基于变分模态分解和ANFIS的齿轮故障诊断

针对齿轮振动信号的传递路径复杂,噪声污染严重,故障特征信息微弱等问题,提出了基于变分模态分解和自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)的故障诊断方法。将原始振动信号利用变分模态分解得到不同尺度的本征模态函数后,通过提取各模态函数的排列熵,构造出表征模态分量信息的特征向量,并将提取的特征向量输入自适应神经模糊推理系统进行训练,建立齿轮故障诊断模型。最后通过齿轮实验故障数据对模型进行验证,并与支持向量机(Support Vector Machine,SVM)识别方法进行对比,结果表明,提出方法具有很强的学习能力,能够有效地对齿轮故障进行诊断,提高故障识别的准确率,识别效果明显优于SVM。     

基于改进变分模态分解的齿轮点蚀故障诊断

针对齿轮点蚀故障特征难以提取的问题,提出了一种基于改进变分模态分解的齿轮点蚀故障诊断方法。利用经验模态分解自适应分解的特点,将各分量的能量占比作为有效分量的判断依据,并据此设定变分模态分解算法的模态个数,在此基础上,以变分模态分解分量的排列熵和最小值作为适应度函数,用遗传算法对惩罚因子进行搜索;根据所得结果设置变分模态分解参数,并对齿轮点蚀信号进行处理;筛选合适的本征模态函数进行包络调解,通过包络谱图分析齿轮点蚀故障的特征信息。对齿轮实验信号的分析表明,与现有方法相比,本文中提出的改进变分模态分解算法能够更加准确地识别出齿轮点蚀故障,在传动系统故障诊断方面具有一定实用价值。     

基于EEMD和Choi-Williams分布的齿轮故障诊断

针对齿轮箱齿轮故障特征提取过程中,经验模态分解(EMD)存在模态混叠、固有模态函数(IMF)筛分困难以及Wigner-Ville分布(WVD)存在交叉干扰项的问题,提出一种集合经验模态分解(EEMD)和Choi-Williams分布(CWD)相结合的齿轮故障诊断方法。首先,将采集到的齿轮故障信号进行EEMD分解,分解为多个单分量固有模态函数(IMF)的组合;然后,通过相关系数和香农熵准则去除虚假分量并筛选IMF;最后,将筛选出的IMF分量进行CWD表达,结合时频域表现出的频率与等时冲击特性,识别出齿轮故障特征。通过齿轮故障仿真和实验分析,验证了该方法在齿轮箱齿轮故障诊断中的适用性和有效性。     

基于邻域保留投影的工作模态参数识别

针对拉普拉斯特征映射和等距离映射算法识别弱非线性特征模态精度低的缺点，提出一种利用邻域保留投影算法的工作模态参数识别方法。该方法利用局部线性特征寻找结构位移响应数据的低维嵌入数据，低维嵌入数据与模态坐标响应矩阵相对应；利用单自由度识别技术从模态响应矩阵中识别出结构的模态固有频率；再用最小二乘广义逆估计变换矩阵，变换矩阵与模态振型矩阵相对应。该方法能够保留数据的局部线性特征，从而识别弱非线性模态。通过三维圆柱壳仿真数据集的识别结果表明，相比拉普拉斯特征映射和等距离映射算法，邻域保留投影算法能够更有效地识别出弱非线性特征模态的参数，平均识别精度更高。     

基于变分模态分解的齿轮箱状态监测

针对传动系统振动信号可能存在的故障特征不明显造成的故障识别困难问题,提出了一种基于变分模态分解和奇异值分解的特征提取方法,并采用模糊C均值聚类进行状态识别与监测。首先将齿轮箱各状态数据进行变分模态分解,并将各模态奇异值作为特征值,通过模糊聚类进行状态识别,最后应用于齿轮箱状态监测。结果表明,对于人工无法识别的齿轮箱故障,该方法故障识别率在86%以上,基于该方法的状态监测可为齿轮故障预警及严重程度提供参考。     

基于VMD和Choi-Williams分布的齿轮故障诊断

针对当前机械故障自适应时频分析存在模态混叠和时频分辨率低的问题,提出一种变分模态分解(Variational Mode Decomposition,VMD)和Choi-Williams分布(Choi-Williams Distribution,CWD)相结合的齿轮故障诊断方法。首先参考VMD分解后各分量的中心频率,确定模态分量个数,将采集到的齿轮故障信号分解为指定个数的多个单分量有限带宽固有模态分量(Band-limited Intrinsic Mode Functions,BLIMFS);然后结合峭度(Kurtosis,K)和互相关系数(Cross-correlation,CC)准则,去除虚假分量,筛选出真实的,包含丰富故障特征信息的模态分量;最后将筛选出的多个模态分量进行CWD时频分布表示,结合时频域表现出的频率与等时冲击特性,识别出齿轮故障特征。通过齿轮断齿故障仿真和实验分析,以及与EMD-WVD方法的应用效果对照,验证了文中所论方法的有效性和适用性。     

基于拉普拉斯特征映射的三维结构模态分析

为了仅从平稳振动响应信号中识别线性时不变三维结构的工作模态参数,提出一种基于拉普拉斯特征映射的三维结构模态分析方法.该方法首先将复杂三维结构的振动响应数据视作处于高维空间的数据集,利用拉普拉斯特征映射寻找该数据集的低维嵌入数据.低维嵌入数据对应模态响应矩阵,利用单自由度识别技术从模态响应矩阵中识别出模态固有频率.最后,...     

基于滑动窗邻域保留投影的工作模态分析

为了识别线性慢时变结构的工作模态参数,提出一种基于滑动窗邻域保留投影(MWNPE)的工作模态参数识别方法。该方法基于“时间冻结”理论,利用固定长度的窗口,将每个窗口内的非平稳信号看作平稳的随机序列,从而将线性时变结构离散成有限个线性时不变结构。在每个窗口内,利用邻域保留投影算法寻找窗口内位移响应数据的低维嵌入,低维嵌入与模态坐标响应矩阵相对应;再利用单自由度识别技术从模态响应矩阵中识别出窗口的模态固有频率;最后,利用最小二乘广义逆估计出变换矩阵,变换矩阵与模态振型矩阵相对应。通过质量慢时变三自由度(DOF)的仿真结构验证表明,所提方法能有效识别出线性慢时变结构的工作模态参数,且识别精度优于滑动窗主成分分析方法和滑动窗等变自适应源分离(EASI)方法。     

基于稀疏成分分析的欠定工作模态参数识别

针对基于独立成分分析的工作模态参数识别方法可识别模态数较少的问题,提出一种基于稀疏成分分析的欠定工作模态参数识别方法.该方法从线性时不变小阻尼结构的模态振型、模态坐标的性质和稀疏成分分析的基本假设出发,找出模态振型与混合矩阵之间、模态坐标响应与稀疏成分之间的一一对应关系,将欠定工作模态参数识别问题转化为稀疏成分分析问题.首先,从基于传统盲源分离的工作模态参数识别中存在的问题和稀疏成分分析流程,建立了基于稀疏成分分析的工作模态参数识别框架和流程步骤;其次,针对欠定工作模态参数识别振型的解释和评价问题,提出欠定条件下识别振型的特点及评价方法;最后,讨论了可识别模态数、模态遗漏、虚假模态及方法的适用范围,并与独立成分分析方法进行了理论比较.通过5自由度仿真数据集下的工作模态参数识别,表明所提方法具有有效性和优越性.     

基于FSDD和MAC的复杂工况滚动轴承在线故障诊断方法

环模制粒机的核心零件需在高温、高湿条件下长时间连续运行，极易发生滚动轴承故障，严重影响生产安全。针对复杂工况下环模制粒机滚动轴承故障无法在线诊断的问题，提出了一种基于频域空间分解(FSDD)和模态保证准则(MAC)的滚动轴承故障在线识别方法。首先，对滚动轴承的振动信号进行了在线测量，采集了不同工况下的故障振动数据，并采用均方根(RMS)方法，从不同工况下的振动信号中分析出了振动状况最严重的工况；然后，采用频域空间分解法(FSDD),识别出了其模态频率、阻尼比及振型等模态参数，并利用模态保证准则(MAC)从模态参数中提取出了故障特征频率，达到了损伤判断的目的；最后，以出现故障的K15环模制粒机为例，进行了滚动轴承在线故障诊断的实验。研究结果表明：基于FSDD和MAC的方法，可识别出环模制粒机的故障特征频率为57.83 Hz,故障点为轴承SKF 24024CC/W33的外圈；该方法可实现在复杂工况下滚动轴承故障的有效识别。     

数据仓库技术在齿轮故障诊断中的应用

以齿轮箱的历史故障数据为依据,提出了齿轮故障诊断数据仓库的功能架构,并对数据的收集、集成、存储等方面进行了研究,建立了齿轮故障诊断模型。为齿轮故障诊断提供了一种新的方法。     

EEMD与HMM在齿轮故障诊断方法中的研究

为了解决EMD方法存在的模态混叠的问题,更加精确有效的利用振动信号进行齿轮的故障识别和诊断,提出一种将总体平均经验模态分解(EEMD)和隐马尔科夫模型(HMM)结合的齿轮故障诊断方法。首先对采集到的原始齿轮振动信号进行EEMD处理,获得包含主要故障信息的各阶固有模态函数(IMF)分量,以能量为元素,提取并构造特征向量,对特征向量进行HMM模型训练和诊断测试,来识别齿轮的工作状态和故障类型,实验结果表明,该方法可以有效提高齿轮的故障诊断准确率和精度。     

基于系统模型的齿轮箱故障诊断

用时间序列和神经网络相结合的方法,建立振动信号的时间序列模型,作为齿轮箱系统模型。分析模型特性,提取齿轮箱故障的特征参数,然后以此建立相应的神经网络,识别齿轮箱的运行故障。结果表明该方法能很大地提高诊断的准确性。     

堆栈稀疏自编码器的风力机锥齿轮故障诊断

针对当前齿轮故障诊断存在着准确性不高、主观性强等问题,提出了一种基于堆栈稀疏自编码器(SSAE)和softmax分类器相结合的齿轮故障诊断方法。首先,运用时域分析以及样本熵方法对风力机锥齿轮振动信号进行特征提取,其次,将提取的特征输入到SSAE中进一步学习目标数据的深层本质特征,并进行特征降维,最后使用softmax分类器中进行分类识别。通过实验结果表明,和文中其他浅层学习模型相比,SSAE能够从齿轮振动信号中有效学习到所需的深层本质特征,拥有更高的识别准确率,因而证实了该方法优越性。     

基于振动信号耦合调制新模型和参数辨识的 风电齿轮箱齿圈故障监测

针对风电齿轮箱多级传动导致的振动耦合调制问题,提出了一种考虑级间调幅调频的齿圈故障新模型,并通过参数辨 识技术将其应用于齿圈故障监测。 某级齿圈故障特征频率会以调幅、调频方式,调制不同轮系的啮合频率,呈现出耦合调制现 象,本文针对该特殊调制规律,建立了两级齿圈故障下的振动信号耦合调制模型。 在此基础上,提出基于局部均值分解和列文 伯格-马夸尔特算法的参数辨识技术,确定故障辨识模型的调幅系数,进而可方便地构建出状态指标,以达到齿圈故障监测的目 的。 用现场数据进行验证,结果表明,新模型比传统模型描述振动信号更全面;借助参数辨识技术构建的指标能定位故障齿轮。     

应用Hilbert-Huang变换的齿轮磨损故障诊断研究

提出了一种基于H ilbert-Huang变换的齿轮磨损故障诊断的新方法。H ilbert-Huang变换是先把时间序列信号,用经验模态分解方法分解成不同特征时间尺度的固有模态函数,然后经过H ilbert变换获得频谱的信号处理新方法。介绍了该方法的基本原理,并将H ilbert-Huang变换应用于齿轮箱中齿轮磨损故障诊断的研究,通过选取表征齿轮磨损故障的IM F分量进行边际谱和能量谱分析,就可提取齿轮故障振动信号的特征。齿轮故障实验信号的研究结果表明,H ilbert-Huang变换时频分析方法,能有效地诊断齿轮的磨损故障。     

IEWT和FSK在齿轮与滚动轴承故障诊断中的应用

改进的经验小波变换方法(improved empirical wavelet transform,简称IEWT)是一种新的自适应性信号处理方法,将这种方法和快速谱峭度(fast spectral kurtosis,简称FSK)相结合,进行齿轮与滚动轴承的故障诊断。首先,采用IEWT对信号进行分解,筛选出故障特征最为明显的2个分量并重构信号;其次,对重构信号进行快速谱峭度滤波;最后,对滤波后的信号进行包络谱分析,提取出信号的故障特征。分析齿轮断齿及滚动轴承故障信号,与直接包络谱和基于EMD经验模态分解(empirical mode decomposition,简称EMD)方法的FSK滤波包络谱分析方法相比可知,采用IEWT处理后再进行FSK滤波的信号进行包络谱分析更具有区分性,可有效识别齿轮和滚动轴承的故障特征。     

基于MCKD和改进HHT多尺度模糊熵的齿轮故障诊断方法

针对齿轮故障信号常伴有大量噪声,故障特征难以提取的问题,提出一种基于最大相关峭度解卷积(MCKD)和改进希尔伯特-黄变换(HHT)多尺度模糊熵的故障诊断方法。首先采用MCKD算法对采集到的齿轮振动信号进行降噪处理,以提高信号的信噪比;然后利用自适应白噪声完备经验模态分解(CEEMDAN)对降噪后信号进行分解,获得一系列不同尺度的固有模态函数(IMF),并通过相关系数-能量的虚假IMF评价方法选取对故障敏感的模态分量;最后计算敏感IMF分量的模糊熵,将获得的原信号多尺度的模糊熵作为状态特征参数输入最小二乘支持向量机(LS-SVM)中,对齿轮的故障类型进行诊断。实测信号的诊断结果表明,该方法可实现齿轮故障的有效诊断。     

飞机起落架液压收放系统的故障程度诊断

飞机起落架液压收放系统故障程度正确诊断可帮助飞行员及时采取行动应对不同程度的故障,避免人员和财产受到损失.针对飞机起落架液压收放系统故障样本少,故障数据时域上的高相关性,提出一种混合条件变分自编码网络和双向长短期记忆神经网络的故障程度诊断模型.建立某型飞机起落架液压收放系统仿真模型并植入不同程度故障,提取故障数据;将故...