改进EMD和HMM的齿轮故障诊断方法应用

首先针对EMD算法中端点效应问题,采用镜像延拓法进行算法改进;而后提出一种相关度选取IMF方法,对分解得到的IMF进行相关分析,选出敏感IMF;进而将有效IMF能量比作为故障特征,采用HMM分类器进行故障识别以实现齿轮的故障诊断,实验结果表明了改进EMD和HMM方法的有效性。     

能量比在轴承故障评估中的应用研究

提出了一种新的用于轴承故障评估的特征提取方法,用AR模型将振动信号分离为确定性信号与随机信号,将随机信号与确定性信号的能量比作为反映轴承损伤发展过程的特征。应用该方法对凯斯西楚大学轴承预置故障试验数据和IMS中心轴承全寿命数据进行了分析。结果表明:能量比在定工况、变工况条件下较传统特征能够更为有效地反映轴承的损伤发展过程。     

基于HMM-EMD的滚动轴承故障诊断方法

针对滚动轴承早期微弱冲击性故障信号特征难以提取及诊断的问题,提出了一种基于HMM-EMD的滚动轴承故障诊断新方法。该方法首先对滚动轴承故障振动信号进行经验模态分解,将其分解为多个IMF之和,其次对分解后的信号进行能量特征提取,得到相应的故障特征,再对故障特征进行归一化处理得到故障能量特征向量,最后通过建立HMM进行故障诊断。     

齿轮箱状态识别与剩余寿命预测的MoG-BBN法

基于混合高斯输出贝叶斯信念网络模型的齿轮箱退化状态识别与剩余寿命预测新方法,应用聚类评价指标对全寿命过程退化状态数进行优化,通过计算待识别故障特征向量的概率值来确定齿轮箱退化状态,在退化状态识别的基础上,提出了剩余寿命计算方法。再利用齿轮箱全寿命实验数据对此进行验证。结果表明,该方法可以有效地识别齿轮箱故障状态并实现剩余寿命预测,平均预测正确率为96.47 %,为齿轮箱的健康管理提供参考。     

基于CDA和MoG-BBN的齿轮磨损状态识别研究

提出了基于混合高斯输出贝叶斯信念网络模型的齿轮磨损状态识别新方法,建立了变量消元算法和期望最大化算法相结合的模型推理算法,通过计算待识别磨损特征向量的概率值来确定齿轮磨损状态。针对期望最大化算法容易局部收敛的问题,对其进行了改进,使其更容易获得全局最优值。根据磨损特征之间的非线性关系这一特性,应用曲线距离分析方法对特征进行降维。最后,利用五种不同工况下的齿轮磨损实验数据对模型进行验证。结果表明,该模型可以有效地识别齿轮磨损状态,识别正确率可以达到99%,为齿轮箱的健康管理提供了科学依据。     

基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测方法研究

提出了基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测新方法,将变量消元和期望最大化算法相结合对模型进行推理,应用聚类评价指标对状态数进行优化,通过计算待识别特征向量的概率值来确定设备当前的退化状态,在退化状态识别的基础上,提出了剩余使用寿命预测方法。最后,分别应用50组轴承全寿命仿真数据和3组轴承全寿命实验数据对模型进行验证。结果表明,该模型可有效地识别设备的退化状态并对剩余使用寿命进行预测。