基于盲源分离的齿轮箱故障诊断

主要研究了基于最大信噪比的盲源分离算法,针对4组信号的混合信号进行了分离仿真实验,得到了较好的分离效果,并将其应用于齿轮箱的振动信号分离。对多组振动信号分析结果表明,该算法对混合信号具有很强地分离能力,为机械设备的故障诊断提供了一种有力的信号预处理方法。     

基于FastICA的旋转机械故障特征盲源分离方法研究

在快速独立分量分析基础上,提出了一种基于改进牛顿迭代法的独立分量分析算法,利用所建立的方法进行振动信号盲源分离的数值仿真,并对具有故障的实际转子进行多传感器信号采集并进行盲分离。仿真实验及实验室实测振动信号的分离结果证明该方法是有效的,可作为旋转机械故障诊断的信号预处理方法。     

基于LCD和倒频谱齿轮箱故障诊断

根据齿轮箱振动信号非平稳、非线性的特点,采用局部特征尺度分解方法和倒频谱方法相结合的方式对齿轮箱故障进行诊断。采用局部特征尺度分解方法将齿轮箱断齿实验数据分解成一系列的内禀尺度分量,并对内禀尺度分量进行相关分析,去除虚假分量;将得到的内禀尺度分量进行倒频谱分析,提取出齿轮箱故障信息。仿真分析和实验分析结果表明,该方法对齿轮箱故障诊断有很好的效果。     

基于WT特征增强的cICA带式输送机齿轮箱故障诊断

约束独立分量分析对于测量信号中的传感器噪声(测量噪声)具有很强的免疫能力,但对源噪声的免疫性却很差。针对这个问题,提出了小波变换特征增强的约束独立分量分析的齿轮箱故障特征提取方法。通过对测量信号小波分解,有针对性地选择某子频段小波系数重构,有利于提高信噪比,增强信号的统计独立性和非高斯性,从而增强约束独立分量分析方法提取齿轮故障特征的效果;而未经小波变换除噪时,约束独立分量分析的效果不佳。通过仿真分析和在矿用带式输送机齿轮箱故障诊断的应用结果综合表明,该方法能有效降低源噪声的影响,准确提取出齿轮故障特征,尤其是微弱低频故障特征。为矿用齿轮箱多通道振动状态监测与故障诊断提供了一种新的有效手段和途径。     

基于小波去噪和EMD的齿轮箱故障诊断研究

提出小波去噪和EMD相结合的齿轮箱故障诊断的新方法。该方法首先对原始信号进行小波阈值去噪,将去噪信号利用EMD方法分解为多个IMF分量,计算各IMF分量和原信号的互相关系数,选择互相关系数较大的IMF分量进行Hilbert包络谱分析,提取故障频率。以互相关准则提取IMF分量避免了IMF分量选择的盲目性。对实测齿轮箱故障信号进行了分析,结果表明该方法能够有效地识别齿轮箱故障频率。     

BSS和SVM在齿轮箱智能故障诊断中的应用

齿轮箱振动信号中蕴藏着齿轮箱运行状态的所有信息。阐述了盲源分离(BSS)的基本模型及其算法,模拟了变速箱的4种常见故障,对实验室中获得的振动信号进行BSS预处理,提取小波包能量向量之后应用支持向量机算法进行智能故障分类,故障识别率达到85%以上。     

BSS和SVM在齿轮箱智能故障诊断中的应用

齿轮箱振动信号中蕴藏着齿轮箱运行状态的所有信息。阐述了盲源分离(BSS)的基本模型及其算法,模拟了变速箱的4种常见故障,对实验室中获得的振动信号进行BSS预处理,提取小波包能量向量之后应用支持向量机算法进行智能故障分类,故障识别率达到85%以上。     

基于FASTICA与PNN的齿轮箱故障诊断研究

机械设备运行中得到的诊断信息往往存在信噪比低、信号混叠等问题,严重影响提取真实的故障信号特征,降低了诊断准确率。针对上述问题,提出一种新的基于快速独立分量分析与概率神经网络的设备故障诊断方法,FASTICA对振动信号降噪处理后提取特征,PNN实现故障识别。通过算法仿真以及LMS齿轮箱实验证明,该融合算法处理后的动态故障诊断能力和诊断精度都明显提高。     

基于Hilbert-Huang变换的齿轮箱故障诊断

针对齿轮箱故障振动信号的非平稳特征,提出一种基于Hilbert-Huang变换的齿轮箱故障诊断方法。使用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,再对IMF分量进行FFT变换,实现在频域的分析,得到故障特征信号。依据IMF分量的频谱图和时域信号的边际谱图,判别齿轮箱的故障类型。实验证明是一种有效地处理齿轮箱故障诊断方法。     

基于SOM网络的带式输送机齿轮箱混合故障诊断研究

针对带式输送机齿轮箱故障信号成分复杂、故障识别难的问题,提出了基于自组织映射(SOM)网络的故障诊断方法。首先使用融入Shannon熵的小波降噪方法对齿轮箱振动信号进行预处理;然后利用齿轮箱不同状态的信号通过高斯混合分布模型对其参数使用最大期望算法进行估计,获得反映不同运行状态的特征向量;最后使用SOM网络对齿轮箱不同工况振动信号的特征进行分类识别,进而诊断出相应故障。结果表明:该方法可以有效地识别齿轮箱混合故障,总识别正确率达90%,其中有6种工况的识别正确率达100%。     

基于支持向量机的异步电机转子故障诊断

根据异步电机发生故障时振动信号的特点,提出了一种基于小波包分解和支持向量机相结合的异步电机转子故障诊断方法。通过采用快速ICA算法对振动信号进行多通道数据融合,然后进行3层小波包分解,得到各分解节点对应频带的重构信号以及对应的能量,并将各频带的能量元素组成的特征向量作为诊断模型的特征向量,输入到LS-SVM分类器中进行故障识别和分类。诊断结果表明:采用ICA-SVM模型具有较高的分类速度和很好的故障识别率。     

机械耦合振动响应双谱解卷积识别方法

在机械故障诊断中,从被监测机器测得的振动信号除噪声干扰外,还常混叠有其他机器振动。分析了振源卷积混叠机理,提出了一种双谱解卷积方法,并从盲源分离和波形恢复的角度对新方法的实用背景进行了概括。实验结果证明了所提方法的可行性和可靠性。     

机械故障振动信号特征分离和提取的信号处理方法

在机械故障的振动信号分析诊断中,故障特征信号的分离和提取是最重要和最关键的步骤之一。针对机械故障振动信号特征周期性和冲击衰减响应特点,论述了自适应滤波、时频滤波、自适应信号分解和信号盲分离等方法,并展望这些方法的发展方向。     

含噪超完备独立分量分析在综放煤岩识别中的应用

根据放顶煤时产生的声波种类、数量和环境特点，将含噪的超完备独立分量分析（overcomplete ICA）方法应用于放顶煤过程中产生的煤岩混合声波信号的分离。仿真结果表明，在欠定盲源分离情况下，通过此方法可以较完整地辨认出各盲源信号。通过各盲源信号的有效分离，便可确定顶煤中煤和矸石的比例，实现煤岩界面的识别。     

小波变换在齿轮故障诊断中的应用

在分析小波变换理论和齿轮振动信号特点的基础上,提出用小波分析法提取齿轮故障特征。齿轮振动信号具有非平稳性,并且受各种噪声干扰,小波分析法具有处理非平稳信号的突出优点。在MATLAB环境中,建立了齿轮振动仿真信号,采用小波函数对受噪声污染的信号进行软阖值消噪处理,通过功率谱分析提取特征频率。仿真表明,该方法可有效抑制噪声,提取特征频率,从而为齿轮故障诊断提供依据。     

基于小波能量谱旋转机械振动信号的故障特征提取

旋转机械故障诊断的关键问题在于对振动故障信号的特征提取。利用小波能量谱分析方法能够发现不同分解层中的振动信号特征并分析出故障原因。基于小波能量谱方法能准确提取旋转机械的故障特征,尤其是对微弱故障信号,为正确判断故障提供了依据。实验验证了该方法在提取旋转机械振动故障信号方面的有效性和准确性。     

基于HHT的旋转机械转子振动故障诊断的方法研究

旋转机械运转时会产生振动。对振动情况的分析能够把握机械的运转情况。振动信号处理是对旋转机械振动信号分析的重要手段。希尔伯特黄变换越来越得到人们的重视。该方法是一种时频分析方法。相对于其他方法,该方法能够更好地处理非线性非平稳信号,具有较高的时域分辨率和频域分辨率。将该方法应用于旋转机械的故障诊断中,并与其他方法做对比。     

煤岩体振动破坏试验及微震信号特征

通过所搭建的大型振动试验装置和微震监测系统,探究不同激励加速度和频率条件下整体煤岩试件的振动破坏特性。利用希尔伯特-黄变换(HHT)对煤岩体受迫振动过程中的监测信号进行了模态分离和信号重构,并结合振动力学知识着重阐释了共振放大效应产生的机理。研究结果表明：微震传感器监测信号具有明显的载波特征;当激励加速度峰值达到一定水平(0.5g)时,煤岩试件出现有效微震信号,首次破裂发生在煤层中,信号随传播距离的增大而衰减;随着裂隙的产生和扩展,煤岩试件自振频率降低,当激励频率等于煤体自振频率时,试件会产生共振放大效应,微震信号明显增强;激励加速度和激励频率对微震信号均有影响,激励加速度峰值越大、激励频率越接近自振频率,则微震信号越密集、幅值越大,且出现了优势频段向低频转移的趋势;理论分析解释了上述现象产生的原因。