局部均值分解和排列熵在行星齿轮箱故障诊断中的应用EI北大核心CSCD

目前行星齿轮箱已经在军用和民用装备中广泛应用,研究行星齿轮箱的故障诊断方法意义重大。针对行星齿轮箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,提出一种结合局部均值分解和排列熵的行星齿轮箱故障诊断方法。利用局部均值分解方法将不同状态下的振动信号分解为多个乘积函数分量,针对包含有故障信息的分量进行排列熵计算,以此判断故障类型。最后通过采集行星齿轮箱故障模拟试验台三种状态(齿轮正常、太阳轮裂纹故障及行星轮裂纹故障)的振动信号,对其进行局部均值分解和排列熵计算,验证了此方法的有效性。     

局部均值分解和排列熵在行星齿轮箱故障诊断中的应用

目前行星齿轮箱已经在军用和民用装备中广泛应用,研究行星齿轮箱的故障诊断方法意义重大。针对行星齿轮箱在运行时产生的非线性非平稳振动,且故障特征信号微弱等问题,提出一种结合局部均值分解和排列熵的行星齿轮箱故障诊断方法。利用局部均值分解方法将不同状态下的振动信号分解为多个乘积函数分量,针对包含有故障信息的分量进行排列熵计算,以此判断故障类型。最后通过采集行星齿轮箱故障模拟试验台三种状态(齿轮正常、太阳轮裂纹故障及行星轮裂纹故障)的振动信号,对其进行局部均值分解和排列熵计算,验证了此方法的有效性。     

基于局部切空间排列与MSVM的齿轮箱故障诊断

针对齿轮箱故障特征重叠难以有效分离问题,提出基于局部切空间排列与多核支持向量机的齿轮箱故障诊断模型。在由振动信号时域统计指标及内禀模态分量能量构造的多元特征空间中,据局部切空间排列算法对多元特征进行非线性降维处理,得到初始低维流形结构,获取最优敏感特征向量;将该特征向量输入至多核支持向量机进行学习训练与故障辨识。局部切空间排列能克服传统降维方法的不足,多核支持向量机可实现复杂故障高精度、自动化智能诊断。通过齿轮箱故障模拟实验验证该方法的有效性。     

基于Hilbert振动分解和高阶能量算子的行星齿轮箱故障诊断研究

行星齿轮箱广泛应用于各种机械设备中,其故障诊断问题是近年来的研究热点之一。提出了基于Hilbert振动分解和高阶微分能量算子的故障诊断方法。Hilbert振动分解计算复杂性低,能够将复杂信号分解为单分量,应用该方法对信号进行分解,满足高阶微分能量算子的要求。高阶微分能量算子的时间分辨率高,对信号的瞬态变化具有良好的自适应性,应用该方法检测故障引起的瞬态冲击,估计信号的幅值包络和瞬时频率。对高阶微分能量算子输出以及幅值包络和瞬时频率进行Fourier变换,通过频谱识别特征频率,从而诊断行星齿轮箱故障。分析了行星齿轮箱的仿真信号和实验信号,准确地诊断了太阳轮、行星轮和齿圈的故障,验证了该方法的有效性。     

基于自适应奇异值分解的行星齿轮箱故障诊断方法

行星齿轮箱振动信号中的故障特征通常淹没在噪声信号中,因此有必要研究如何提取这些微弱故障特征。针对传统奇异值分解特征提取方法中不能自动选择有效奇异值数目的问题,提出了一种基于自适应奇异值分解的行星齿轮箱故障诊断方法。首先根据一定的条件,通过该方法选择几个不同的有效奇异值数目并得到几组不同的重构信号;再根据这些重构信号的偏态绝对值,自动选择最佳的重构信号;最后进行包络分析,得到故障信号的包络谱。仿真和实验对比结果表明,此方法相比于传统的奇异值分解特征提取方法,能够更好地在消除噪声和提取行星齿轮箱振动信号中的微弱故障特征。     

基于阶次分析技术的行星齿轮箱非平稳振动信号分析

行星齿轮箱启动、停止和负载发生变化时,转速会发生变化并使得行星齿轮箱的振动信号具有明显的非平稳特性。行星齿轮箱复杂的结构特征导致了振动信号的复杂性,使得常规的频谱和解调分析方法难以识别时变工况下的行星齿轮箱故障特征频率。本文在行星齿轮箱故障特征频率的基础上,考虑转速变化特征,总结了行星齿轮箱太阳轮、行星轮及齿圈的故障阶次特征表。通过对行星齿轮箱变转速工况下太阳轮故障实验信号的阶次分析,实现了变转速情况下行星齿轮箱太阳轮故障诊断,并与传统的频域信号分析方法比较,体现了阶次分析技术在行星齿轮箱变工况故障诊断过程中的优势。     

基于变分模式分解的行星齿轮箱齿轮组合故障频率解调分析

行星齿轮箱组合故障振动信号具有多源调制特点,在频域内边带结构复杂,通过常规Fourier频谱分析难以有效提取故障特征;组合故障振动信号的调频部分包含故障信息,且不受传递路径影响。为了准确提取行星齿轮箱组合故障特征,提出基于变分模式分解的频率解调分析方法。根据采样频率和载波频率确定单分量个数,通过变分模式分解将多分量信号自适应地分解为一系列本质模式函数;计算本质模式函数的瞬时频率,根据中心频率和啮合频率的匹配关系选取敏感单分量;通过分析敏感单分量瞬时频率频谱诊断组合故障。通过仿真信号和实验信号分析验证了方法的有效性,诊断了太阳轮与行星轮、太阳轮与齿圈、行星轮与齿圈的组合故障。     

基于ICEEMDAN方法和频率解调的行星齿轮箱故障电流信号特征分析

为了从电流信号中准确地提取行星齿轮箱故障特征,提出了基于改进自适应噪声完备集合经验模式分解和频率解调分析的故障诊断方法。通过改进自适应噪声完备集合经验模式分解将感应电机电流信号自适应地分解为一系列本质模式函数;根据故障频率调制供电频率的特性,以瞬时频率最接近供电频率为优选原则,优选出含有故障信息的本质模式函数作为敏感分量;并对敏感分量进行频率解调,通过频率解调谱诊断行星齿轮箱故障。齿轮箱试验分别采集太阳轮、行星轮以及齿圈三种局部故障状态的电机电流信号;信号分析结果表明该方法不仅可以减小定子电流噪声的影响,而且可以有效地提取复杂信号中的故障特征频率。     

幅值和相位解调的行星架裂纹故障特征提取

在介绍行星架裂纹故障对行星齿轮箱振动信号影响的基础上,结合同步平均、振动分离和窄带解调技术,提出一种基于幅值、相位解调的行星架裂纹故障特征提取方法。该方法对原始振动信号进行角域同步平均,消除转速波动、行星轮等其他旋转部件的影响;通过振动分离技术重构信号,并对重构信号进行同步平均得到行星架振动分离信号;通过窄带解调获得行星架的幅值和相位特征。通过观察幅值和相位的变化,提取行星架裂纹故障特征。行星齿轮箱故障实测信号分析结果表明该方法可有效提取行星架裂纹故障特征。     

基于窄带解调的行星齿轮箱故障特征提取

行星齿轮箱由于振动传递路径的时变性导致行星齿轮箱振动信号频谱具有复杂的调制边带,其包含了齿轮的故障信息。结合行星齿轮箱振动分离信号的同步平均和窄带解调法,提出了针对行星齿轮箱的窄带解调方法。对行星齿轮箱振动信号加窗截取,根据行星齿轮箱齿轮啮合齿序特征,将加窗截取信号拼接重构单个齿轮的振动分离信号,克服传递路径时变性的影响;对振动分离信号进行时域同步平均,提高信噪比;最后,对平均后的信号进行窄带解调,提取行星齿轮箱齿轮故障特征和故障位置。通过行星齿轮箱故障实验分析,验证该方法能有效的提取行星齿轮箱故障特征。     

基于生成微分方程的行星齿轮箱故障振动信号解调分析

行星齿轮箱振动信号具有明显的调制特点,幅值解调和频率解调分析能够有效提取其中的故障信息。生成微分方程(GDE)方法可以估计调制信号的幅值包络和瞬时频率,实现解调分析,但该方法需要信号满足单分量要求。实际行星齿轮箱振动信号通常由复杂多分量成分组成,为实现信号的幅值解调和频率解调分析,应用经验模式分解(EMD)将信号分解为单分量本质模式函数,基于生成微分方程计算瞬时频率和幅值包络,根据瞬时频率的波动特点选择本质模式函数作为敏感分量,由敏感分量的包络谱和瞬时频率的Fourier频谱识别故障特征频率。通过行星齿轮箱故障模拟实验数据分析验证了解调分析方法的效果。     

一种基于行星齿轮箱复合运动的故障诊断指标

行星齿轮箱广泛应用于风力发电、航空、船舶等大型工程机械中,恶劣的工作环境使得其中的关键部件容易出现严重的磨损或疲劳断裂等故障。现有的故障诊断方法大多在时、频域中对信号进行处理,然而由于行星齿轮箱振动响应信号频率成分的复杂性和故障传递路径的时变特性,使得传统的针对定轴转动齿轮系统的故障诊断方法很难有效的对行星齿轮箱进行故障诊断;抓住行星齿轮系统复合运动的突出特征,结合故障振动传递路径的时变特性,提出了一种基于故障运动特征的潮汐频率特征指标对行星齿轮箱进行故障诊断。通过对行星齿轮箱太阳轮局部故障的振动数据分析,验证了潮汐频率指标的存在,分析了潮汐频率作为行星齿轮箱故障诊断指标的优势和前景。     

参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断

针对行星齿轮箱特征提取困难的问题,提出一种基于参数优化变分模态分解与多域流形学习的故障诊断方法。首先,利用樽海鞘群优化变分模态分解(SSO-VMD)对信号进行分解与重构,降低噪声干扰;然后,从多域提取故障特征,并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)算法进行降维处理,获取低维故障特征;最后,运用人工蜂群优化支持向量机(ABC-SVM)多故障分类器进行诊断识别。将SSO-VMD与经验模态分解进行对比,仿真信号分析结果验证SSO-VMD的优越性。将所提故障诊断方法应用于行星齿轮箱故障诊断实验分析中,结果表明:多域特征提取效果优于时域、频域和尺度域等单域特征提取效果;ISSL-Isomap降维效果优于等度规映射,t-分布邻域嵌入,线性判别分析,加权等度规映射和监督等度规映射等算法;所提方法故障识别率达到100%,能够有效识别出行星齿轮箱各工况类型。     

基于半监督邻域自适应LLTSA算法的故障诊断

为了有效利用振动信号进行故障诊断,提出了一种基于半监督邻域自适应线性局部切空间排列(SSNALLTSA)算法的故障诊断方法。从多域提取振动信号的混合特征,构建原始高维特征集。利用半监督邻域自适应线性局部切空间排列算法对原始特征集进行维数约简,提取出辨识性较高的敏感特征子集。将得到的低维特征输入SVM分类器进行识别,判断故障类型。液压泵故障诊断实验结果表明,该算法克服了LLTSA无监督和使用全局统一邻域参数的不足,可更有效地寻找数据的低维本质流形,提高了识别准确率,具有一定优势。     

基于VMD的行星齿轮箱故障特征提取新方法

针对行星齿轮箱振动信号故障特征提取困难的问题,提出一种基于变分模态分解的行星齿轮箱故障特征提取方法。首先利用变分模态分解(VMD)算法对样本信号进行分解,得到若干本征模态函数(imf)。然后,计算各分量与样本信号之间的相关系数和欧氏距离,筛选出表征样本信号特征的有效分量,并计算其Teager能量算子,将计算结果进行重构。最后,针对多尺度模糊熵对信号局部差异不够敏感,提取重构信号的多尺度模糊熵和多尺度能量作为基本参数,进行参数融合构成新指标。将其应用于行星齿轮箱太阳轮和行星轴承故障分析,结果表明:新方法既可以区分行星齿轮箱太阳轮不同故障类型,又能有效识别行星轴承不同位置故障。另外,与现有方法对比,新方法区分效果更好。     

行星齿轮箱齿轮组合故障振动频谱特征

行星齿轮箱的局部故障容易发展成为组合故障,复合故障频谱特征与局部故障有明显区别。研究太阳轮与齿圈、太阳轮与行星轮、行星轮与齿圈等组合故障频谱结构对行星齿轮箱故障诊断具有重要意义。考虑组合故障对振动信号的调幅-调频作用,以及时变振动传递路径的调幅作用,建立了组合故障振动信号模型,推导了Fourier频谱公式,总结了组合故障的频谱特征规律。推导了太阳轮与齿圈、太阳轮与行星轮、齿圈与行星轮两两组合故障以及太阳轮、行星轮与齿圈三种齿轮同时故障的特征频率计算公式。通过行星齿轮箱实验信号分析验证了理论推导结果,基于Fourier频谱分析诊断了太阳轮与齿圈、太阳轮与行星轮、齿圈与行星轮组合故障。     

基于NeighCoeff和Hilbert包络分析的行星齿轮箱太阳轮故障诊断

针对行星齿轮箱的振动信号易受噪声干扰、信号成分复杂以及太阳轮易发生故障的问题,提出了基于小波相邻系数(Neigh Coeff)和Hilbert包络相结合的行星齿轮箱太阳轮故障诊断方法。建立了太阳轮局部故障的振动信号仿真模型,模拟噪声干扰下的太阳轮故障,利用Neigh Coeff对含噪信号降噪,对降噪后的信号进行Hilbert包络解调处理。仿真结果可得到更为清晰的频谱,证明该方法能够有效提取受噪声影响的故障特征频率。将该方法应用到行星齿轮箱太阳轮的故障诊断实验中,通过对太阳轮正常、断齿和磨损三种故障下振动信号进行实验,准确识别太阳轮故障,结果表明应用该方法能够有效地提高太阳轮故障诊断的准确性。     

基于LCD-LLTSA的电动汽车电机轴承故障特征频率提取

为有效提取出电动汽车电机轴承故障特征频率,将局部特征尺度分解、线性局部切空间排列和包络分析进行结合,用于电动汽车电机轴承的故障特征频率的提取。首先利用局部特征尺度分解对电动汽车电机轴承故障信号进行分解,得到若干个内禀尺度分量;然后利用线性局部切空间排列对由内禀尺度分量构成的矩阵进行降维处理,得到低维矩阵并以此进行信号重构;最后对重构信号进行包络谱分析,获得故障特征频率。仿真信号和实验信号的实验结果验证了方法的有效性。     

齿轮箱断齿特征识别的S变换-SVD降噪组合方法

齿轮箱作为传动结构的核心部件,其断齿故障将直接导致设备损伤,产生巨大经济损失。为了从齿轮箱振动信号中准确识别出断齿故障,把S变换时频谱与奇异值分解(SVD)降噪相结合,通过对比分析奇异值比值谱与差分谱的差异,提出了S变换-奇异值比值谱选取阈值的降噪方法。将信号S变换的时频矩阵作为SVD的构造矩阵,采用奇异值比值谱选取置零阈值位置进行降噪,对降噪后的时频矩阵进行S逆变换,获得信号的时域冲击特征,并结合S变换时频图,从而识别出冲击特征频率。通过仿真信号和实验信号对所提改进方法的有效性进行验证,结果表明,该方法能够更加直观准确地识别出仿真信号的周期性冲击特征与齿轮箱行星齿轮的断齿故障特征。     

Hilbert-Huang变换在行星齿轮箱故障诊断中的应用

提出了一种基于Hilbert-Huang变换的行星齿轮箱轴承故障诊断的新方法,叙述了该方法的基本原理.测量了行星齿轮箱轴承的故障振动信号,并用经验模态分解方法将振动信号分解成不同特征时间尺度的固有模态函数,然后对固有模态函数进行边际谱和能量谱分析,就可识别齿轮箱轴承的故障部位和类型.齿轮箱轴承故障振动实验信号的研究结果表明:该方法能有效地识别轴承的故障.