嵌入式传感器的齿轮裂纹故障诊断

针对传统的齿轮箱体振动信号的故障诊断,提出了一种新的测试方法,即把传感器直接安装在齿轮箱体内的齿轮体上,缩短了振动信号的传递路径,有效降低了振动信号在传递过程中幅值衰减,能诊断出齿轮传动系统的早期故障。为验证该方法的有效性,对齿根2 mm裂纹的故障齿轮传动系统进行了动力学仿真和实验验证,结果发现从齿轮体上的振动信号中能成功诊断出齿轮裂纹的早期故障,而箱体上的振动信号则不能体现故障特征。这充分说明了振动信号在经过复杂的传递路径后导致幅值衰减和频率成分丢失,微弱的故障信息被削弱。这为齿轮箱的早期微弱故障的诊断提供了一种有效的方法。     

基于三维模型的传动滚筒参数化程序设计

利用Pro/Toolkit的强大功能建立了传动滚筒的参数化设计CAD系统。该系统通过访问零件族表来达到快速建立各种型号传动滚筒三维模型的目的,并为设计合理的滚筒提供了有限元分析模型。     

自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

基于二次迁移学习和EfficientNetV2的滚动轴承故障诊断

针对工程实际故障诊断环境下，可用数据稀缺，导致智能诊断模型对轴承健康状态识别精度较低这一问题，提出一种基于二次迁移学习和EfficientNetV2(Two-Step Transfer of EfficientNetV2,TSTE)的滚动轴承故障诊断新方法。首先，将模型在轴承全寿命周期数据集中训练，之后冻结模型浅层权重，将其在多工况轴承数据集中训练，进行第一次迁移学习。其次，通过构造类不平衡数据集，研究实际故障环境下可用数据稀缺对故障诊断性能的影响。然后，基于合成少数类过采样技术（Synthetic Minority Oversampling Technique,SMOTE）过采样方法与编辑最近邻（Edited Nearest Neighbors,ENN）欠采样方法对故障数据进行扩充，使类不平衡数据集重构为类平衡数据集。最后，将模型在类平衡数据集中训练，冻结模型底层权重，训练模型深层，进行第二次迁移学习，使模型掌握平衡数据集故障特征。通过多种指标进行实验评估，同时与其他方法进行对比，并使用GradCAM方法进行了特征可视化。结果表明，所提方法能够将模型在实验室环境下积累的故障诊断知识应...     

基于G-YOLO网络的滚动轴承故障诊断方法

滚动轴承是旋转机械设备中非常重要的零部件，将深度学习在目标检测和图像分类领域内的优势用于轴承故障诊断，提出G-YOLO智能诊断模型。首先利用格拉姆角场将轴承的时域振动信号转化为特征图像，其次将特征图像输入到G-YOLO智能诊断模型中，通过研究转化参数、网络结构、模型参数等得到最优结果。为了验证模型的优越性，采用西储大学轴承数据集中几组对应不同直径的具有同一类故障轴承的数据进行试验，同时引入目标检测领域内精确率、召回率、F1分数、均值平均精度4种指标对G-YOLO模型诊断结果进行评估，平均精确率达95.36%，召回率达到96%，证明了该方法的有效性与可行性。     

基于图卷积网络的滚动轴承智能故障诊断

基于非欧几里德空间的数据包含着数据点以及数据点之间的关系信息，而基于深度学习模型的故障诊断方法通常忽略了数据点之间的关系信息。对此，通过结合可视图算法和图卷积网络，将基于非欧几里德空间的不规则数据应用到轴承故障诊断领域。首先，将原始信号利用可视图算法转换为图数据，以图数据显示时域特征，极大丰富了输入信息；其次，利用构建的图卷积网络对故障特征进行学习，以达到故障诊断的目的。实验结果表明，图卷积网络在单一轴承故障分类任务上能够达到97%以上的准确率，这表明利用可视图算法提取的关系信息对轴承故障的识别具有重要作用。