高斯混合模型与小波包能量相结合的齿轮故障分类

提出小波包能量与高斯混合模型相结合的齿轮故障分类算法。利用小波包分析提取某种模式下齿轮振动信号多层分解后的不同频带内的能量,并进行归一化处理。然后以各频带能量为元素构造该模式的特征向量,利用这些特征向量以及高斯混合模型良好的数据分布刻画能力,对该模式进行描述。最后采用贝叶斯分类器进行齿轮故障分类。采用该方法对齿轮振动信号进行故障识别,结果表明能取得比人工神经网络算法更高的识别率。     

基于K-means和高斯混合模型聚类的齿轮箱故障识别研究

针对传统的基于振动信号的机械故障诊断技术过于复杂、诊断时间过长等问题,提出了结合K-means和高斯混合模型聚类方法的齿轮箱轴承和齿轮故障快速识别方法。首先,通过经验模态分解方法分解振动信号,利用相关分析选取了对振动信号局部特征表达最佳的IMF分量,IMF分量的均方根值和原始振动信号的均方根值,共同构成了振动信号特征集;然后,利用K-means算法确定了振动信号特征集的可分类别数;最后,基于振动信号特征集及其可分类别数,利用高斯混合模型聚类构造了齿轮箱运行状态的多维高斯分布函数,建立了齿轮箱在各运行状态下的从属概率模型,并根据从属概率大小,实现了齿轮箱故障的快速识别。实验和研究结果表明:针对实验环境下齿轮箱轴承和齿轮典型故障识别,基于K-means和高斯混合模型聚类的齿轮箱故障识别方法平均识别准确率为94.3%,高于基于模糊c均值聚类方法的故障识别平均准确率(84.5%)。     

基于改进卷积神经网络的行星齿轮箱故障诊断研究

行星齿轮箱作为机械设备的重要传动部件,其运行的好坏直接影响到整个设备的运行状况。通过引入批量归一化层和丢弃层对卷积神经网络模型进行改进,提出了基于改进卷积神经网络的齿轮箱故障诊断模型。搭建齿轮箱实验平台,使用该模型对齿轮箱的振动信号进行故障识别。实验结果表明:该模型能够有效地对齿轮箱不同的故障类型进行识别分类,分类准确率达到了99.2%。     

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。     

基于集成卷积神经网络的行星齿轮智能诊断方法

针对行星齿轮箱故障振动特征需要预处理、识别困难以及诊断模型收敛速度较慢的问题,提出基于集成卷积神经网络的行星齿轮箱智能故障诊断方法。首先,采用一维卷积对齿轮的原始时域振动信号提取特征,之后通过采用两个弱分类器,根据弱分类学习错误率的性能更新样本权重,调整权重后根据训练集训练弱分类器。重复此过程,最后通过设置策略整合弱分类器,形成集成卷积神经网络;建立一个稳定用于行星齿轮箱的智能故障诊断的模型。实验结果表明：集成卷积神经网络能很好地对行星齿轮原始振动信号进行快速诊断。相对于传统卷积神经网络对齿轮原始时域振动故障信号的诊断具有更强的辨识能力和更快的收敛速度;所建立的智能诊断模型可以有效地诊断齿轮不同的故障状态。     

基于倍频能量与RBF、SVM的齿轮皮带系统故障诊断

为实现对不同工况下的齿轮皮带系统中不同齿轮故障的诊断与分类,将不同故障状态的齿轮和不同松紧程度的皮带组合进行多状态模拟实验,采集各种状态下的齿轮振动信号,提取具有明确物理意义的振动信号倍频能量作为特征向量,最后分别采用径向基函数(Radial Basis Function,RBF)神经网络和支持向量机(Support Vector Machine,SVM)对不同皮带张紧状态下齿轮故障进行诊断分类,并将两种方法诊断的结果进行比较。研究结果表明,振动信号的倍频能量能够较好地反映齿轮的故障特征,RBF神经网络和SVM都能有效地识别齿轮的故障类型,SVM对于齿轮皮带系统的故障诊断准确率相对更高。     

基于LCD基本尺度熵的齿轮故障RVM识别

针对齿轮故障振动信号非线性、非平稳性等特点,以及其故障特征提取较为困难的实际,提出了基于LCD基本尺度熵的齿轮故障特征提取方法。该方法利用局部特征尺度分解(LCD)对齿轮振动信号进行自适应分解,获取原始信号不同尺度分量;根据基本尺度熵能有效区分不同故障信号的复杂度,计算LCD分解所得内禀尺度分量(ISC)基本尺度熵,获得原始信号多个尺度的复杂度特征作为齿轮不同故障下的特征参数;将该特征参数输入相关向量机(RVM)分类器中判断齿轮故障,实现故障诊断。齿轮故障诊断实验结果表明,所提方法能够有效地识别齿轮的典型故障,相比其他一些方法,具有一定的优势。     

基于多重分形与SVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳性和非线性,提出一种多重分形和支持向量机相结合的故障诊断方法。运用多重分形理论方法对齿轮振动信号进行分析,通过分析发现多重分形谱和广义维数作为故障特征能够很好地反映齿轮箱的工作状态;对支持向量机的参数利用粒子群优化算法进行优化,并将齿轮箱振动信号的多重分形特征量作为支持向量机的输入参数以识别齿轮的故障类型。实验结果表明,该方法在样本较小的情况下能够准确对齿轮箱的故障类型进行分类。     

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。     

基于多特征参数和概率神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特性,提出了一种基于多特征参数和概率神经网络的滚动轴承故障诊断方法。首先利用经验模态分解（EMD）方法将采集到的滚动轴承原始振动信号分解为有限个固有模式函数（IMF）之和,然后提取表征故障信息的若干个IMF的能量、峭度和偏度作为概率神经网络的输入参数来进行故障分类。试验结果表明,该方法可以准确、有效地识别滚动轴承的工作状态和故障类型,是一种可行的滚动轴承故障诊断方法。     

基于内禀尺度分量符号熵和ANNC的齿轮故障诊断方法

为提高齿轮故障诊断的准确率,提出了基于内禀尺度分量符号熵和ANNC的齿轮故障诊断方法。该方法利用局部特征尺度分解(LCD)对齿轮振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据符号熵能有效区分不同故障信号的复杂度,计算ISC分量的符号熵,获得原始信号多个尺度下的复杂度特征作为齿轮故障的特征参数;将该特征参数输入ANNC分类器中判断齿轮故障,实现故障诊断。齿轮故障诊断实验结果表明,所提方法能够有效地识别齿轮的典型故障,相比其他一些方法,具有一定的优势。     

斜齿轮疲劳点蚀故障动力学仿真与诊断研究

齿面点蚀是斜齿轮的主要故障之一。不同齿面及不同程度的点蚀故障诊断需要大量的实验数据支撑。提出一种仿真与实验相结合的方法，对斜齿轮齿面点蚀程度和数量进行故障识别。建立了单齿面点蚀和多齿面点蚀等不同点蚀故障类型的斜齿轮动力学模型，对动态响应信号进行包络谱分析，得到了不同点蚀故障类型时域和频域的特征响应规律。对齿轮接触疲劳实验振动信号进行特性分析，验证了斜齿轮点蚀故障动力学模型的准确性。结果表明，齿轮点蚀故障动力学模型可以对单齿面不同点蚀程度和多齿面点蚀进行诊断识别，为传动齿轮故障诊断与健康预测提供诊断依据。     

齿轮振动信号滑动递归分析及其应用

采用递归图对齿轮振动信号进行研究,发现不同状态下的齿轮振动信号递归图存在明显差异,分析了这些递归图所表征的传动系统动力学特征。将递归图看作一幅能反映齿轮状态信息的二值图像,用递归率、确定率、层流率、递归时间等递归特征量对该二值图像进行特征描述,分析了递归特征量所代表的系统动力学特征和对应的递归图像特征。采用滑动递归分析对递归图进行分析,以更好地刻画递归图局部特征。应用该方法结合高斯混合模型及最大贝叶斯分类器对采自实验台的齿轮振动信号进行故障分类实验,结果表明应用该特征提取方法可获得较高的故障识别率。     

基于高阶累积量的齿轮箱故障诊断研究

当齿轮箱发生故障时，实际测得的齿轮振动信号一般是非平稳和非高斯分布的信号，不同故障状态下的振动信号具有不同的高斯性和对称性，通常包含较强的噪声。高阶累积量具有对加性高斯噪声和对称非高斯噪声不敏感的特性，可以应用在齿轮箱的故障诊断中。短时分析方法可以在低信噪比情况下提取周期性冲击故障信号特征。在对振动信号进行短时分析的基础上，计算原始信号及其短时能量函数的高阶累积量。从高阶累积量提取的特征可有效地将正常状态、中度磨损状态、严重磨损状态和断齿状态的齿轮振动信号分离开来，这表明高阶累积量可定量地描述振动信号偏离正态分布的程度，采用样本分割后，还可以定量描述齿轮的磨损程度。     

基于深度学习的航空发动机齿轮故障诊断

传统的机械故障诊断方法需要将采集的故障波信号进行信号处理,再结合神经网络进行特征提取与分类,不仅流程复杂、耗费时间,而且识别准确率不高。针对此问题,采用一维卷积神经网络（one dimensional convolutional neural network,简称1D?CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类,建立齿轮故障一维卷积神经网络模型,对航空发动机轴承进行故障诊断。试验与分析结果表明：采用该神经网络模型对齿轮进行分类,其准确率可达80%,相较于采用传统的前馈神经网络63.9%的识别准确率,提高了15.07%;与采用支持向量机（support vector machine ,简称SVM）对故障进行分类识别相比,该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,简化了传统方法先进行信号处理再通过机器学习诊断的步骤,为航空发动机故障诊断提供一种可行方法。     

核函数主元分析及其在齿轮故障诊断中的应用

提出了基于核函数主元分析的齿轮故障诊断方法。该方法通过计算齿轮振动信号原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射。通过对高维特征数据作主元分析,得到原始特征的非线性主元,以所选的非线性主元作为特征子空间对齿轮工作状态进行分类识别。用齿轮在正常状态、裂纹状态和断齿状态下的试验数据对该方法进行了检验,比较了主元分析与核函数主元分析的分类效果。结果表明,核函数主元分析能有效的检测裂纹故障的出现,正确区分不同的故障模式,更适于提取故障信号的非线性特征。     

基于半监督拉普拉斯特征映射的故障诊断

针对有标记故障样本不足和故障数据高维非线性的问题,提出了基于半监督拉普拉斯特征映射（LE）算法的故障诊断模型。该模型运用LE算法,直接从原始高维振动信号中提取低维流形特征,并将其输入到基于LE的半监督分类器,从而识别出机械设备的运行状态。与传统方法相比,该模型能明显提高滚动轴承和齿轮的故障识别性能。     

基于双谱分析的齿轮故障诊断方法

齿轮啮合过程中的振动信号往往呈现出非线性、非高斯性,加上强噪声的干扰,给故障特征的提取带来了较大的困难.为实现齿轮单一故障的分类和诊断,采用时序参数化的双谱分析方法,对齿轮故障模拟试验台上采集的正常状态和3种故障状态的振动信号进行了分析,根据双谱谱峰的分布及数目的差异性,实现了齿轮正常、裂纹、磨损、剥落4种状态的识别和分类.结果表明,双谱分析可以抑制背景噪声,并有效提取信号中的非高斯成分,是一种有效的故障诊断方法.     

自适应局部迭代滤波与模糊熵在齿轮系统故障识别中的应用

针对齿轮系统实测信号受噪声干扰而不能准确反映故障特征的问题,提出了一种自适应局部迭代滤波与模糊熵相结合的故障识别方法.利用自适应局部迭代滤波可以将齿轮非平稳信号分解为有限个平稳的本质模态函数,由于自适应局部迭代滤波能有效分离出齿轮系统的转频信号,因此,以转频信号对应的本质模态函数为分界,计算前几个本质模态函数的模糊熵,最后,通过计算不同工况振动信号模糊熵的灰色关联度来识别齿轮系统不同的故障类型.结果表明,该方法能够有效地应用于齿轮系统的故障诊断.     

基于集合经验模式分解能量分布与灰色相似关联度的齿轮故障诊断

针对齿轮发生故障时,其不同频带能量分布与其故障状态间存在一定的映射关系,提出一种基于集合经验模式分解与灰色相似关联度相结合的故障诊断方法。引入循环统计学的思想对传统形态滤波方法进行改进,定义顺序形态滤波器,并结合实际选用最简单的直线结构元素,对实测齿轮原始加速度振动信号进行顺序形态滤波降噪预处理。采用集合经验模式分解方法将降噪后的齿轮非平稳加速度振动信号分解为有限个平稳的本征模态函数,从中选取包含故障主要信息的前几个本征模态函数分量并计算其能量分布。由于灰色相似关联度分析对小样本模式识别具有良好的分类效果,以能量分布为元素构造特征矢量,通过计算不同振动信号的灰色相似关联度来判断齿轮的工作状态和故障类型。实例分析结果表明,提出的方法能够有效地应用于齿轮系统的故障诊断。