基于小波包变换与神经网络的齿轮故障诊断方法

对齿轮箱故障诊断问题进行研究,由于齿轮的振动信号是非平稳信号,常规的齿轮特征提取方法难以从振动信号中提取有效故障特征信息。笔者采用小波包理论对齿轮振动信号应用db12小波进行多层分解后,从而对信号进行消噪,并对消噪后的信号进行小波包3层分解及系数重构,再次对各频段能量进行处理分析从而得到特征向量。最终应用归一化方法对特征向量处理后再结合RBF神经网络进行故障诊断,并且取得了良好的诊断效果。     

小波一神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法。对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本,用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型。     

小波-神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法.对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本.用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型.     

基于WPA和LS-SVM的风力发电机故障诊断方法研究

针对风电机组低速齿轮箱故障的故障特点,提出了一种应用小波包分析(WPA)和最小二乘支持向量机(LS-SVM)相结合的故障诊断方法。将低速齿轮箱不同故障状态下的振动信号经小波包分解后获得各频带能量,经过归一化处理后作为特征向量构成训练样本和测试样本。通过训练样本训练LS-SVM故障诊断模型,用测试样本检验LS-SVM故障诊断模型的正确率。实验结果表明,WPA和LS-SVM相结合的故障诊断方法具有良好的诊断效果。     

基于小波包与神经网络相结合的主轴箱齿轮故障识别

用加速度传感器获取主轴箱振动信号,应用小波包分解提取故障特征向量,进一步用特征向量训练前向传播BP神经网络,建一立齿轮运行状态分类器,对齿轮故障进行识别。实验结果表明,基于小波包分解能量提取故障特征是十分有效的。     

小波包与改进BP神经网络相结合的齿轮箱故障识别

应用小波包分解技术提取齿轮箱振动信号中的故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立了齿轮箱运行状态分类器,用以识别齿轮箱的运行状态。试验结果表明,小波包分解与神经网络相结合的齿轮箱齿轮故障识别方法是可靠的,可以准确识别齿轮箱的故障。     

发动机异响信号的小波包能量特征提取

在机械故障诊断过程中,最关键的问题就是故障特征信号的特征提取,从某种意义上说,特征提取是当前机械故障诊断研究中的"瓶颈"问题.发动机是一种多振源、宽频带、振动形态复杂的机械,其振动信号呈现非平稳时变特征,噪声干扰大,故障信号往往被淹没在干扰噪声中.发动机声响的分析在其故障诊断中显得极为重要.现提出一种依靠小波包分析来进行发动机故障诊断的方法,即通过对发动机异响信号在全频带范围内进行正交小波包分解,得到由全频带均匀划分的各子频带的小波包分解系数,对小波包分解系数进行重构得到该频带的信号,提取各频带信号的能量构造出小波包特征向量,从而实现对故障源的判断.     

基于小波能量法的变速箱齿轮故障诊断技术研究

利用小波包分析并结合小波包能量谱尺度图的方法,通过小波包分解利用各频带范围信号能量的改变,进行了变速箱齿轮故障的诊断。按此方法准确地识别了某汽车H型变速箱的故障。研究表明,对变速箱齿轮故障诊断是一种行之有效的方法。     

小波包能量谱在滚动轴承故障诊断中的应用

提出了基于小波包能量谱的滚动轴承故障诊断方法。首先,以6406轴承为例采集不同工况的振动信号,然后对试验数据进行小波包变换,振动信号被分解到独立的频段,不同频带内的信号能量变化反映了运行状态的改变,提取各频带小波包能量谱为特征向量,最后应用基于模糊聚类的故障诊断方法。经对大量实测数据的处理和分析,能够比较准确地诊断出轴承的故障。     

基于小波包与改进BP神经网络的齿轮故障诊断

对齿轮振动信号应用小波包分解提取故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立齿轮运行状态分类器,用以诊断齿轮的运行状态。结果表明,该方法对齿轮故障诊断十分有效。     

基于多特征融合的行星齿轮箱点蚀故障诊断研究

为了识别行星齿轮箱的齿面点蚀故障,通过刚柔耦合仿真获得健康和 3 种不同点蚀程度行星齿轮箱的箱体振动信号。对获得的 4 种状态的箱体振动信号进行变分模态分解后,计算每个本征模态函数分量的能量值、峭度因子和信息熵,基于能量值、峭度因子和信息熵多特征融合构建高维特征向量,采用支持向量机分类器对 4 种状态的行星齿轮箱进行识别。结果表明,基于变分模态分解的本征模态函数分量的能量值、峭度因子和信息熵构建的 15 维特征向量,采用支持向量机分类器能够准确识别健康和 3 种不同点蚀程度齿轮的类型。     

Fault diagnosis of a gearbox based on the analysis of a fractional energy gathering band

To extract the weak fault feature of the accelerating process from a gearbox, a fractional energy gathering band time–frequency aggregated spectrum (FETFAS) is proposed to achieve a fast time–frequency analysis of a large signal and to highlight target components. The best order of the fractional Fourier transform (FRFT) is determined according to the rotating speed signal and transmission ratio. The vibration signal from the accelerating process of a gearbox is processed using the best order FRFT. The energy gathering band (EGB) is determined from the modulus spectrum of the FRFT. Then, the result of the FRFT within the EGB is analyzed using time–frequency analysis, and the energy from this result is aggregated to form the FETFAS. The experimental results show that the method to determine the best order of the FRFT from the rotating speed signal is fast and accurate. The time–frequency analysis of the FRFT’s results in the EGB requires less computation and has a high resolution. The FETFAS has the ability to focus and zoom and is able to highlight the target components and restrain noise. Therefore, the FETFAS is an effective method to extract weak fault feature from the signal of gearbox’s accelerating process.     

基于改进阶次分析与自适应VMD的变转速齿轮箱故障诊断研究

变转速齿轮箱由于工况复杂导致转频不稳定,齿轮箱的微弱故障信号可能会被掩盖在强噪声中,不能直接应用传统的时频分析方法,为故障特征的提取增加一定的难度.针对变转速信号的处理,传统的计算阶次分析方式(COT)很好地解决了变转速齿轮箱的故障特征难以提取出来的问题,但由于传统COT中所使用的重采样方法是基于样条插值法的,无法根据...     

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

基于EMD和Hilbert解调的齿轮箱故障诊断

针对复杂的齿轮箱振动信号难以提取出故障特征频率的问题,提出了一种将希尔伯特包络解调技术与经验模式分解(EMD)相结合的分析方法。首先对齿轮箱的故障信号进行了EMD分解,得到了本征模态函数(IMF分量),再对IMF分量进行了包络解调,得到了其调制信号,结合调制信号的频率成分可初步判断出齿轮箱中出现故障的齿轮;然后根据IMF分量与初始信号之间相关系数的大小,选择相关系数较大的分量重构信号,相当于对初始信号进行滤波;最后对重构的信号以啮合频率及其倍频为中心频率进行了带通滤波,对得到的信号进行了包络解调分析,再次进行了故障诊断,以验证故障诊断的准确性。整个过程通过对齿轮箱实测故障信号的分析加以验证。研究结果表明,该方法能够准确地提取出齿轮箱的故障特征频率,从而可以对齿轮箱故障进行有效地诊断。     

基于改进多元多尺度色散熵的齿轮箱多通道振动信号故障诊断

齿轮箱发生故障时,其振动信号具有不平稳和非线性等特征,而常用的齿轮箱故障诊断方法大多是建立在单通道振动信号分析基础上,容易造成故障信息丢失,故而在工业生产中实用性受限。为了克服此缺陷,将多元多尺度色散熵引入到齿轮箱故障诊断当中,并改进其粗粒化方式,提出了改进多元多尺度色散熵,用以提取齿轮箱多通道振动信号的故障信息。在此基础上,提出一种基于集合经验模态分解,改进多元多尺度色散熵和遗传算法优化支持向量机的齿轮箱故障诊断方法。通过实验数据分析,并与多元多尺度样本熵、多元多尺度模糊熵等现有方法相比较,证明该方法具有更高的准确率和稳定性,且在处理短时间序列时具有明显优势。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。