局域波互信息降噪在齿轮箱故障诊断中的应用

针对局域波分解后去除含噪分量与虚假分量的随意性和盲目性,提出了局域波互信息降噪方法。首先用局域波对信号进行分解,计算各IMF分量与原信号的互信息,再选取互信息值高的分量进行自相关分析去除噪声成分,并用有效分量对信号进行重构。为了验证该方法的有效性,运用仿真信号进行分析,并将其应用于齿轮箱故障诊断中。对局域波互信息降噪后的齿轮箱振动信号进行小波变换,并提取小波奇异谱熵作为故障特征量进行故障识别。将结果与未进行降噪处理的识别结果相对比,证明了局域波互信息降噪在工程实践中的实用性。     

粗糙集理论和神经网络在柴油机故障诊断中的应用

将粗糙集理论与人工神经网络相结合,主要研究柴油机故障特征的提取与优化等问题,目的在于优化、缩减神经网络的输入向量,缩短网络的训练和执行时间,最终实现提高诊断的准确率与效率。     

基于CWT和CooAtten-Resnet的弧齿锥齿轮箱故障诊断方法研究

提出一种基于连续小波变换(CWT)和坐标注意机制残差网络(CooAtten-Resnet)的弧齿锥齿轮箱智能故障诊断方法。首先将振动信号重叠采样获得大量信号样本，将这些样本通过连续小波变换将振动信号转化为时频图，并以此构建不同故障下的时频数据集，同时通过人为添加噪声样本以验证噪声对此类诊断方法的影响；然后将时频图数据集用于CooAtten-Resnet训练；最后对故障进行分类并输出诊断结果。结果表明，该方法可以准确的识别弧齿锥齿轮箱故障，无人为添加噪声的情况诊断准确率可达100%,添加噪声后在无降噪处理的情况下准确率仍在93%以上。相较于其他方法，该方法的准确率更高，抗噪能力更强，网络收敛速度更快，诊断结果更稳定。