基于CEEMDAN能量熵和马氏距离的齿轮箱轴承故障诊断方法

针对齿轮箱轴承信号非平稳性及其故障特征难以提取的问题,提出一种自适应白噪声平均总体经验模态分解（CEEMDAN）能量熵和马氏距离相结合的故障诊断方法。首先采用CEEMDAN方法对非平稳的轴承故障信号进行分解,获得若干阶表征信号特性的固有模态函数（IMF）分量;然后计算各IMF分量的自相关函数和相关系数,以滤除信号内的噪声干扰和对故障特征不敏感的IMF分量;最后计算各敏感故障特征分量的能量熵,将其作为特征参数形成状态特征向量,并使用马氏距离判别方法对轴承的工作状态和故障类型进行诊断。通过对实测不同工况以及不同故障程度的齿轮箱轴承信号的分析,证明了所提方法的有效性。     

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CNN-SVM和特征融合的齿轮箱故障诊断

针对以数据驱动的齿轮箱故障诊断过程中存在特征提取复杂、分类器对特征存在较强的依赖性等问题,提出了一种基于卷积神经网络(CNN)和支持向量机(SVM)相结合的齿轮箱故障诊断模型。该诊断模型以多传感器采集的原始振动信号作为模型的输入,通过卷积神经网络完成特征的自适应提取,然后在特征级上将各传感器的特征进行融合,最后将融合特征输入到支持向量机进行故障的分类。经过实验证明,该模型直接以原始信号进行故障诊断的准确率能达到96.3%,且提取的特征在经过融合过后有很高的区分度;相比于基于特征工程的特征提取方法,基于特征学习的特征提取方法提取的特征对齿轮箱故障诊断更有效。     

基于多模态集成卷积神经网络的数控机床齿轮箱故障诊断

针对数控机床齿轮箱在实际工作环境中负载多变且噪声干扰大、传统神经网络难以充分提取信号中的故障特征等问题,提出一种多模态集成卷积神经网络（MECNN）用于数控机床齿轮箱故障诊断。该方法将多模态融合技术与多个卷积神经网络结合,利用快速傅里叶变换方法将时域信号转换成频域信号;利用时域信号和频域信号对2个卷积神经网络进行训练,使模型能够分别从时域和频域2个角度提取特征,再将浅层特征融合;最后,将融合后的特征输入到卷积神经网络中进行故障特征的深度挖掘,并进行故障诊断。使用东南大学的齿轮箱数据集进行验证,设计了2种特征融合的方法并进行了对比。实验结果表明：在噪声下,MECNN模型用于故障诊断的准确性和鲁棒性均优于单一的时域CNN和频域CNN。     

应用VMD和多参数融合的齿轮箱故障诊断

由于齿轮箱故障信号的非线性,以及各种噪声的影响导致故障特征难以确定,为了准确、高效地分析齿轮箱故障信号,提出了一种应用变分模态分解(VMD)和多参数融合的齿轮箱故障诊断方法。首先对齿轮箱故障信号进行变分模态分解,并与传统的经验模态分解(EMD)进行对比;同时提取各模态分量的能量百分比和信息熵作为特征值,并采用RBF神经网络进行故障诊断。实验结果表明变分模态分解能够有效避免模态混叠现象的发生,以VMD为基础的多参数融合方法能够准确、快速地实现齿轮箱的故障诊断。     

基于VMD分解与卷积神经网络的液压泵故障诊断

针对液压泵数据退化特征维数高以及故障诊断精度不高的问题,提出了一种基于变分模态分解(Variational mode decomposition,VMD)与卷积神经网络(Convolutional Neural Network,CNN)的液压泵故障诊断方法。利用VMD良好的分解能力处理高维度数据,进行数据扩展,提取详细特征;基于CNN良好的特征提取和分类性能,在不需要先验知识的情况下直接从数据中提取特征,实现高精度故障诊断。该方法因具有端到端特征学习能力,在实测液压泵数据上进行验证,具有较高的故障诊断精度和稳定性。     

CYCBD和CEEMDAN相结合的滚动轴承微小故障特征提取

针对强噪声下微小故障信号容易被噪声淹没的问题,提出基于最大二阶循环平稳盲解卷积(CYCBD)和自适应噪声完全集合经验模态分解(CEEMDAN)的轴承微小故障诊断方法.根据故障频率公式求出振动信号的故障频率,并根据故障频率设置对应的循环频率集,用CYCBD对原信号进行滤波,使信号中的周期冲击成分更加突出,从而达到提高信噪...     

完备变分模态分解和多传感器卷积神经网络的轴承故障诊断方法

针对传统滚动轴承故障诊断方法难以提取和辨识故障特征等问题,提出一种完备变分模态分解（CVMD）和工业多传感器卷积神经网络（MSCNN）相结合的轴承故障识别模型。在采集到的滚动轴承故障振动数据中加入2对符号相反但幅值相等的白噪声,并使用变分模态分解将故障振动数据分解为若干本征模态分量（IMFs）并进行集成平均;利用综合指标选择合适的IMFs分量并重构;针对多传感器结构,在卷积神经网络的基础上,提出MSCNN网络,并将重构后的振动信号输入MSCNN进行自动特征学习与故障诊断。结果表明：所提出的CVMD-MSCNN模型的故障诊断准确率达99.76%,标准差为0.16,相比于其他深度学习方法,其诊断准确率和稳定性较优。     

噪声干扰下基于二维特征图和深度残差收缩网络的齿轮箱故障诊断北大核心

针对噪声环境下一维卷积神经网络单一卷积拓扑结构难以准确诊断齿轮箱故障的难题,提出一种基于二维特征图和深度残差收缩网络(TM-DRSN)的故障诊断方法。根据采集到的齿轮箱振动信号,基于重叠采样方法获取故障数据样本,并分为训练集和测试集;基于横向插样法将一维数据样本构建成便于DRSN输入的二维特征图,在DRSN输入层构建宽卷积核层作为第一特征提取层;将残差收缩模块加入深度卷积神经网络中替换由传统卷积和池化组成的特征提取层;叠加多个残差收缩模块得到深度残差收缩网络模型;将构建的DRSN用于噪声环境下的轴承故障诊断试验。结果表明:TM-DRSN方法的故障诊断精度优于其他对比方法。     

基于SVMD和自适应MOMEDA的齿轮箱故障诊断

受背景噪声和传输路径的影响，故障信号往往被淹没，故障特征难以提取。基于此，提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法，通过SVMD前处理得到重构信号，然后以平均谱负熵为适应函数，通过人工鱼群优化算法自适应选择MOMEDA的最优参数。利用所得参数对重构信号进行MOMEDA滤波，最后进行包络谱分析，做出故障类型诊断。将所提方法应用于齿轮箱主动轮断齿故障的仿真信号和实验信号中，在包络频谱中可以清楚地分辨出小齿轮转频及其倍频， 同时所提方法相对其他方法具有更好的表现效果。