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。     

LMD和时频熵在行星齿轮箱状态监测中的应用

随着行星齿轮传动在军用飞机、新型装甲装备及自行火炮中的广泛应用,研究行星齿轮箱的状态监测方法意义重大。以行星齿轮箱为研究对象,提出一种基于局部均值分解和时频熵的行星齿轮箱状态监测方法。首先利用局部均值分解方法自适应地将振动信号分解成若干个具有物理意义的乘积函数之和,然后对分解得到的各乘积函数进行Hilbert变换,得到信号的时频分布,最后使用时频熵算法计算行星齿轮箱不同运行状态的熵值,以此作为判断行星齿轮箱运行状态的依据。分析结果表明,局部均值分解和时频熵方法对于行星齿轮箱的状态监测非常有效。     

基于VMD-DE的坦克行星变速箱故障诊断方法研究

为了提高坦克行星变速箱齿轮故障模式识别准确率,将变分模态分解(VMD)与散布熵(DE)结合提出故障特征提取新方法。利用波形法确定VMD分解层数,VMD分解振动信号得到一组固有模态分量(IMF);根据归一化互信息准则筛选若干IMF重构信号,计算重构信号的散布熵;将重构信号散布熵作为特征值输入到粒子群优化(PSO)的多分类支持向量机(SVM)中实现故障模式识别。通过对坦克行星变速箱的正常、行星轮故障和太阳轮故障三种状态进行模式识别,分类准确率达到100%,且计算时间较短。与基于原始振动信号DE、VMD-SE(样本熵)、VMD-PE(排列熵)及EMD-DE(经验模态分解与DE结合)等方法比较,综合考虑准确率和计算时间两个因素,基于VMD-DE的方法故障诊断性能最佳。     

基于EEMD和Teager能量算子的行星齿轮箱故障特征提取研究

针对行星齿轮箱振动信号故障特征提取困难、幅值和频率调制明显等问题,提出一种基于集合经验模态分解(EEMD)和Teager能量算子的行星齿轮箱故障特征提取方法。新方法首先利用EEMD分解样本信号得到若干本证模量函数(IMF),计算各IMF与原始信号的相关系数和欧式距离,筛选出能够表征原始信号特征的分量。其次,计算筛选后各IMF分量的Teager能量算子,将计算结果进行信号重构。最后,提取重构信号模糊熵及其对应概率密度函数的波形指标,作为基本特征参数进行故障诊断。将所提方法应用于行星齿轮箱实验数据分析,并与常用特征提取方法对比,结果表明:所提出的新方法不仅能有效区分行星齿轮箱故障类型和程度,且识别率优于所对比的方法。     

局部均值分解在旋转机械复合故障诊断中的应用

针对旋转机械复合故障振动信号的非平稳特征,开展一种基于局部均值分解(local mean decomposition, LMD)的旋转机械复合故障诊断方法研究。该方法首先通过局部均值分解方法将振动信号分解为若干个PF分量(product function)和一个残余分量之和,然后通过计算各PF分量与原始复合故障信号的相关系数来确定包含故障特征信息的主要成分;最后针对主要成分中的低频分量进行频谱分析从而提取轴的故障特征。针对主要成分中的高频分量采用包络谱分析提取调制故障特征,即提取轴承故障特征。对齿轮箱的轴承、轴复合故障振动信号的分析结果表明了该方法的有效性和可行性。     

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。     

多域特征在行星齿轮箱局部故障识别中的应用

行星齿轮箱运动复杂,其振动过程中的调幅调频特性使得振动信号成分复杂且呈非线性,增加了行星齿轮箱故障识别的难度。采用相空间重构法分别构建信号时域及频域空间;通过局部均值分解及瞬时频率计算构建信号时频联合域空间,解决了经验模式分解方法对噪音敏感、存在负频率及虚假模态问题;利用奇异值分解法提取信号多域空间特征;在局部切空间排列降维基础上,改进虚假近邻点法来估计本征维数及最优k邻域,并通过局部切空间排列法对多域奇异值特征空间进行降维,获取低维流形特征,从而识别太阳轮、行星轮和齿圈的局部故障。上述理论方法经行星齿轮箱试验台及工程数据验证,有效识别出齿轮的局部故障。     

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。     

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。     

含行星轮局部故障的行星齿轮箱振动仿真及实验研究EI北大核心CSCD

针对现有行星齿轮箱局部故障振动仿真模型使用小波变换和加窗振动分离技术进行故障诊断时效果不明显的问题,提出了一种以齿轮啮合冲击响应和齿轮啮合顺序为基础的行星轮局部故障振动仿真模型。以齿轮啮合冲击响应为基础,仿真正常齿和故障齿的单次啮合冲击振动响应;计算每次齿轮啮合的时间点,按照轮齿啮合顺序使用单次啮合冲击振动响应进行拼接,综合考虑振动信号的时变传递路径和太阳轮、行星轮和行星架转频的调制影响;建立了满足加窗振动分离技术故障特征提取的行星轮局部故障振动仿真模型。通过与行星齿轮箱的试验平台实测振动信号和振动仿真信号的分析对比,验证了所建立模型的正确性。     

基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究

为了有效地从非线性、非平稳性的风电齿轮箱故障信号中提取有用的信息成分,将微分经验模式分解、局部时频熵和支持向量机相结合,提出了一种微分经验模式分解局部时频熵和支持向量机的风电齿轮箱故障诊断方法。采用自适应多尺度的数学形态学对故障信号进行滤波;将滤波后的信号进行微分经验模式分解,获得齿轮振动信号的若干IMF分量;把每一个IMF进行分块,计算每一块的局部时频熵值;把局部时频熵值作为支持向量机的输入参数,通过支持向量机进行故障识别与诊断。实验结果表明,基于微分经验模式分解局部时频熵和支持向量机相结合的方法能够对风电齿轮箱故障信号进行准确有效地识别分类。     

行星齿轮箱振动信号特征提取新方法

与轴承、定轴齿轮箱相比,提取行星齿轮箱的故障特征更加困难,且传统方法对行星齿轮箱的诊断效果不好。针对行星齿轮箱故障振动信号的非线性、复杂性等特性,提出一种基于小波包样本熵和均方根值的故障特征提取新方法。该方法首先对原始信号进行连续等长度截取,获得样本信号,再利用小波包变换分解样本信号,计算分解后各频段的样本熵和均方根值,并进行归一化处理。将归一化参数作为加权平均的权重,计算加权平均的样本熵和均方根值。最后将两参数做商得到新参数。故障诊断及抗噪试验结果表明,新特征提取方法能增大行星齿轮箱不同故障特征的区分度且有较好的稳定性,同时新参数具有一定的抗噪性。     

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。     

基于EEMD的多尺度模糊熵的齿轮故障诊断

为准确利用振动信号进行故障诊断,提出基于EEMD多尺度模糊熵的齿轮故障诊断方法。利用集合经验模态分解(EEMD)对振动信号进行自适应分解,获得原始信号的不同尺度分量;据模糊熵能有效区分不同信号的复杂度,计算EEMD分解所得本征模态函数(IMF)分量模糊熵,获得原始信号多个尺度的复杂测度作为齿轮不同状态的特征参数;将该特征参数输入最小二乘支持向量机(LS-SVM)分类器判断齿轮故障。齿轮箱齿轮故障实验结果表明,该方法能提高齿轮故障诊断精度。     

基于改进EEMD和声发射技术的行星齿轮箱故障诊断研究

行星齿轮箱作为风电机组传动系统中易发故障的部件之一,其故障检测和诊断具有重要意义。本文针对行星齿轮箱的振动信号幅值和频率调制明显、边频带复杂、频谱分析困难、故障特征频率提取难度较大的特点,提出一种基于改进的EEMD和声发射技术的行星齿轮箱故障诊断方法,结合EEMD高频到低频的分解特点和模糊熵对IMF分量的筛选对声发射信号进行分析。实验表明,所提出的方法能够有效提取故障特征频率,且能有效滤除噪声对特征频率的干扰。     

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EEMD排列熵的高速列车轮对轴承故障诊断方法

高速列车轮对轴承的可靠度对高速列车的安全运行具有重要意义,其故障特征主要体现在轴箱振动信号中。该文提出基于聚合经验模态分解排列熵的轮对轴承特征分析方法,提取高速列车轮对轴承振动信号的非线性特征参数,并用于故障状态的分类识别。首先,对高速列车轮对轴箱振动信号进行聚合经验模态分解,得到一系列窄带本征模态函数;然后,对原信号和主要本征模态函数分别计算,得到多组排列熵,形成多尺度的表征信息复杂性高维特征向量;最后,将高维特征向量输入最小二乘支持向量机分类识别出轮对轴承的故障状态。台架试验分析结果表明:该方法针对高速列车轮对轴承故障尤其是轴承复合故障具有较高的识别率,验证通过聚合经验模态分解排列熵对高速列车轮对轴承故障诊断的有效性。     

基于多变量多尺度模糊熵的行星齿轮箱故障诊断

行星齿轮箱被广泛用于风电、直升机和工程机械等大型复杂机械装备中。当行星齿轮箱发生故障时,振动信号往往表现出非线性和非平稳特征,多尺度熵理论能够有效地衡量振动信号的非线性和复杂性变化。同时为了尽可能地利用多通道振动信号信息来提高故障诊断的效率,将评价同步多通道数据多变量复杂度的多变量多尺度熵理论引入到行星齿轮箱故障诊断。针对其统计特征稳定性差的问题,提出了多变量多尺度模糊熵,并在基础上,提出了一种新的行星齿轮箱故障诊断方法。将提出的方法应用于行星齿轮箱故障试验数据分析,并与现有方法进行对比,结果表明了所提方法的有效性和优越性。     

基于变分模态分解和多尺度排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性、故障特征提取效果不理想以及故障诊断准确性低等问题,提出基于变分模态分解和多尺度排列熵的滚动轴承故障特征提取方法,并采用经粒子群算法优化的概率神经网络(PSO-PNN)故障诊断模型进行故障类型识别。通过变分模态分解方法将提取的振动信号分解成K个模态分量,进一步计算K个分量的多尺度排列熵,组成多尺度的特征向量,将特征向量输入到PSO-PNN故障诊断模型中识别故障类型。MATLAB仿真结果表明,该方法使故障类型识别准确率有所提高。