基于时序-RBF神经网络的齿轮故障诊断方法

针对齿轮箱早期故障特征不明显,提出一种基于时序和径向基(Radial Basis Function, RBF)神经网络相结合的诊断方法.通过对齿轮箱正常和故障运行状态的振动信号进行时序分析,提取时序模型的自回归系数作为状态特征,并将其组成特征向量输入RBF神经网络分类器进行网络训练,从而实现了对齿轮正常、裂纹、断齿和局部点蚀的状态识别与诊断.结果表明,基于时序-RBF神经网络结合的方法对于早期或多故障分类是可行的.     

基于RBF神经网络的多转子故障类型诊断

对多转子系统中转子故障诊断进行了研究,以转子正常、偏心、不平衡和弯曲四种工作状态为例,采用径向基函数(RBF)神经网络对故障进行诊断.通过快速傅里叶变换和能量谱对转子振动信号进行特征提取,并将提取的特征向量作为神经网络的输入,实现多转子故障类型的识别.结果表明,利用能量谱和RBF神经网络能够有效地识别转子故障类型.     

支持向量机和小波包分析下的轴承故障诊断

简要介绍了支持向量机和小波包分析理论,在此基础上提出将故障信号经小波包分解后各子频带信号能量与信号总能量之比作为故障特征并构造特征向量作为SVM分类器的输入,实现故障状态的诊断。设计实验进行验证,在转子实验台上测得滚动轴承各种状态下的振动信号,经小波包分解后计算各子频带相对能量作为实验数据。将数据分为训练样本较多和训练样本较少两组数据集,分别使用四种不同核函数和一对一与一对多两种算法进行故障状态分类计算,以了解其对SVM分类性能的影响,最后与BP神经网络分类结果比较,对比SVM分类器与传统故障诊断方法的优缺点。     

IMF能量和RBF神经网络相结合在滚动轴承故障诊断中的应用研究

针对滚动轴承的故障特点,提出了一种将IMF能量与RBF神经网络相结合的方法用于故障诊断.该方法首先利用经验模态分解(EMD)方法,把振动信号分解为若干个IMF分量,再用重要的IMF分量求得IMF能量特征向量,最后将特征向量输入RBF神经网络进行故障模式分类.通过对滚动轴承的正常状态、内圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障.     

基于EEMD与SVM相结合的液压系统冲击振动智能诊断研究

工程机械液压系统发生冲击故障时,液压冲击引起的振动信号包含了大量的故障信息。该文针对液压冲击产生的振动信号,通过EEMD方法计算有效IMF分量的能量分布作为振动信号的特征向量,研究了基于SVM分类预测的典型冲击振动信号的高维大样本的分类识别,比较了不同SVM分类器的分类识别效果。结果表明:基于EEMD和SVM相结合的方法可有效进行高维大样本条件下液压系统冲击振动信号分类识别,能实现液压系统冲击振动信号的智能诊断。     

S能量分布特征和SVM在齿轮故障诊断中的应用

准确提取振动信号特征,是齿轮故障诊断的关键问题。为此,提出了一种基于S变换能量分布特征和SVM的故障诊断方法。首先对齿轮故障信号进行S变换得到时频矩阵,然后利用该矩阵构建能量分布特征。最后建立SVM齿轮故障识别模型,将对应的特征样本输入到模型中进行训练和识别,以达到对齿轮故障的准确分类。将所提出的方法应用于齿轮故障检测和诊断。通过实际故障实验数据对所提方法进行了验证。结果表明,该方法能够有效地降低噪声的影响,能够准确地识别齿轮故障,具有较高的准确率和使用价值。     

基于小波包能量谱和Hilbert包络分析的行星齿轮故障诊断

行星齿轮啮合振动信号噪声干扰大,难以诊断齿轮的故障。提出一种基于扭转振动信号的行星齿轮故障诊断方法。结合小波包能量谱和Hilbert包络分析用于轴系扭转振动信号进行识别行星齿轮的早期故障。将这种方法应用于行星齿轮箱在行星齿轮磨损和行星齿轮出现断齿故障状态下采集到的实际故障行星齿轮扭转振动信号,发现这种方法能识别两种状态下的行星齿轮故障特征。将小波包能量谱和Hilbert包络分析应用于两种故障状态下的横向振动信号,发现行星齿轮磨损故障不能准确识别。实验结果表明新方法对行星齿轮早期故障的识别更敏感、准确。     

基于多维度特征表征与SVM的齿轮故障诊断

针对旋转机械中齿轮故障诊断问题,为尽可能提高故障诊断准确性,提出了一种基于多维度特征表征与支持向量机(SVM)的齿轮故障诊断方法。首先,从不同维度分别使用小波包、单一能量、变分模态分解以及集合经验模态分解四种特征提取方法提取齿轮振动信号的特征;其次,将提取的特征信息按照一定的方式进行特征融合表征;最后,采用SVM分类方法对齿轮的运行状态(正常状态,轻微故障,中等故障,断齿故障)进行评估,从而实现齿轮故障诊断。通过多组特征融合表征研究分析表明,多维度融合的特征表征较单一维度特征信息更能够有效地反映齿轮运行状态,有助于进一步提高齿轮故障诊断准确率。     

VMD能量熵与随机森林相结合的齿轮故障诊断

针对齿轮故障的非线性、非稳定性特点和单个分类器在故障诊断中准确率低的问题,提出了一种基于变分模态分解(VMD)和随机森林(RF)的齿轮故障识别方法。首先,采用变分模态分解将振动信号分解成有限个本征模态函数(IMFs),并与总体平均经验模态分解对比其分解效果;其次,计算各模态函数的能量熵,将能量熵作为评判齿轮状态的标准,构建特征向量;最后,将特征向量输入随机森林进行故障分类。结果表明,与支持向量机(SVM)识别方法对比,该方法具有较强的学习能力以及较高的诊断精度。     

基于EMD与多特征的支持向量机故障诊断

针对齿轮振动信号的非线性、非平稳性与故障分类识别率低的问题,提出了一种基于EMD(经验模态分解)与多特征的支持向量机(SVM)故障诊断方法。该方法首先将采集到的信号进行小波包降噪;然后提取降噪后信号的各项时域参数指标;同时,将降噪信号经过EMD运算并提取以互相关准则选取的各本征模式分量(IMF)的能量指标;最后,将两部分特征向量组合后作为SVM的输入进行训练与预测。实验结果表明,该方法对于齿轮状态具有很好的分类精确度,能很好地应用于齿轮的故障诊断。