基于LSTM-SVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱的故障诊断中特征提取过分依赖人为经验和准确率不高的问题,提出一种基于长短时记忆网络(LSTM)与支持向量机(SVM)相结合的方法。对原始时域振动信号作傅里叶变换,利用LSTM神经网络自适应智能提取特征的优势,结合SVM的分类功能,实现对风电机组齿轮箱更加准确的故障诊断。仿真结果显示,该网络模型在经过16轮训练后准确率可以达到100%,使用测试集数据准确率也可以达到99.1%。     

解调同步压缩变换及其应用于变转速滚动轴承故障诊断

为实现对变转速下滚动轴承的故障诊断，提升设备服役的安全性，在传统基于短时傅里叶变换（STFT）的同步压缩变换（FSST）的理论框架上，针对STFT存在的调制成分造成其瞬时频率（IF）估计不准确、时频模糊的问题，提出一种解调短时傅里叶变换（DSTFT），即在STFT中引入解调算子消除调制对信号的影响，获得更加准确的IF估计值。在此基础上，推导基于DSTFT的解调同步压缩变换（DSST），可以通过时频平面变换系数的重排获得能量高度集中的时频表达。所提出的DSST方法具有IF估计准确、时频脊线能量集中性好等优点。通过数值模拟分析和试验台振动信号分析，验证所提方法在变转速滚动轴承故障诊断中的有效性。     

直升机动力传动系统故障诊断方法

为降低飞行事故,保证飞行安全性,对直升机动力传动系统进行故障诊断研究。分析行星齿轮振动机理以及信号分离方法,设计并制作行星齿轮箱故障诊断试验台,利用LABVIEW虚拟仪器采集系统采集振动信号,通过行星齿轮啮合试验,对所采集的数据文件进行信号处理,检测和分析行星齿轮箱的轮齿缺陷。结果表明:对从行星齿轮传动机构获得的振动数据进行信号时域平均,可实现对行星齿轮振动信号的充分分离,清晰地检测出故障所在,以达到直升机动力传动系统故障诊断的目的。     

基于小波变换的齿轮箱故障诊断

时域同步平均(Time Synchronous Averaging,TSA)信号只包含齿轮啮合频率信号和倍频信号,若齿轮出现故障,会使TSA信号得到某种程度的调制.文章将连续小波变换应用于齿轮箱振动采样的TSA信号,检测和分析齿轮箱的轮齿缺陷,设计并制作齿轮箱故障诊断试验台,通过齿轮全运行周期啮合试验,利用LABVIEW虚拟仪器采集系统采集振动信号,然后利用MATLAB编写相应的程序,绘制出所需信号的波形图,对所采集的数据文件进行信号分析处理,以达到齿轮箱故障诊断的目的,并验证了小波变换对齿轮故障诊断的有效性.     

基于经验模态分解法和Hilbert谱的齿轮箱故障诊断

将经验模态分解法(Empirical Mode Decomposition,简称EMD)和Hilbert谱引入到齿轮箱故障诊断,提出了一种新的齿轮箱故障诊断方法.通过运用该方法和连续小波变换分别对某齿轮箱齿轮齿根裂纹故障振动信号进行分析,结果表明,该方法能更有效地提取齿轮故障信息,提高了齿轮故障诊断的准确性.这种自适应的信号处理方法非常适合分析非线性、非平稳过程.     

基于希尔伯特变换的风电机组齿轮箱故障诊断方法研究

齿轮箱作为风电机组关键部件,由于运行环境以及工况的复杂性,易出现故障,严重威胁机组安全稳定运行。因此,对齿轮箱进行故障诊断对确保风电机组稳定运行具有重要意义。在介绍齿轮箱结构特点、故障模式、振动监测的基础上,结合齿轮箱结构特点,给出齿轮与轴承故障特征频率的计算方法。同时采用希尔伯特变换与倒谱分析相结合的方法对齿轮箱振动数据进行分析,提取故障特征频率。经实例验证,该方法能够准确得到齿轮箱故障频率的同时定位齿轮箱故障,实现风电机组齿轮箱的故障诊断。     

基于频域窗函数的短时傅里叶变换及其在机械冲击特征提取中的应用

提取冲击特征是实现轴承、齿轮故障识别的关键,但是容易受到噪声和其他无关成分的干扰。区别于经典的时频分析方法如短时傅里叶变换和同步压缩小波变换,提出基于频域窗函数的短时傅里叶变换法。利用最大相关峭度反卷积的方法对振动信号进行滤波,使信号的质量得到提高;通过频域窗函数,实现二维时频平面中时间的精准定位和冲击特征的准确识别,进一步锐化了复杂多组分信号的时频脊线。利用所提方法对数值仿真信号和实际轴承故障信号进行分析,验证了所提方法的有效性。     

钢板孔洞涡流检测信号的频谱分析研究

通过对振动噪声和钢板孔洞信号的频谱特征研究与FFT频谱分析，利用短时傅里叶变换：（STFT）进行钢板孔洞的检测实验表明，频谱分析作为常规幅度检测方法的重要补充，可以与信号的幅度分析结合在一起，使信号的识别更加准确与可靠。     

摩托车发动机故障诊断方法

分析了摩托车发动机活塞击缸故障的产生机理和故障信号的特征，利用短时傅里叶变换和连续小波变换对摩托车发动机工作噪声进行了处理。试验结果表明，两种信号处理方法均能够识别出摩托发动机工作噪声中的活塞击缸故障信号，从而诊断发动机中是否存在活塞击缸故障，但连续小波变换由于占用较少运算时间和内存，比短时傅里叶变换更具优势。     

振动监测技术在齿轮裂纹故障诊断中的应用

在对一级齿轮箱的振动信号进行快速傅里叶变换和小波包变换的基础上,提取各个小波包系数的峭度和偏态,并选择分辨率较高的小波包系数的峭度和偏态作为齿轮裂纹的故障特征。最后通过基于粒子群优化算法(Particle swarm optimization, PSO)的支持向量机(Support vector machine, SVM)模型进行齿轮裂纹故障特征分类,其中,PSO主要用来优化SVM模型的核函数的关键参数,避免出现局部最优和过拟合的问题。计算结果表明,和其它算法相比,提出的齿轮裂纹故障诊断方法在分类精度和计算效率方面具有综合优势。     

基于空时模型的航空管路卡箍故障诊断研究

针对航空液压管路卡箍振动信号受强噪声干扰,导致航空卡箍故障难以精准识别的问题,提出一种空时模型的航空卡箍故障诊断新方法。建立空间特征提取模型,对航空卡箍的故障特征进行局部融合。在空间模型中引入GRU模块,提取航空卡箍故障信号中的全局特征。结果表明：设计的空时故障诊断模型可实现航空卡箍故障的精准识别。与目前所用的深度卷积神经网络模型、门控循环单元神经网络模型、循环神经网络模型、支持向量机和误差反向传播神经网络模型等5种先进的故障诊断方法进行对比分析,所提方法对航空卡箍故障识别具有优越性。     

基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法

提出一种基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法。通过对完整齿轮、裂齿齿轮和缺齿齿轮3种齿轮工作状态的声信号进行小波分析并建立特征数据库,构建深度自编码网络与模糊推理系统相结合的诊断系统,实现了齿轮故障诊断与辨识。实验结果表明:这种基于声信号的故障诊断方法能够有效检测矿用齿轮箱的运行状况;与传统神经网络诊断方法以及奇异值分解诊断方法相比,该诊断方法对故障状态的辨识准确度分别提高了3.8%和8%。与传统基于振动信号的故障诊断方法相比,基于声信号的诊断方法对故障状态的辨识准确度无明显差别。表明深度自编码网络模糊推理系统同样适用于基于振动信号的矿用齿轮箱的故障特征提取与分析。     

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。     

基于卷积神经网络的高速列车抗蛇行减振器故障诊断

由于抗蛇行减振器在服役过程中发生故障会严重威胁到列车的运行安全，提出一种基于卷积神经网络的抗蛇行减振器故障诊断方法。采集的阻尼力信号通过短时傅里叶变换得到时频图谱，并将其划分为训练集和测试集；然后将训练集输入卷积神经网络模型中，进行训练样本信号的特征提取工作，通过前向传播和反向传播方式得到卷积神经网络的具体模型，并通过多次迭代更新网络参数；最后，将训练好的模型用于测试集，获得蛇行减振器故障诊断的准确率。为了验证模型的有效性，选用正常状态、启动不良和锯齿波故障数据作为实验验证，结果表明：该方法不仅避免了传统诊断方法需要人工提取特征带来的问题，且具有较好的诊断效果。     

基于GWO-CMFH和改进ResNet轴承故障诊断

针对不同程度的小分类轴承故障，现有故障诊断方法准确率不高的问题，提出基于GWO-CMFH和改进ResNet的滚动轴承故障诊断方法。对于同一类型不同程度故障，提出基于GWO自适应优化结构元素参数的CMFH滤波方法，增强振动信号的脉冲故障特征并抑制背景噪声；采用连续小波变换将滤波后的信号转换成二维时频图谱；最后，提出基于混合注意力机制改进的残差网络模型，提高轴承故障诊断精度。在西储大学、东南大学及所选轴承数据集上进行验证实验，不同故障程度的小分类诊断准确率分别达到99.73%、98.12%和99.07%,表明所提方法具有很好的抗噪性、鲁棒性，可提高滚动轴承不同故障程度的诊断效果。     

基于RBF神经网络与LMD的滚动轴承故障诊断方法

直升机传动系统故障诊断及预测对提高其运行时的可靠性和安全性具有重要意义。本研究首先采用小波包降噪与局部均值分解相结合的方法提取滚动轴承故障特征,其次用故障样本对设计好的RBF(Radial Basis Function Neural Net-work,简称RBF)诊断网络进行训练,最后利用训练好的RBF网络实现故障的智能诊断。实验结果验证了该方法能够有效地对滚动轴承故障进行分类识别。     

基于小波包能量分布特征的齿轮故障诊断方法研究

齿轮的裂纹故障不仅影响机械系统的整体性能,还会导致机器损坏,因此,研究了齿轮裂纹长度的故障诊断方法。以多传感振动信号为研究对象,将小波包各个频段的能量比系数作为齿轮裂纹的故障特征,并通过改进的神经网络模型进行特征分类,实现齿轮裂纹长度的故障诊断。研究结果表明:所提出的故障诊断方法识别率高(97.5%),通用性好,能有效辨识不同工况下的齿轮故障。     

基于SSA-VMD和2.5维谱的齿轮箱磨损故障诊断

针对行星齿轮箱实际工况中存在多种频率耦合无法直接提取故障特征频率的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合2.5维谱的故障诊断方法。运用SSA优化VMD的参数;运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用2.5维谱对重构信号中的频率耦合进行解耦运算。搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用提出的方法解耦出参与耦合的故障频率成分,揭示了行星齿轮箱磨损故障演化规律。研究结果表明：随着磨损故障程度的加深,磨损故障特征频率明显增多。     

多尺度加权CEEMD-1DCNN旋转机械故障诊断

旋转机械振动信号具有较强的非线性、非平稳性的特点，互补集合经验模态分解（CEEMD）克服了传统EEMD的缺陷，提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异，提出一种基于多尺度加权CEEMD的一维卷积神经网络（1DCNN）故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数（IMFs），然后求取各个IMF分量的峭度值，计算各分量峭度所占权重，根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集，将训练集输入到一维卷积神经网络中学习更新网络参数，然后用验证集进行验证得到最优诊断模型，最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证，诊断精度分别为99.98%和99.73%，表明所提方法能够快速准确地诊断出不同故障类型，并且具有较高的故障诊断准确率和鲁棒性。