16%,低于融合的97.18%。可见,该方法对行星齿轮箱耦合振动信号的处理和故障诊断非常有效。